Maschinelles und tiefes Lernen

Der Motor für ‚KI made in Germany‘

Die Anfänge der künstlichen Intelligenz gehen auf die 1950er Jahre zurück. Aber erst seit wenigen Jahren erlebt das Thema einen wahren Boom. Grund dafür sind nützliche KI-Anwendungen, vom Sprachassistenten bis zur Auswertung von Röntgenbildern. Welche Weichen müssen wir in Deutschland stellen, damit die Wirtschaft beim Einsatz und der Entwicklung von KI mit der Weltspitze mithalten kann?

 (Bild: ©phonlamaiphoto/stock.adobe.com)
(Bild: ©phonlamaiphoto/stock.adobe.com)

Die künftigen Auswirkungen von KI auf wirtschaftliche Prozesse wie auch unseren Alltag lassen sich längst nicht absehen – und kaum überschätzen. Die technologische Entwicklung darf daher nicht sich selbst überlassen werden, sondern muss dem Wohl der Gesellschaft dienen und den Wirtschaftsstandort Deutschland stärken. Dies gilt es in einem breiten öffentlichen Dialog zu klären. Damit verbunden sind zentrale Fragen für Forschung und Wissenschaft: Welche KI-Kompetenzen müssen wir in Deutschland aufbauen, um die gute Ausgangsposition in der internationalen KI-Forschung zu stärken? In welche Forschungsthemen sollte im Sinne einer zukunftsfähigen Ausrichtung künftig verstärkt investiert werden?

Grundlage bilden Massendaten

Technologischer Treiber der KI-Entwicklung sind das maschinelle Lernen und das tiefe Lernen. Verbunden mit der Verfügbarkeit von Massendaten sowie Fortschritten beim schnellen, parallelen Rechnen waren sie für die spektakulären KI-Durchbrüche der vergangenen Jahre verantwortlich – angefangen von DeepMinds AlphaZero, welches durch intensives Spielen gegen sich selbst erlernt, mehrere Brettspiele auf übermenschlichem Niveau zu spielen, bis hin zu modernen Übersetzungs- und Bilderkennungssystemen. Gegenüber dem umfassenden Begriff der künstlichen Intelligenz grenzen sich maschinelles und tiefes Lernen wie folgt ab:

  • Künstliche Intelligenz definiert Herausforderungen, die es zu lösen gilt und entwickelt Lösungsansätze.
  • Maschinelles Lernen ist eine grundlegende Methode der künstlichen Intelligenz. Sie zielt darauf, dass Maschinen ohne explizite Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern. Spezielle Algorithmen lernen dabei aus den vorliegenden Beispieldaten Modelle, die dann auch auf neue, zuvor noch nicht gesehene Daten angewendet werden können.
  • Maschinelles Lernen mit großen neuronalen Netzen wird als tiefes Lernen (Deep Learning) bezeichnet. Es stellt derzeit einige der leistungsfähigsten Ansätze des Maschinellen Lernens bereit.

Heute werden smarte Lösungen noch vornehmlich manuell programmiert. Die aktuellen Entwicklungen auf dem Gebiet der künstlichen Intelligenz markieren jedoch einen Paradigmenwechsel: Statt Verarbeitungsschritte manuell zu kodieren, wird KI-basierten Systemen die Fähigkeit zu lernen programmiert. Mithilfe des maschinellen Lernens können Agenten aus sehr vielen Beispielsituationen Muster erlernen und auf ähnliche Situationen übertragen. Auch beim maschinellen Lernen programmiert weiterhin der Mensch – allerdings nicht mehr fertige Lösungen. Stattdessen entwickelt er Programme, die aufgrund von Trainingsdaten die Lösung erlernen.

Deep Learning aufwendig

Die größten KI-Erfolge basieren derzeit auf tiefen neuronalen Netzen (tiefes Lernen oder Deep Learning). Hierbei verarbeiten eine große Zahl an künstlichen Neuronen Eingangsinformation in mehreren Schichten und stellen am Ausgang das Ergebnis bereit. So sind beispielsweise moderne Übersetzungs- und Bilderkennungssysteme ohne tiefes Lernen nicht denkbar. Neuronale Netzwerke besitzen eine hohe Expressivität, oder vereinfacht gesprochen: die Fähigkeit, jede kontinuierliche Funktion beliebig genau zu approximieren, sich ihr also anzunähern. Dadurch gestaltet sich ihr Training oft sehr daten- und zeitintensiv. Gleichzeitig ist es aber in der Regel möglich, ein für eine spezielle Aufgabe aufwendig trainiertes Netz über Transferlernen mit wenig Aufwand auf eine neue Aufgabenstellung anzupassen.

