Trotzdem setzt unsere gesamte Rechtsprechung voraus, etwa bei der Definition des Schuldprinzips, dass der Mensch sich als geistig-sittliches Wesen in freier Selbstbestimmung zu seinem Handeln entscheiden kann. Liest man aktuelle Berichte über unsere Lieblingsdatenmonopolisten wie Google, Amazon oder Facebook oder über neuere KI-Anwendungen bis hin zum autonomen Autofahren, dann droht dem Menschen der freie Wille abhanden zu kommen. Denn immer mehr entscheiden wir ja gar nicht mehr selbst, verstehen die Grundlagen unsere Entscheidungen nicht mehr, sondern irgendwelche Algorithmen entscheiden für uns. Beim Online Shopping hält Amazon für jeden seiner Kunden ein anderes Einkaufserlebnis bereit. Denn die Suchalgorithmen kennen deren Geschmack oder glauben, ihn zu kennen und schlagen ihnen nur Dinge zum Kauf vor, die zu ihrem jeweiligen früheren Einkaufsverhalten passen.

Google findet nur, was Werbegeld bringt oder zu meiner Informationsblase gehört. Und wenn dann erst der Algorithmus entscheidet, ob ich kreditwürdig bin oder ob mein Auto in einer unvermeidbaren Unfallsituation lieber vor einen Baum fährt und mein Leben gefährdet, anstatt in eine Gruppe Kinder zu fahren, entsteht spätestens dann der Eindruck, dass Algorithmen die Macht übernehmen und unser freier Wille in die Cloud abwandert. Es kommt damit ein Unterton in die Berichterstattung, wie man ihn von vielen Verschwörungstheorien kennt und der Algorithmus scheint ein eigenes Wollen zu entwickeln und „böse“ zu werden.

Algorithmen sind Handlungsvorschriften, die die Lösung eines komplexeren Problems in Teilschritte zerlegen und jedem ein klares Programm liefern, diese Probleme zu lösen. Spätestens seit Einführung in die Dreisatzrechnung haben wir uns alle mit Algorithmen beschäftigt und ihren Nutzen schätzen gelernt. Algorithmen sind in gewissem Sinne Kochrezepte. Allerdings unterscheiden wir bei Kochrezepten in der Beurteilung nicht so richtig zwischen der eigentlichen Handlungsanweisung, ein Gericht zuzubereiten, und dem Gericht selbst. So kann die Handlungsanweisung zur Zubereitung von Rahmspinat ganz toll sein, aber ich werde das Ergebnis nie mögen. Oder IKEA Möbel – sie sind oft ganz praktisch, aber die Aufbauanleitung…?!

Algorithmen können also sicher gut oder schlecht sein, aber böse? Natürlich kann ein Mensch auch Algorithmen nutzen, um einen bösen Zweck zu verfolgen – wie Rahmspinat für mich kochen – aber der Algorithmus selbst? Und wir sind es doch schon lange gewohnt, dass Algorithmen für uns entscheiden. Denn über die Auslösung der Airbags oder der Notfallbremsung entscheidet schon lang ein Algorithmus für uns, weil der es eben schneller und besser kann als wir. Und bis auf wenige Hardcore-Sportwagenfahrer verlassen wir uns darauf und würden nicht auf die Idee kommen, das ESP in unserem Auto abzustellen, oder?!

Nun werden aber Algorithmen zunehmend auch in Entscheidungssituationen eingesetzt, in denen es nicht mehr um den Ersatz physischer Reaktionen geht, wo der Computer eben oft einfach schneller ist als der Mensch, sondern auch in der Bewertung von Menschen und ihren Fähigkeiten. So werden mindestens bei der Erstbewertung von Stellenbewerbern oft schon Algorithmen eingesetzt. Auch die Kreditwürdigkeit von Menschen wird nicht mehr vom menschlichen Finanzberater eingeschätzt, sondern von Algorithmen. Kann das richtig sein, dass so unser berufliches oder wirtschaftliches Schicksal von Algorithmen abhängt und wir nicht mehr als Mensch von Menschen beurteilt werden, die uns vielleicht doch ganzheitlicher sehen können?

