Schwerpunkte

Künstliche Intelligenz

Von der Weltherrschaft noch weit entfernt

08. März 2018, 15:36 Uhr   |  Joachim Kroll


Fortsetzung des Artikels von Teil 2 .

Gesichtserkennung im Selbstversuch

Geschlechts- u. Altersbestimmung durch ein künstliches neuronales Netz. Der Score für die Altersklassifizierung
© Elektronik

Bild: Geschlechts- u. Altersbestimmung durch ein künstliches neuronales Netz. Die Software visualisert im rechten Teil, welche Teile des Gesichts für die Entscheidung herangezogen wurden. Grafik: Der Score für die Altersklassifizierung.

Anlässlich einer Demonstration des Fraunhofer Heinrich-Hertz-Instituts konnte ich von einer KI-Anwendung mein Alter und Geschlecht bestimmen lassen. Eine Analysesoftware zeigt, welche Kriterien der Bestimmung zugrunde liegen.
Dank meiner weitgehend haarlosen „Frisur“ funktionierte die geschlechtliche Zuordnung zuverlässig und zweifelsfrei. Die Altersbestimmung war hingegen längst nicht so genau.

In einem ersten Versuch schätzte mich die Software auf ca. 80 Jahre. Das lag wohl daran, dass es oberhalb von 50 nur noch die Altersklasse „80“ gab. In der Heatmap waren deutlich mein blankes Haupt und meine Brille markiert, die zur der Klassifikation geführt hatten.

Ein zweiter Versuch aus einer anderen Perspektive lieferte als Ergebnis „Anfang 40“. Das ist sehr schmeichelhaft. In diesem Fall hatte das neuronale Netz offensichtlich eine schlanke Form des Gesichts erkannt und außerdem Mund und Nase in die Entscheidung mit einbezogen.
Die Visualisierung zeigte recht gut den uneindeutigen Charakter der Alterseinstufung: im zweiten Fall wurden in den Bereichen „25“, „40“ und „50“ durchweg recht hohe Wahrscheinlichkeiten errechnet, sodass das Endergebnis mehr oder weniger dem Mittelwert entsprach.

Hoffnungsträger Predictive Maintenance

Auch die vielzitierte Predictive Maintenance erfährt mit KI-Verfahren einen Qualitäts- und Produktivitätsschub. Das Fraunhofer-Institut für Integrierte Schaltungen IIS forscht an einem selbstlernenden Verfahren für Condition Monitoring. Oft sind die Prozesse sowie die erfassten Daten zu komplex, als dass Nutzer diese mit den tatsächlichen Maschinenzuständen in Verbindung bringen können. Das Verfahren des maschinellen Lernens vom Fraunhofer IIS/EAS ermöglicht es, auch in sehr großen Datenmengen relevante Zusammenhänge schnell zu identifizieren und die Produktivität von Anlagen und Maschinen zu erhöhen. Das Condition-Monitoring-System führt beispielsweise Schalldaten einer selbstlernenden Klassifikation zu und muss dabei Einstellungen, wie Grenzwerte, automatisch vornehmen. Das gelingt mithilfe von Algorithmen, die bekannte Betriebszustände einer Anlage auswerten. Veränderungen an diesem „Fingerabdruck“ können dann automatisch erkannt und bestimmten Betriebszuständen zugeordnet werden (Bild 2).

Mit ersten Verschleißerscheinungen ändern sich Form und Lage dieser Datencluster, sodass das System bei Überschreiten gewisser Grenzen eine Meldung absetzen kann.

Visualisierung von Maschinendaten in einem 3D-Merkmalsraum zur vorausschauenden Wartung
© Fraunhofer IIS/EAS

Bild 2. Visualisierung von Maschinendaten in einem 3D-Merkmalsraum zur voraus-schauenden Wartung.

