Artificial Intelligence (Part II) – was ist heute möglich
September 19, 2019
Aus dem CAS Disruptive Technologies mit Dr. Marcel Blattner berichtet Christof Arnet über Artificial Intelligence (Part II).
Marcel kündigte bereits heute Morgen an, dass wir am heutigen Tag eine geballte Ladung an Informationen zu Artificial Intelligence (AI) und Machine Learning erhalten werden. Wichtig für Marcel ist, dass das Thema AI (Deutsch Künstliche Intelligenz – KI) im Zeitalter der Digitalisierung richtig zu positionieren. Übereifrige Journalisten und Meinungsbildner verfälschen leider das Bild all zu oft.
Technologie hat heutzutage einen starken Einfluss wie nie zuvor. Doch sie ist kein Selbstläufer und kreiert auch keine neuen Geschäftsmodelle von selbst. Es braucht weiterhin Menschen mit dem richtigen Mindset und Wissen. AI-Anwendungsfälle müssen sinnvoll in die Geschäftswelt transportiert werden.
Deshalb ist der Nachmittag geprägt von verschiedenen Praxisbeispielen um das «Hype-Thema AI»auf den Boden der Realität zu bringen. Bevor Marcel jedoch in die Beispiele einsteigt, betont er nochmals klar, dass die Künstliche Intelligenz per heute keine Kausalzusammenhänge prozessieren kann. Zum Beispiel spannen wir bei Regen einen Schirm auf und nicht umgekehrt – es beginnt nicht zu regnen, wenn wir einen Schirm aufspannen.
Das bedeutet, AI-Vorhersagen beruhen heute lediglich auf Korrelationen. Beispielsweise korrelieren bestimmte Vorlagen an Pixeln mit einem Katzenbild oder einem Bild eines Hundes. Bestimmte Gesichtszüge können in Zusammenhang mit Gesichtszügen von Verbrechern stehen usw.
Geschichte
Am Vormittag haben wir zusätzlich gelernt, dass AI nicht neu ist. Bevor in den 80er Jahren der AI Winter Einzug hält, gab es ähnliche Fragestellungen die zurück gehen in die 50er/60er Jahre. Damals gab es Fragestellungen wie beispielsweise, werden wir alle die Stelle verlieren und abgelöst durch Computer? Oder werden Computer zukünftig wie menschliche Wesen selber denken können?
Inzwischen gibt es verschiedene Anwendungsbeispiele die heute bereits im Einsatz sind und spezifischen Mehrwert generieren.
Marketing – Marketing Model Mix
Bei der Modellierung des Marketing-Mix werden die langfristigen Beziehungen zwischen Marketingausgaben und der vergangenen Geschäftsentwicklung angeschaut. Dadurch wird ersichtlich wie die verschiedenen Media Channels Einfluss haben.
Am Beispiel von Tamedia war das Ziel, die Zielgruppen zu maximieren basierend maschineller Auswertungen (Korrelationsmodelle). Die Maschine gibt Vorschläge welche Kanäle relevant sind für eine bestimmte Campagne oder Medienmitteilungen. Das unten stehende Bild veranschaulicht die Optimierung der Budget-Allokation auf Basis maschineller Vorschläge.
Key Faktoren in diesem Beispiel:
- Verfügbarkeit der Daten sowie die Datenqualität sind entscheidend
- Eine realistische Erwartungshaltung an Ergebnisse ist zentral
- Geringe Komplexität des Modells ist wichtig
- Nicht jeder Schritt zur Optimierung kann automatisch abgewickelt werden
Weitere Beispiele aus der Praxis:
Journalismus – App#12
Immer um 12 werden die besten 12 Storys aus allen deutschsprachigen Zeitungen und Zeitschriften bereitgestellt. Die Aufgabenstellung der App #12 ist, bestehende Artikel so umzuschreiben, damit eine grössere Masse erreicht wird auf der Basis maschineller Vorschläge.
Lösungsansatz und Methode:
Interessanterweise zeigten verschiedene Versuche das die Maschine, im Vergleich zu den Auswertungen der Redaktoren, jeweils unter den Top 3 war. Der Mix aus beiden – Redaktor & Maschine – ergab jedoch das beste Resultat mit signifikanten Zeitersparnissen und einer grösseren Reichweite der ausgewählten Artikel.