Neben diesem Unwohlsein, nicht nur die Entscheidung, welches Buch wir lesen oder welchen Film oder welche Werbung wir schauen, einem Computer zu überlassen, sondern besonders die für den weiteren Verlauf unseres Lebens wesentlichen Wegweisungen, kommt oft noch hinzu, dass diese Algorithmen, die sich vielfach selbstlernend aus der Analyse von realen Daten entwickeln, nicht immer politisch korrekt entscheiden. Da könnte bei der Einstufung in die Krankenversicherung plötzlich der Raucher bessere Tarife bekommen als der Nichtraucher oder der Mann bessere als die Frau. Auch bei anderen Entscheidungen würden vielleicht Faktoren in die Entscheidungen einfließen, die wir aus berechtigten Gründen gesellschaftlich nicht zulassen wollen.

Es stellt sich die Frage, ob wir Entscheidungen überhaupt noch zulassen, die auf menschlichem Bauchgefühl und Erfahrungswissen getroffen wurden und nicht irgendwie objektivierbare und quasi-algorithmische Rechtfertigungen für unsere Entscheidungen verlangen. Lehrer wissen heute, dass sie besser ausreichend hart dokumentierte Fakten bereithalten, wenn sie etwa eine Versetzung ablehnen wollen, denn die Bereitschaft der Eltern zu juristischen Interventionen ist groß. Der Lehrer sollte besser algorithmisch begründen können, warum der eine Schüler noch versetzt wurde und der andere nicht. Gleiches gilt bei der Reaktion auf Stellenbewerber, Mieter, Kreditnehmer oder auch bei Beförderungen. Wir wollen zwar nicht, dass ein Algorithmus über uns entscheidet, aber der Mensch, der über uns entscheidet, muss hinterher mindestens so tun können als hätte er vollkommen objektiv, nur an Fakten orientiert und nicht durch Vorurteile beeinflusst – also quasi algorithmisch – geurteilt.

In vielen betriebswirtschaftlichen Vorgängen wird dieser Drang zum pseudo-algorithmischen Vorgehen auf die Spitze getrieben. Mein absoluter Liebling ist der Einkauf (bei anderen Business Cases beobachtet man Ähnliches, aber nirgendwo so offensichtlich) etwa von einem IT-Dienstleister für ein großes Projekt. Als CIO weiß ich in der Regel, wer das kann, wer die richtigen Leute hat, wer das Problem und die Technologie versteht sowie die nötige Qualität und Verlässlichkeit liefert etc.  Aber Compliance hat mich im Verdacht, mit alten Kumpels zu arbeiten, wenn nicht gar bestechlich zu sein. Der Einkauf hält mich für unfähig, eine preiswerte Lösung zu finden. Das Management findet sowieso alles zu teuer usw. Deshalb denke ich mir tolle, objektive Bewertungskriterien aus, die ich mit einem Gewicht versehe und so eine für alle Seiten absolut unangreifbare, praktisch algorithmische Entscheidung für die Lieferantenauswahl treffe. Als CIO muss ich das, wie die Mathematiker sagen, inverse Problem lösen: Welche Bewertungskriterien muss ich mit welchen Gewichtungen vor der Lieferantenauswahl festlegen, damit hinterher sicher der Kandidat herauskommt, den ich vorher schon haben wollte?

Sollen wir nun Algorithmen, von Big Data und unserer selbstlernenden KI entwickelt, das Entscheiden überlassen oder dem Bauchgefühl und der Erfahrung des Menschen vertrauen? Auf jeden Fall müssen wir dem Algorithmus unsere Werte und unser Wollen mitgeben und wir müssen seine Ergebnisse immer wieder einer Bewertung und Kontrolle unterziehen. Aber vielfach sind sie einfach viel effizienter und effektiver als der Mensch. Andererseits plädiere ich auch dafür, die menschliche Entscheidung basierend auf Erfahrung und Bauchgefühl genauso zu akzeptieren und nicht immer eine pseudo-algorithmische Objektivität zu verlangen. Denn in manchen Situationen ist dies immer noch der bessere Weg. Aber böse sind Algorithmen nie, sondern nur der Mensch, der ihnen falsche Ziele vorgibt! Ich sage nur: Rahmspinat!