Durch IoT immer mehr Trainingsdaten

Künstliche Intelligenz steht noch ganz am Anfang einer wohl stürmischen Entwicklung. Um künstliche neuronale Netze zu trainieren sind gegenwärtig noch Ungetüme von Computern nötig. Das Lernrepertoire dieser Netze ist noch sehr begrenzt. Für die Anwendung eines trainierten neuronalen Netzes reichen heutige Universalprozessoren aber bereits aus – zahlreiche Roboter und Fahrerassistenzsysteme zeigen das. Künstliche Intelligenz wird in einem schleichenden Prozess immer mehr Assistenzfunktionen übernehmen. Zukünftige Generationen von autonomen Systemen werden ihre Wahrnehmungen, ihre Interpretationen, ihre Aktionen und ihre Kooperationsmöglichkeiten selbstständig erweitern und sich mit anderen Systemen darüber austauschen können [2].

Die ausgreifende Verbreitung des Internets der Dinge schafft die Voraussetzungen für eine Akkumulation von Trainingsdaten, wie sie bisher nicht möglich war. Ganz gleich, ob physikalische Daten von Sensoren aus der Umwelt oder statistische Daten: Künstliche Intelligenz kann Zusammenhänge aufdecken, die dem menschlichen Denkvermögen verborgen bleiben. Dennoch wird diese Intelligenz immer künstlich bleiben. Deshalb ist auch die Angst unbegründet, dass KI-Systeme eines Tages außer Kontrolle geraten könnten.

Technik erfordert politische Gestaltung

Was allerdings zu bedenken ist: KI fügt der Digitalisierung eine weitere Stufe der Komplexität hinzu. Natürlich werden für KI neue Spezialisten gebraucht und zusätzliche Arbeitsplätze geschaffen. Ebenso hat KI aber ein großes Potenzial der Arbeitsplatzvernichtung. In manchen Branchen ist von bis zu 80 Prozent die Rede. Wenn auf die Digita¬lisierung die „Intelligentisierung“ folgt, dann könnten diese Rationalisierungseffekte, die bisher überwiegend manuelle Tätigkeiten betrafen, erstmals eine Arbeitslosenwelle unter Akademikern auslösen. Darin liegen wohl noch größe¬re Herausforderungen als in der Technik der KI: Durch Digitalisierung fühlen sich bereits viele Menschen überfordert und in ihrer Exstenz bedroht. Es wird darauf ankommen, Ausgleichsmechanismen zu schaffen, damit nicht noch breitere Bevölkerungsschichten von der Entwicklung abgehängt werden. Wenn sogar führende Industriemanager eine Robotersteuer zur Sprache bringen oder, wie Siemens-CEO Joe Kaeser, über ein bedingungsloses Grundeinkommen nachdenken, dann sollte das Anlass genug sein, diese Warnungen ernst zu nehmen.


Literatur

[1] Kühl, E.: Eine Sprache macht noch keinen Terminator, Zeit Online, 2. August 2017.
[2] Damm, W.; Kalmar R.: Autonome Systeme. Fähigkeiten und Anforderungen. In: Springer-Verlag, Informatik Spektrum, Bd. 40, H. 5, Oktober 2017.
[3] Fraunhofer-Allianz Big Data (Hrsg.): Zukunftsmarkt Künstliche Intelligenz. Potenziale und Anwendungen. Leipzig und St. Augustin, 2017.

Link-Tipp: Wie funktioniert ein neuronales Netz?

In 25 Minuten erklärt Data Scientist Brandon Rohrer auf Youtube, wie ein neuronales Netz ein aus vier Pixeln bestehendes „Bild“ klassifiziert. Bestimmt wird, ob die schwarzen und weißen Pixel diagonal, vertikal oder horizontal angeordnet sind oder ob nur eine Farbe vorkommt.

Seite 3 von 3

1. Von der Weltherrschaft noch weit entfernt
2. Denn sie wissen nicht, was sie tun
3. Gesichtserkennung im Selbstversuch

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Qualcomm stellt AI-Engine vor
Volvo mit Investmentfonds zur Unterstützung von Start-Ups
Autonome Fahrzeuge erfordern neue Konzepte
„In verrückte Innovationen investieren“
Neue Werkzeuge für Deep Learning und autonomes Fahren
Bundesverband Künstliche Intelligenz gegründet

Verwandte Artikel

Gärtner Electronic Messgeräte Vertrieb, Gartner Inc.