Sprachsysteme – Beispiel Google Duplex
Google hat viel Zeit in ein KI-System investiert und mit Google Duplex ein Sprachsystem entwickelt, dass in Auftrag von Nutzern selbständig einen Tisch im Restaurant reservieren kann. Eindrücklich ist, dass das System eigenständig eine Konversation führen kann, die einem Menschen sehr ähnlich kommt. Hört selber hin:
Anwendungsbeispiele
Die Einsatzgebiete und das Potential von maschinellem Lernen sind vielfältig. Verschiedene Anwendungsbereiche aus verschiedenen Industrien sehen vielversprechend für die Zukunft aus. Doch die Anforderungen sind je nach Branche und Analysezweck unterschiedlich. Es ist deshalb schier unmöglich Anwendungsfälle von anderen Industrien zu replizieren. So sind beispielsweise Risikoanalysen, die wir schon länger aus der Finanzbranche kennen, nicht 1:1 übertragbar auf andere Branchen.
Herausforderungen & Risiken
Intelligenz entsteht immer durch Lernen. Das ist bei uns Menschen wie auch bei Maschinen so. Systeme werden mit Trainingsdaten von Menschen gefüttert und trainiert. Werden «falsche»Trainingsdaten oder nicht existente Korrelationen verwendet, führt dies schnell zu falschen Ergebnissen. Zudem fehlt die Neutralität, wenn beispielsweise ein Chatbot nur durch menschliche Interaktion trainiert wird. Beispiele wie ein Chatbot der auf Provokationen mit Beschimpfungen sich äussert oder in der Google Suche dunkelhäutige Menschen als Gorillas erkennt gibt es bereits. Das unschöne an den beiden Beispielen ist, dass diese Modelle nicht mehr anpassbar sind, da die Trainingssets überall auf der Welt verteilt sind. Das verdeutlicht die Komplexität, fehlende Transparenz und Nachvollziehbarkeit von AI-Algorithmen.
Eine weitere grosse Herausforderung die sich stellt, sind die «Interaction Bias», «Selection Bias» wie auch die «Latent Bias». «Interaction Bias» produzieren wir Nutzer und führen so die Verzerrung herbei in dem wir gewollt oder ungewollt in der Google Suche unser Rating abgeben.
Ausblick
Vieles deutet darauf hin, dass AI-Algorithmen unsere Gesellschaft in verschiedenen Bereichen beeinflussen wird. Auf die Lösung all unserer Probleme können wir jedoch (noch) nicht hoffen. Weiterhin sind die Ängste unbegründet, dass die Maschinen den Menschen ersetzen werden. Es liegt jedoch auf der Hand, dass Mensch & Maschine in Zukunft enger zusammenarbeiten werden.
Nebst den technischen Herausforderungen wird zwingend eine interdisziplinäre Kultur in die Bereichen der Forschung, Industrie und Politik benötigt um AI-Algorithmen für die Gesellschaft gewinnbringend einzusetzen.
Ein weiterer Aspekt der Erweiterung menschlicher Fähigkeiten sucht die Biohacking Community, welche sich kontinuierlich vergrössert. Unter Biohacking versteht man, die eigene Biologie, also den eigenen Körper kennenzulernen und so gut zu verstehen, dass er optimiert werden kann. Einige Eindrücke hierzu gibt es hier.
Key take aways vom heutigen Tag
- Die Meinung was AI ist und was AI kann wird aus Marketinggründen stark durch die Industrie getrieben und verfälscht
- AI Systeme haben ihre Grenzen –spezifische Aufgaben können jedoch bereits heute gut gelöst werden – Intent und Anwendung ist der entscheidende Faktor
- Trainingssets basieren auf historischen Daten die durch Menschen generiert werden –Fehlende Neutralität und Verzerrung sind Folgen daraus
- Es gibt heute keine gesetzliche Grundlage für Modelle/Maschinen – spezifische Ausbildungsmöglichkeiten und Regulierungen sind notwendig
- AI ist Realität – eine Standardisierung in gewissen Bereichen ist wünschenswert und politische Diskussionen sind notwendig
Weitere interessante Informationen zum Thema
- Sight – Short Sci Fi (Video)
- Journey Neural Net – DeepDream (Video)
- Boston Dynamics (Video)
- AI – Composer (Video)
- LipNet (Video)
- TED Talk Neil Harbisson (Video)
- Heute entscheiden Algorithmen über die Kreditwürdigkeit (Artikel)
- Bias and algorithms (Artikel)
- Ethics and AI (Artikel)