Der Beitrag Über die bösen Algorithmen erschien zuerst auf ACENT AG.

Der Beitrag KI – Mit klaren Zielen zum Quick Win erschien zuerst auf ACENT AG.

Die Umsetzung einzelner Maßnahmen würde teilweise immense Kosten z.B. durch die Umprogrammierung der Anwendungen verursachen. Häufig sind die Budgets dafür nicht vorhanden oder die Entwickler sind in Projekten verplant, die die strategische Position des Unternehmens entscheidend verbessern oder die Entwickler sind in Rente oder bei anderen Unternehmen oder der Lieferant der Software ist insolvent oder gar nicht mehr am Markt.

Welchen konkreten Sicherheitsgewinn bringt es, wenn es z.B. keine Systeme mit einem CVSS > 0¹⁾ gibt? Welches Sicherheitsniveau müssen ein Geschäftsführer und verantwortliche Personen für ihr Unternehmen einhalten? Diese sehen sich in der jüngeren Zeit zunehmend persönlichen Haftungsthemen – und das nicht nur durch die DSGVO – gegenüber.

In der IT ermitteln Auditoren die strukturelle und die Prozess-Qualität. Tiger Teams mit Penetration Tests stehen für die Ergebnis-Qualität. Spätestens dann wird sichtbar, ob die Maßnahmen erfolgreich sind. Allerdings hängt es von der individuellen Erfahrung dieser Teams ab, wie erfolgreich sie beim Aufdecken der Schwachstellen sind. In Bezug auf Kosten und Haftung erzeugt dieses ein eher ungutes Gefühl.

Wie gehen nun andere Branchen vor? Die Automobilindustrie verwendet normierte Crash Tests mit Dummies, um das Sicherheitsrisiko für die Insassen abzuschätzen. In diesem realen Test stellt sich heraus, ob die theoretischen – sprich strukturellen – Annahmen bei der Konstruktion des Fahrzeuges zum gewünschten Ergebnis führen.

Wenn KI für Angriffe gegen Systeme verwendet wird, wäre mit Hilfe der KI es nun nicht denkbar, virtuelle Tiger Teams mit normierter Fähigkeit auf ein System anzusetzen? Diese würden eine Art Security Crash Test durchführen. Je nach eingesetztem virtuellen Tiger Team wiese dann das System ein definiertes Sicherheitsniveau auf.

Prinzipiell sind komplexe Systeme nicht vollständig abschottbar und bleiben zumindest vulnerabel gegenüber Advanced Persistent Threats, wie sie insbesondere von staatlichen Organisationen ausgehen. Von daher ist immer mit erfolgreichen Angriffen zu rechnen, die es gilt, so schnell wie möglich als solche zu identifizieren. Hierzu bieten z.B. SIEM (Security Information and Event Systems) die Möglichkeit, abnormales Systemverhalten zu analysieren. Die dabei anfallenden Datenmengen sind immens und schon in kleineren Unternehmen und Organisationen nicht mehr manuell in Realtime zu interpretieren.

Die Entwicklung von Regeln ist nicht trivial und eine Vielzahl an Fehlalarmen wird das Vertrauen in die Technologie untergraben. Auch hier gibt es vielversprechende KI Ansätze, für die diese Systemwelten eine gewisse Stabilität und inhärente Vorhersagbarkeit aufweisen müssen.

