KI und ML in der Schweiz – Forschung Top, Einsatz Flop

Künstliche Intelligenz (KI) und lernende Maschinen (ML) sind Begriffe, mit welchen wir uns im Zuge der fortschreitenden Digitalisierung immer öfter konfrontiert sehen. «Fokus» hat mit einem, unter anderem von Google, prämierten Experten gesprochen. 

Herr Philippe Cudré-Mauroux, wie funktionieren künstliche Intelligenz und maschinelles Lernen?

Künstliche Intelligenz (KI) ist ein breit gefächertes, ziemlich altes Gebiet der Informatik, auf dem man versucht, menschliche Intelligenz mit Hilfe von Rechenwerkzeugen nachzubilden oder zu simulieren. Ursprünglich wurde zu diesem Zweck viel mit Logik gearbeitet, wobei Maschinelles Lernen basierend auf statistischen Methoden heute viel stärker im Vordergrund steht und auch am effektivsten ist. Maschinelles Lernen (ML) ist ein Teilbereich der KI, in dem man versucht, Algorithmen und Systeme zu bauen, die sich durch wiederholte Interaktionen verbessern.

Was sind hierbei die Vor- und Nachteile? 

Die Hauptvorteile sind Effizienz und Effektivität; ein gutes ML-Modell kann bereits heute bestimmte repetitive Aufgaben besser und schneller erledigen als Menschen – zum Beispiel grosse Datensätze sichten und daraus Werte, Trends oder Anomalien extrahieren. Der grosse Nachteil ist, dass das korrekte Trainieren und Einsetzen komplexer ML-Modelle heutzutage sehr hohe Investitionen erfordert und traditionelle IT-Abteilungen dafür nicht ausgerüstet sind. Die Unternehmen müssen dazu Spezialisten einstellen und neue Tools einsetzen. Auch das Testen und Debuggen dieser Modelle stellt heute noch eine Herausforderung dar; nicht selten wird im Lab ein Modell entwickelt, das auf dem Papier grossartig, in der Praxis aber nutzlos ist.

Die Hauptvorteile sind Effizienz und Effektivität; ein gutes ML-Modell kann bereits heute bestimmte repetitive Aufgaben besser und schneller erledigen als Menschen. Philippe Cudré-Mauroux

Wie können KI und ML am effektivsten in der Industrie eingesetzt werden?

In Use-Cases, wo viele Daten zum Trainieren eines statistischen Modells vorhanden sind, ist ML am effektivsten; es eignet sich hervorragend für spezialisierte, repetitive Aufgaben. Heutzutage sind dies hauptsächlich zwei Anwendungsgebiete: Klassifikation, bei der versucht wird, Daten in vorgegebene Gruppen zu klassifizieren, beispielsweise um Kunden zu klassifizieren, und Regression, die meist für die Vorhersage von Werten verwendet wird, wie etwa zur Vorhersage des Emissionsniveaus einer Maschine.

Was müssen Unternehmen, die KI und ML einsetzen möchten, beachten? 

ML ist in der Praxis äusserst vielversprechend und lohnend, aber auch sehr schwierig einzusetzen. Unternehmen müssen bedenken, dass das Einstellen von Spezialisten sehr kostspielig und schwierig ist. Zudem müssen sie sich um grosse, qualitativ-hochwertige Daten kümmern, die für das Trainieren von Modellen erforderlich sind. Sie dürfen ausserdem nicht vergessen, dass es sich bei diesen Modellen um Black Boxes handelt, die sehr schwierig zu debuggen und zu prüfen sind. Die meisten von ihnen weisen versteckte Verzerrungen auf, die äusserst schwer zu erkennen sind. Und schliesslich müssen sie die Grenzen der heutigen Modelle verstehen; sie sind ausgeklügelt und nützlich, weisen aber keine Form von Vernunft oder allgemeiner menschlicher Intelligenz auf.

ML ist in der Praxis äusserst vielversprechend und lohnend, aber auch sehr schwierig einzusetzen. Philippe Cudré-Mauroux

Ich habe gelesen, dass es vier verschiedene Arten von ML gibt. Was sind die Unterschiede? Welche Typen werden wofür verwendet?

Heute kann man ein Modell unter Verwendung von vier Arten von Lernalgorithmen trainieren: supervised learning lernt aus einer grossen Anzahl von Beispielen aus der Vergangenheit («gelabelte» Daten) während unsupervised learning versucht, Muster oder Anomalien in rohen, «ungelabelten» Daten zu finden. Beim semi-supervised learning lernt das Modell sowohl aus gelabelten Daten als auch aus grossen Mengen ungelabelter Daten und reinforcement learning setzt auf wiederholte Interaktion mit einer Simulation. Sowohl supervised als auch semi-supervised Techniken werden in der Praxis weitgehend eingesetzt, während die beiden anderen Typen noch auf spezifische Use-Cases beschränkt sind.

Was sind die grössten Herausforderungen in Bezug auf KI? 

Die grösste Herausforderung besteht darin, die Grenzen der heutigen statistischen Modelle zu verstehen. Sie sind sehr komplex und leistungsfähig, aber auch sehr schwierig zu implementieren und können nicht auf breitere Anwendungsgebiete verallgemeinert werden. Es liegen noch viele weitere technische Herausforderungen vor uns; eine davon ist die Entwicklung effektiver Trainingsmethoden für «Small Data», zum Beispiel few-shot learning. Die wichtigste langfristige Herausforderung besteht darin, Modelle der Künstlichen Allgemeinen Intelligenz (AGI) zu entwickeln. Diese wären in der Lage, komplexe Aufträge wie Menschen zu erlernen und verstehen. Zum gegenwärtigen Zeitpunkt sind wir jedoch weit davon entfernt, solche Modelle entwickeln zu können.

Wie würden Sie den Stand von KI und ML in der Schweiz beurteilen? Wie stehen wir im internationalen Vergleich da? 

Europa und insbesondere die Schweiz sind in Bezug auf die KI- und ML-Forschung sehr gut aufgestellt. Geht es aber um den Einsatz moderner KI- und ML-Modellen, sind sie weitgehend im Rückstand. Die USA sind dabei der klare Gewinner und China ein starker Konkurrent. Diese Themen sind so komplex und strategisch wichtig, dass sie eine «The winner takes it all»-Situation geschaffen haben. 95 Prozent der Unternehmen werden versuchen müssen, mit Technikgiganten gleichziehen müssen, um wettbewerbsfähig zu bleiben.

Zur Person

Philippe Cudré-Mauroux ist Direktor des eXascale Infolabs und Professor für Informatik an der Universität Fribourg. Bevor er an die Universität Fribourg kam, arbeitete er an Infrastrukturen für Informationsmanagement bei IBM Watson (NY), Microsoft Research Asia and Silicon Valley und am MIT. Kürzlich gewann er den Verisign Internet Infrastructures Award, einen Preis des Schweizerischen Nationalen Forschungszentrums, einen Google Faculty Research Award sowie einen Zuschuss vom Europäischen Forschungsrat. Sein Forschungsinteresse gilt NextGen-Infrastrukturen für Big Data und KI.

 

 

Interview Patrik Biberstein