Künstliche Intelligenz »Transparent und unerklärlich zugleich«

Jim Tung ist Vordenker bei Mathworks. Auf der MathWorks Expo hielt er eine Keynote mit dem Titel »Beyond the I in AI«. Wir hatten Gelegenheit, ihm im Anschluss noch einige Fragen zu stellen. Seine Antworten sagen viel über die Reife von Künstlicher Intelligenz und Deep Learning.

D&E: Was sind für Sie die wichtigsten Anwendungsgebiete für KI heute und in Zukunft?

Jim Tung: Da muss man erstmal klären, was eigentlich KI ist. KI findet in mehreren Anwendungsbereichen statt. Am ausgereiftesten sind Anwendungen, bei denen es darum geht, auf Basis von Daten zu diagnostizieren und Vorhersagen zu treffen. Und dann gibt es noch Anwendungen, bei denen KI als zusätzliche Systemkomponente integriert ist. Gerade bei sicherheitskritischen Systemen hat man als primäres System einen bewährten, konventionellen Mechanismus und die KI als Zusatz, wobei dann beide Ergebnisse verglichen werden, um mit der KI Erfahrung zu sammeln. Solche Szenarien können sie heute in jeder Art von System vorfinden. Manchmal etwas forscher, wenn die Systemdynamik gut bekannt ist, manchmal auch etwas zurückhaltender.

Letzteres ist in der Automobilindustrie der Fall, die sich auf KI-Anwendungen vorbereitet. Da will man verstehen, welche Rechenplattformen und welche Komponenten gebraucht werden, aber da wird noch nichts on-the-fly trainiert, sondern die Systeme arbeiten noch mit traditionellen Vorgehensweisen. Aber man sieht, dass sich die Grenze verschiebt, je mehr Erfahrung mit KI gesammelt wird.

D&E: Was sind die größten Probleme, vor denen Entwickler von KI- und Deep-Learning-Anwendungen stehen?

Tung: Wir arbeiten mit vielen Firmen und Organisationen zusammen und da stoßen wir immer wieder auf drei Gemeinsamkeiten:

Erstens: In den Teams arbeiten unterschiedliche Leute mit unterschiedlichen Erfahrungen und Techniken. Typischerweise favorisieren Entwickler die Techniken, mit denen sie Erfahrung haben. Ein anderer hat andere Erfahrungen und möchte eine andere Technik anwenden. Wie bringt man die beiden zusammen? Selbst wenn man das gleiche Vokabular benutzt – wie lassen sich Methoden vergleichen?

Zweitens: Man benötigt Tools, um unterschiedliche Methoden an derselben Anwendung zu vergleichen, denn für einen objektiven Vergleich braucht man eine gemeinsame Basis. Wenn man also Tools hat, die nur KI beherrschen und andere Tools, die nur traditionelles Software-Engineering können, dann hat man ein Problem.

Drittens: Viele AI-Methoden sind code-getrieben, denn die Leute, die das entwickeln, programmieren gerne. In vielen Industriezweigen gibt es dagegen ausgereifte Modelle für die modellbasierte Entwicklung. Wie kann man also die Entwicklungsprozesse so organisieren, dass man sowohl code- als auch modellbasiert arbeiten und die Vorteile beider Welten nutzen kann?