Mit der KI hat die Informatik den Menschen ein mächtiges Werkzeug in die Hand gegeben. Auf ihr ruhen viele Hoffnungen auf eine Verbesserung der Arbeitswelt und disruptiven Anwendungen bei den Unternehmen. Wie ich versuchte darzustellen, ist dieses auch eine komplexe Technologie, bei der es nicht nur Licht sondern auch Schatten gibt. Lassen sie uns daher bei dem Einsatz der KI immer erst nachdenken, damit es uns nicht wie dem Goetheschen Zauberlehrling ergeht: „Herr, die Not ist groß! Die ich rief, die Geister, werd ich nun nicht los.“

Erläuterung:

1) Der CVSS oder Common Vulnerability Score System ist ein Industriestandard für die Schwere einer Sicherheitslücke in einem System (1 = niedrig, 10 = hoch)

Der Beitrag Historie der KI erschien zuerst auf ACENT AG.

Ein anderes erfolgreiches Beispiel ist die KI-Anwendung einer Messe. Ein Unternehmen möchte gerne einen Kongress zu einem speziellen Thema veranstalten.  Die Anwendung sieht nun vor, dass das Thema (Wort) eingegeben wird. Das Ergebnis ist eine Liste all derer, die an dem Thema geforscht und veröffentlicht haben inkl. der Bewertung der Veröffentlichung, Auftritte als Redner, … und dient somit zur erleichterten Kongressplanung.

Wie bei jedem Hype wird auch in der KI derzeit viel versprochen, was bei einer näheren Betrachtung nicht immer standhält. Die Spracherkennung und auch die Bilderkennung weisen weiterhin Schwächen auf, für deren Behebung die menschlichen Mitarbeiter von den vier Unternehmen der GAFA z.B. als Clickworker¹⁾ eingesetzt werden. Verstörend dabei ist, dass solche Maßnahmen nicht proaktiv kommuniziert werden. Vielleicht gilt es, den Mythos der Perfektion zu bewahren, der diese Unternehmen so wertvoll macht.

Einen Sozialwissenschaftler verwundert es nicht, wenn das System sich nicht nur an den Menschen, sondern der Mensch auch an das System anpasst. Was bei KI Systemen unvollkommen ist, wird vom Menschen ausgeglichen. Hat der Mähroboter Probleme mit der Geometrie des Gartens, so werden wir den Garten anpassen. Verfängt sich der Saugroboter immer an einer bestimmten Stelle, so werden wir die Möbel verrücken. Verleiten Siri oder Alexa nicht zu klaren Kommandos: Alexa, Licht an! Siri, Licht aus!?

In vielen Köpfen – auch von Politikern – geistert herum, dass von nun an alles einfacher, schneller und günstiger würde. Es sei keine Programmierung mehr notwendig. Man müsse nur schnell das System mit den neuen Gesetzes-Vorschriften trainieren und Voilà … !

Nun ist der Preis für den Verzicht von expliziten Wissensregeln – wie zuvor beschrieben – die Verwendung teilweise sehr großer und vor allem geeigneter Datenmengen. Ein geeignetes, neuronales Netzwerk muss herangezogen und die sehr großen Datenmengen müssen, um ein effizientes Training zu gewährleisten, einem aufwendigen Preprocessing bzw. einer Data  Preparation unterworfen werden. Bisweilen stellt es sich erst im Nachherein heraus, dass die Daten²⁾ sich nicht eignen, wenn dieses überhaupt erkannt wird. Ferner sollten ein geeignetes Netz und ein hierfür passendes Trainingsverfahren ausgewählt werden. Darüber hinaus sollte von Anfang an Klarheit herrschen, welche der Daten zum Training und welche zum Testen genutzt werden. Klar ist auf jeden Fall, dass vieles anders ist. Ob dann aber alles einfacher, günstiger und schneller wird?

Teil 5 zum Thema Security mit einem Fazit zur Blogserie erscheint in Kürze.

Quellen:

1) https://www.bernerzeitung.ch/digital/daten/sie-hoeren-auch-bedrohungen-und-uebergriffe-mit-an/story/25871776; Clickworker sind selbstständige Heimarbeiter, die Kleinstaufträge mittels Crowdsourcing Plattformen handhaben, wie Amazon Mechanical Turk

2) Algorithmen der Haftzeitabschätzung USA: https://www.deutschlandfunknova.de/beitrag/usa-algorithmus-diskriminiert-schwarze-straftaeter

Der Beitrag Historie der KI erschien zuerst auf ACENT AG.