Expertise ausbauen

Für eine zukunftsorientierte und erfolgreiche ‚KI made in Germany‘ ist es unabdingbar, die Expertise für maschinelles Lernen und tiefes Lernen in Deutschland zu stärken – sowohl an Hochschulen, als auch in Forschungsgrammen und Kompetenzzentren. Denn unabhängig davon, ob Daten gleich dem Öl des 21. Jahrhunderts in großem oder kleinem Umfang gesammelt werden: Ohne hochleistungsfähige ‚Raffinerien‘ – also Methoden wie maschinelles oder tiefes Lernen – bleiben sie, was sie sind: Rohöl, das keinen (Wirtschafts-)Motor antreiben kann. Um sie in intelligente und nutzbringende Anwendungen zu überführen, werden Expertinnen und Experten mit exzellenter Kenntnis der Grundlagen und Verfahren des maschinellen Lernens benötigt. Auch die vorhandene Expertise im Bereich des tiefen Lernens muss gestärkt werden. Für eine zukunftsorientierte KI-Forschung muss zudem die KI-Infrastruktur in Deutschland weiter auf- und ausgebaut werden – insbesondere durch Cluster, die maschinelles und tiefes Lernen mittels speziellen KI-Beschleunigern (z.B. GPU-/CPU-Cluster) unterstützen. Wichtig ist dabei vor allem, dass die Infrastruktur für alle Beteiligten mit ausgewiesener Expertise zur Verfügung steht und die Leistungsanforderungen möglichst vieler Anwendungen erfüllen kann. Darüber hinaus müssen verschiedene Konzepte – etwa für Sicherheits- und Vertraulichkeitsanforderungen – erprobt werden können. In Zukunft werden sich KI-Infrastrukturen voraussichtlich stark von den heutigen unterscheiden. Deutschland sollte daher nicht nur auf ausgereifte Technologien setzen, sondern gezielt auch neue Rechenplattformen erforschen. Dies könnte zu einem Wettbewerbsvorteil werden.

Anforderungen an KI von morgen

Moderne KI-Anwendungen sind beeindruckend. Allerdings sind sie in der Entwicklung auch sehr kostenintensiv. Darüber hinaus erfordern viele KI-Ansätze – wie das tiefe Lernen – meist gelabelte Trainingsdaten, deren Beschaffung schwierig, wenn nicht gar unmöglich ist. Ein wichtiges Ziel der Forschung ist es daher, diese Entwicklungsprozesse zu vereinfachen. Für viele Anwendungen, etwa bei Therapieempfehlungen in der Medizin, ist es zudem essentiell, dass KI-basierte Vorhersagen und Entscheidungen zuverlässig und nachvollziehbar sind. Der Aufbau in vertrauenswürdige KI-Systeme erfordert neben einem fundierten KI-Fachwissen auch umfangreiche Programmierkenntnisse, Anwendungswissen sowie ein fundiertes Wissen im Umgang mit Unsicherheiten. Zusätzliche Professuren in den Bereichen künstliche Intelligenz, maschinelles Lernen und tiefes Lernen können dazu beitragen, die benötigten Multiplikatoren auszubilden, auf dass sie ihre KI-Expertise weitervermitteln sowie in die Anwendung und Praxis tragen – auch zusammen mit anderen Disziplinen.

Wissensaustausch fördern

Der technologische Fortschritt im Bereich künstliche Intelligenz ist so rasant, dass einzelne Technologien schnell veralten. Daher gilt es nicht nur die Algorithmen weiterzuentwickeln, sondern insbesondere den Transfer durch die Köpfe in den Unternehmen zu stärken und auf diese Weise die Innovationskraft zu sichern. Neben der klassischen Fort- und Weiterbildung braucht es dazu unter anderem den personellen Austausch zwischen Wissenschaft und Wirtschaft. Neue duale Programme für Doktorandinnen und Doktoranden und insbesondere die Förderung von Gründungen und Startups sind hierfür vielversprechende Instrumente. Viele Entscheidungsträgerinnen und -träger in Wissenschaft, Wirtschaft und Gesellschaft haben das Potential der künstlichen Intelligenz erkannt. Oft bestehen jedoch noch Vorbehalte. Um das Potential von KI-Methoden zu heben, sollten bestehende Verbindungen zwischen verschiedenen Fachdisziplinen, Studiengängen und Firmen in Deutschland gefestigt und neue Brücken errichtet werden. Die geplanten KI-Kompetenzzentren und die KI-Hubs sollten daher neben der Grundlagenforschung auch Kooperationsprojekte und -strategien entwickeln, beratend tätig sein und die Verbreitung von Forschungsergebnissen verstärken. Maschinelles Lernen wird auch in Zukunft ein Schlüssel zur Künstlichen Intelligenz sein – jedoch nicht der einzige. Zu erwarten sind zunehmend synergetische Lösungen, die unterschiedliche Paradigmen der KI-Forschung verknüpfen. Unterschiedliche Bausteine einer heute oft noch segmentierten KI-Forschung – wie etwa Computer Vision, natürliche Sprachverarbeitung, Robotik und Kognition – werden zusammenwachsen und neue Themen erschließen.

Der Beitrag fasst wesentliche Inhalte des kürzlich veröffentlichten Whitepapers Maschinelles und Tiefes Lernen – Der Motor für ‚KI made in Germany‘ der Plattform Lernende Systeme zusammen.





  • Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise

    Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen…


  • Mit Strategie gegen Silos

    Hersteller investieren viel Zeit und Geld, um die Wertschöpfungskette kontinuierlich zu verbessern. Dabei entstehen oft Silo-Systeme, die isoliert voneinander arbeiten und wenig…


  • ERP-Studie nimmt KI und Cloud in den Fokus

    Die Studie ’ERP in der Praxis’ ist in ihre 12. Runde gestartet. Seit 2004 fordern die Analysten der Trovarit AG Anwender von…


  • Datenpunkte in der Batteriezellfertigung setzen

    In der Batteriezellfertigung erzeugen heterogene Quellen enorme Datenmengen. Um die Produktion mit Digitaltechnik aufzurüsten, müssen die verschiedenen Datenquellen an die IT-Systeme in…


  • MES und Lean-Management im Zusammenspiel

    Fertigungsunternehmen suchen stets nach Möglichkeiten, ihre Workflows zu optimieren, Verschwendung zu reduzieren und Ressourcen optimal einzusetzen. Der Lean-Ansatz ist hier ein bewährtes…