Künstliche Intelligenz
Diese Technologie wird jeden Wirtschaftszweig verändern
Der Begriff »Künstliche Intelligenz« kann bereits auf viele Jahre Geschichte zurückblicken, so richtig durchgestartet ist sie aber erst in diesem Jahrhundert. Und jetzt ist sie kaum mehr aufzuhalten.
Das Forschungsgebiet der künstlichen Intelligenz (KI) wurde vor über 60 Jahren in einem Workshop auf dem Campus des Dartmouth College in den USA begründet. Die Teilnehmer des Workshops sollten über Jahrzehnte hinweg führend in der KI-Forschung sein. Viele sagten voraus, dass eine Maschine, die so intelligent wie ein Mensch ist, in höchstens einer Generation existieren würde. Wie wir wissen, war dies eine überzogene Einschätzung.
Denn es wurde klar, dass kommerzielle Entwickler und Forscher die Komplexität der KI weit unterschätzt hatten. Finanzierung und Forschung wurden zurückgefahren, und es dauerte etwa 40 Jahre, bis das Interesse und die Investitionen in KI wieder auflebten.
Zu Beginn des 21. Jahrhunderts blühte die KI-Forschung dann auf. Mit der Entwicklung neuer Methoden, leistungsfähiger Computer-Hardware und riesiger Datensätze wurde das maschinelle Lernen erfolgreich auf viele Probleme in Wissenschaft und Industrie angewandt.
Aus dem maschinellen Lernen ging die Entwicklung des Deep Learning hervor. Deep-Learning-Algorithmen können automatisch Informationen aus Daten wie Bildern, Videos oder Texten lernen, ohne dass menschliches Fachwissen erforderlich ist. Heute ist Deep Learning die wichtigste Technologie, die hohe Präzision und Genauigkeit bei Aufgaben wie Spracherkennung, Sprachübersetzung und Objekterkennung ermöglicht.
Jobangebote+ passend zum Thema
GPUs: Der Schlüssel zum Deep Learning
Architektonisch gesehen besteht eine CPU (Central Processing Unit, zentrale Recheneinheit) aus nur wenigen Prozessorkernen mit viel Cache-Speicher, wobei jeder Prozessorkern jeweils nur einige wenige Software-Threads verarbeiten kann. Im Gegensatz dazu besteht ein Grafikprozessor (Graphics Processing Unit, GPU) aus Hunderten von Kernen, die Tausende von Threads gleichzeitig verarbeiten können.
Moderne neuronale Netze mit tiefem Lernen haben Millionen bis weit über eine Milliarde Parameter. Außerdem benötigen sie eine große Menge an Trainingsdaten, um eine hohe Genauigkeit zu erreichen, was bedeutet, dass Hunderttausende bis Millionen von Eingabeproben sowohl einem Vorwärts- als auch einem Rückwärtsdurchlauf unterzogen werden müssen.
Da neuronale Netze aus einer großen Anzahl identischer Neuronen bestehen, sind sie von Natur aus hochgradig parallel. Diese Parallelität lässt sich auf natürliche Weise auf GPUs übertragen, die eine erhebliche Beschleunigung der Berechnungen im Vergleich zum reinen CPU-Training ermöglichen und sie zur bevorzugten Plattform für das Training großer, komplexer Systeme auf der Grundlage neuronaler Netze machten.
Mit GPU-beschleunigten Deep-Learning-Frameworks können Forscher und Datenwissenschaftler die Trainingszeit für Deep-Learning-Algorithmen von Tagen oder Wochen auf nur Stunden oder Tage verkürzen.
Ansätze für die Industrie
KI treibt heute den Wandel in jeder Branche auf der ganzen Welt voran. Da Unternehmen zunehmend datengesteuert sind, steigt die Nachfrage nach KI-Technologie. Von Spracherkennung und Empfehlungssystemen bis hin zu medizinischer Bildgebung und verbessertem Lieferkettenmanagement – KI-Technologie verändert Prozesse in jedem Segment.
In Deutschland setzen Branchenführer wie Mercedes-Benz, BMW und Siemens verschiedene KI-Ansätze ein. Beispielsweise wird jedes neue Mercedes-Benz-Fahrzeug ab 2024 mit einer neuartigen, Software-definierten KI-Computing-Architektur ausgestattet sein, die einen leistungsstarken GPU-Computer, Systemsoftware und Anwendungen für Verbraucher umfasst. Dies markiert einen Wendepunkt, an dem herkömmliche Fahrzeuge zu leistungsstarken, aktualisierbaren Computern werden.
Mit der Nvidia Omniverse Platform wiederum revolutioniert BMW die virtuelle Planung und das Engineering für hochkomplexe Fertigungssysteme. Sie ermöglicht die Verbindung verschiedener Anwendungen mit uneingeschränkter Kompatibilität, was die Geschwindigkeit, Präzision und Effizienz des Planungsprozesses erheblich steigert.
Durch die Kombination physikalisch basierter digitaler Modelle von Siemens mit Echtzeit-KI von Nvidia arbeiten beide Unternehmen zusammen daran, jede Branche zu verändern, indem sie eine KI-basierte Plattform für industrielle digitale Zwillinge bereitstellen, die heute nahezu jedes technische Projekt von erheblicher Komplexität unterstützen kann.
