Suchen

KI-Innovationen Neue Trends für die Künstliche Intelligenz

Autor / Redakteur: Dipl. Betriebswirt Otto Geißler / Nico Litzel

Die KI-Technologien entwickeln sich sehr schnell und werden den nächsten großen Wandel in der IT gestalten. Doch auch sie selbst unterliegen dem Wandel und erleben verschiedene Herausforderungen und Veränderungen. Dazu gehören die Forderungen nach einer eindeutigeren Nachvollziehbarkeit sowie reduzierten Datenintensität.

Firmen zum Thema

Das Vertrauen der Unternehmen in die KI-Technologien nimmt stetig zu. Das rührt daher, dass sie die Best Practices von KI besser verstehen und sie in der Folge auch in zunehmender Breite nutzen lernen.
Das Vertrauen der Unternehmen in die KI-Technologien nimmt stetig zu. Das rührt daher, dass sie die Best Practices von KI besser verstehen und sie in der Folge auch in zunehmender Breite nutzen lernen.
(Bild: gemeinfrei / Pixabay )

Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) sind in deutschen Unternehmen der Branchen Industrie, Energieversorgung, Transport, Logistik und Verkehr, aber auch im Gesundheitswesen und vielen weiteren Branchen, angekommen. Das bestätigt die „IDG-Studie - Machine Learning / Deep Learning“. Darin gaben drei Viertel an, dass ihr Unternehmen bereits Machine-Learning-Anwendungen im Einsatz hält oder diese gerade implementiert.

KI-Lösungen scheinen gemäß der Studie mittlerweile einen beachtlichen Reifegrad erreicht zu haben. Aktuell sehen Unternehmen die KI als eine skalierbare Methode, um essenzielle Mehrwerte aus Daten zu erzeugen. Doch auch solche Lösungen sind einem Wandel unterworfen. Neue Technologien sollen sie nun weiterentwickeln. In der Folge verschiedene Ansätze, die derzeit die Entwicklung prägen:

Meta Learning

Im Gegensatz zu herkömmlichen KI-Ansätzen, bei denen eine bestimmte Aufgabe mithilfe eines festen Lernalgorithmus von Grund auf gelöst wird, zielt das Meta Learning darauf ab, den Lernalgorithmus selbst zu verbessern, da mehrere sogenannte Lern-Episoden vorliegen. Das bietet die Möglichkeit, viele der konventionellen Herausforderungen des Deep Learning anzugehen.

Bei Meta Learning oder dem „Lernen zu lernen“, geht es um das systematische Beobachten, wie verschiedene Ansätze des Maschinellen Lernens bei einer Vielzahl von Lernaufgaben funktionieren. Aus dieser Erfahrung bzw. aus den Metadaten soll das System lernen, neue Aufgaben viel schneller zu erlernen.

Dadurch wird nicht nur das Design von maschinellen Lern-Pipelines oder neuronalen Architekturen dramatisch beschleunigt und verbessert, sondern es erlaubt auch, handgefertigte Algorithmen durch neue Ansätze zu ersetzen, die datengesteuert gelernt werden. Mit dem vermehrten Aufkommen von Technologien wie des Meta Learning wird die KI zudem auch weniger datenintensiv.

Explainable AI

Die KI erlebt gerade in stark regulierten Branchen durch die sogenannte „Explainable AI“ (erklärbare KI), immer mehr Akzeptanz. Damit ist gemeint, dass Menschen auch den Weg verstehen können, den ein KI-System eingeschlagen hat, um eine bestimmte Entscheidung zu treffen. Auf diese Weise sollen Verzerrungen der Ergebnisse vermieden werden.

Es steht also im Gegensatz zum Konzept der „Black Box“ beim Maschinellen Lernen, bei dem selbst ihre Entwickler nicht mehr erklären können, warum die KI eine bestimmte Entscheidung getroffen hat. Der Einsatz von „Explainable AI“ ist insbesondere dann als Ergänzung für Applikationen sinnvoll, wenn die Resultate eine Erklärung benötigen oder zurückverfolgt werden müssen. Zum Beispiel für Aufgaben der Tumorerkennung, Ablehnung von Hypotheken oder die Auswahl von Bewerbungskandidaten.

Lernt vergleichsweise ein Machine-Learning-Algorithmus im Wesentlichen auf Basis vorhandener Daten, kann er fälschlicherweise mit „Vorurteilen“ gegenüber Geschlechtern oder ethnischen Gruppen behaftet sein. Hier spielt dann die Erklärbarkeit eine entscheidende Rolle.

Generative AI

Dieser Ansatz bezieht sich auf Programme, die vorhandene Inhalte wie beispielsweise Text, Audiodateien oder Bilder lernen und verwenden können, um neue bzw. ähnliche Inhalte zu erstellen. Hierfür gibt es verschiedene Techniken wie zum Beispiel generative Adversarial Networks (GANS), Transformatoren und Variations-Autoencoder. Laut dem MIT Technology Review handele es sich bei der generativen KI um eine der vielversprechendsten Innovationen im Bereich der KI des letzten Jahrzehnts.

So entwickelte nVidia eine Software, mit der aus wenigen Bildern realer Menschen neue fotorealistische Gesichter erzeugt werden können. Ein weiteres Beispiel stammt von einem Team der University of Berkeley. Sie implementierten eine Software, die videoaufgezeichnete Bewegungen eines Menschen (zum Beispiel eines professionellen Tänzers) auf die Bewegungen eines anderen Menschen (zum Beispiel eines völlig ungelernten Tänzers) übertragen kann.

Im Wesentlichen wird die Generative AI verwendet, um Daten für das Trainieren von Algorithmen zu nutzen, mit denen Bilder oder Videos erstellt werden können. Dies unterscheidet sich prinzipiell von der sogenannten diskriminierenden KI, die in der Regel darauf abzielt, Daten zu klassifizieren oder etwas zu unterscheiden.

Transfer Learning

Anstatt ein neuronales Netz von Grund auf neu zu trainieren, können Entwickler ein vortrainiertes Open-Source-Tiefenlernmodell downloaden und es für ihre eigenen Zwecke fein abstimmen. Es gibt mittlerweile viele vortrainierte Basismodelle zur Auswahl. Beliebte Beispiele sind AlexNet, Inception-v3 von Google und ResNet-50 von Microsoft. Diese neuronalen Netzwerke wurden bereits auf dem ImageNet-Datensatz trainiert. KI-Ingenieure müssen sie nur noch mit ihren eigenen domänenspezifischen Anforderungen erweitern.

Beispielsweise möchte ein KI-Ingenieur ein neuronales Netz zur Bildklassifizierung erstellen, um ein bestimmtes Problem zu lösen. Anstatt Tausende und Millionen von Bildern zu sammeln, kann er einen der öffentlich verfügbaren Datensätze wie ImageNet verwenden und ihn mit domänenspezifischen Fotos erweitern.

Das Transfer-Lernen erfordert keine großen Rechenressourcen. In den meisten Fällen kann ein ordentlicher Desktop-Computer oder ein starker Laptop ein vortrainiertes neuronales Netzwerk in wenigen Stunden oder sogar weniger feinabstimmen.

Transfer Learning bietet unter anderem einen großen Mehrwert bei der Identifizierung von Personen, die Straßenverkehrsregeln missachten – wie zum Beispiel helmloses Fahren bei Motorradfahrern oder beim Training von Sprachmodellen für verschiedene Akzente bzw. Vokabeln.

Capsule Networks

Ein Capsule Neural Network (CapsNet) ist ein maschinelles Lernsystem, eine Art künstliches neuronales Netzwerk (Artificial Neural Network - ANN), mit dem hierarchische Beziehungen besser modelliert werden können. Der Ansatz ist ein Versuch, die biologische neuronale Organisation genauer nachzuahmen.

Die Grundidee besteht darin, einem Convolutional Neural Network (CNN) Strukturen hinzuzufügen, die man als „Kapseln“ bezeichnet, um stabilere Darstellungen zu bilden. Die Ausgabe ist ein Vektor, der aus der Wahrscheinlichkeit einer Beobachtung und der Position für diese Beobachtung besteht. Dieser Vektor ähnelt dem, was beispielsweise bei der Klassifizierung mit Lokalisierung in CNNs durchgeführt wird.

Capsule Networks befassen sich unter anderem mit dem sogenannten „Picasso-Problem“ der Bilderkennung: Bilder, die zwar über alle richtigen Teile verfügen, jedoch nicht in der korrekten räumlichen Beziehung zueinander stehen. Das heißt, in einem Gesicht werden die Positionen des Mundes und eines Auges vertauscht.

(ID:46969925)

Über den Autor