KI verständlich und vertrauenswürdig machen
Unser Vertrauen in die KI wird weitgehend davon abhängen, wie gut wir sie verstehen – erklärbare KI wird dazu beitragen, die »Black Box« der Komplexität von KI-Modellen zu verstehen. Banken nutzen KI, um zu entscheiden, ob und in welcher Höhe sie ihren Kunden Kredite gewähren. Radiologische Abteilungen setzen KI ein, um zwischen gesundem Gewebe und Tumoren zu unterscheiden. Und Personalabteilungen setzen KI ein, um herauszufinden, welche von Hunderten von Lebensläufen an die Personalverantwortlichen weitergeleitet werden sollen.
Hier steht viel auf dem Spiel, und deshalb werden Unternehmen und Regierungen, die KI und maschinelles Lernen einsetzen, zunehmend dazu angehalten, zu erklären, wie ihre KI-Modelle Entscheidungen treffen.
Explainable AI, auch als XAI abgekürzt, ist eine Reihe von Tools und Techniken, die von Unternehmen eingesetzt werden, um den Menschen zu helfen, besser zu verstehen, warum ein Modell bestimmte Entscheidungen trifft und wie es funktioniert.
XAI ist eine Reihe von Best Practices, die sich einige der Verfahren und Regeln zunutze machen, die Datenwissenschaftler seit Jahren verwenden, um anderen verstehen zu helfen, wie ein Modell trainiert wird. Wenn wir wissen, wie und mit welchen Daten ein Modell trainiert wurde, können wir besser verstehen, wann es sinnvoll ist, dieses Modell zu verwenden, und wann nicht. Außerdem wird deutlich, welche Quellen der Verzerrung das Modell möglicherweise ausgesetzt war.
Darüber hinaus hat XAI eine Reihe von Gestaltungsprinzipien: Forscher konzentrieren sich zunehmend auf die Vereinfachung des Aufbaus von KI-Systemen, um sie von vornherein leichter verständlich zu machen. In dem Maße, wie die KI-Systeme leichter zu verstehen sind, können die Trainingsmodelle weiter verfeinert werden, indem diese Erkenntnisse in sie einfließen.
Dies führt zu dem Bereich der Vertrauenswürdigkeit. Die KI-Technologie ist in der Lage, die Herausforderungen unserer Zeit zu bewältigen, aber dazu müssen wir ihren Ergebnissen vertrauen können. Vertrauenswürdige KI ist ein Begriff, der verwendet wird, um KI-Modelle zu beschreiben, die eine Reihe von Kriterien wie Transparenz und Erklärbarkeit erfüllen.
Das Deloitte-Rahmenwerk für vertrauenswürdige KI führt zum Beispiel sechs Schlüsselkriterien auf, die KI erfüllen muss, um unser Vertrauen zu gewinnen: fair & unparteiisch, robust & zuverlässig, Wahrung der Privatsphäre, sicher & geschützt, verantwortungsbewusst & rechenschaftspflichtig, transparent & nachvollziehbar.
Die nächsten Schritte der KI
Die größte Stärke der KI liegt in der Vereinfachung unglaublich komplexer Probleme. Dies wird Unternehmen dabei helfen, einige unserer größten geschäftlichen Herausforderungen mit neuen Anwendungen zu bewältigen, die KI-Inferenzen auf Daten nahezu in Echtzeit durchführen können.
Neue Edge-KI-Anwendungen treiben das Wachstum intelligenter Räume voran, darunter die intelligente Fabrik. Diese Fabriken nutzen Kameras und andere Sensoren zur Inspektion und vorausschauenden Wartung. Die Erkennung ist jedoch nur der erste Schritt; sobald etwas erkannt wurde, müssen Maßnahmen ergriffen werden. Dies erfordert eine Verbindung zwischen der KI-Anwendung, die die Schlüsse zieht, und den OT-Systemen, die die Fabrik verwalten.
Damit KI ihr Potenzial voll ausschöpfen kann, müssen Unternehmen, die KI-Systeme einsetzen, aber auch das Problem der unerwünschten Verzerrung und Diskriminierung in ihren Algorithmen angehen. Wenn unerwünschte Voreingenommenheit nicht beseitigt wird, kann die Macht der KI bestehende gesellschaftliche Ungleichheiten verstärken und Gemeinschaften und Gruppen mehr Schaden als Nutzen bringen.
Der Autor
Jens Neuschäfer ist PR-Manager bei Nvidia.
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
Künstliche Intelligenz ChatGPT
Hausaufgaben übernimmt die KI - Schulen und Unis müssen umdenken
Edge-KI-Prozessoren
KI-Leistung in Embedded-Plattformen steigern
Internet of Things
IoT-Konferenz weist den Weg ins Industrial Metaverse
KI und Ethik
Mehr Transparenz für KI-Modelle und Datensätze
Engineering smarter digitaler Ökosysteme
Das Unbeherrschbare beherrschbar machen
KI-Chips
USA beschränken Export
Nvidia
Die Geschäfte sind und bleiben schwierig