Als ich vor gut 35 Jahren nach meiner Promotion an das Wissenschaftliche Zentrum der IBM in Heidelberg wechselte, begannen dort gerade auch eine ganze Reihe von Projekten über natürlichsprachliche Schnittstellen zu relationalen Datenbanken, Expertensystemen für Verkehrsrecht, Spracherkennung, maschineller Übersetzung, neuronalen Netzen und allem anderen, was damals gerade HYPE war. Und natürlich war auch damals schon alles KI.

Auf einer Tagung habe ich dann einen der damaligen KI-Päpste in der deutschen Szene um eine Definition des Begriffes KI gebeten. Seine Antwort: Ein System hat KI, wenn es eine Aufgabe löst, zu der ein Mensch Intelligenz benötigt. So richtig hat mir das damals nicht geholfen, denn die beste Definition für menschliche Intelligenz war zu der Zeit: Das ist das, was der Intelligenztest misst. Man hatte also nur einen nicht-definierten Begriff durch einen anderen nicht-definierten Begriff ersetzt. Diese Methode setzte man auch in der Psychoanalyse und der Anthroposophie gerne ein. Karl Popper würde deshalb wohl heute weite Teile der jetzigen KI-Szene eher als Pseudowissenschaft bezeichnen. Aber ich wusste damals wenigstens, dass mein Taschenrechner KI hat.

Nun kann ich auch als Mathematiker verstehen, dass man bei neuen Themen eine Zeit braucht, bis man die richtige Definition gefunden hat. In dem Buch von Imre Lakatos „Beweise und Widerlegungen“ findet man eine schöne Geschichte über den Beweis des Eulerschen Polyedersatzes E-K+F=2 (Ecken minus Kanten plus Flächen gleich Zwei, bitte mal für einen Würfel nachrechnen). Da haben sich Gruppen deutscher und französischer Mathematiker heftig bekriegt, weil die einen meinten, einen Beweis gefunden zu haben, die anderen dann ein Gegenbeispiel zu dem Beweis präsentierten, das die ersten wiederum als Monster und nicht als ordentliches Polyeder empfanden usw. Der Disput löste sich erst, als man die richtige Definition gefunden hatte.

Schlimm finde ich nur, dass die IT-Szene sich in den folgenden Jahrzehnten nie wirklich um Klärung der Begrifflichkeit bemüht hat. Es wird weiterhin über KI geredet, ohne zu sagen, was man denn nun meint. Dabei geht es bei neuronalen Netzen doch meist nur um adaptive Schätzer, autonomes Fahren meint Mustererkennung sowie Steuerung und Kontrolle dynamischer Systeme, bei Sprachverarbeitung geht es oft auch nur um Signalverarbeitung und Statistik, und selbstlernende Programme sind etwa in der Numerik und Statistik schon lange bekannt. Da bleibt dann allerdings wenig Geheimnisvolles übrig und weder die Führung von Staaten und Unternehmen noch die Bürger und Mitarbeiter werden verunsichert und zu irrationalem Verhalten veranlasst. Aber die KI-Päpste wussten wie schon die richtigen Päpste sehr genau, dass man nur bedeutungsschwanger vom wabernden Weltwissen reden und die richtigen Bilder von Himmel und Hölle erzeugen muss, um das Geld für die Klöster und Tempel – in der KI Forschungsinstitute und Projektmittel – zu bekommen.

Über die Jahre hat sich in der IT die Neigung, die Welt mit schwammigen, nicht definierten Begriffen zu überschwemmen, noch verstärkt. Dauernd versucht man so den Eindruck zu erwecken, dass da ganz grundlegend Neues entsteht, dass die Welt sich fundamental und disruptiv verändern wird und unbedingte Aufmerksamkeit von den Unternehmenslenkern erfordert – und vor allen Dingen viel Geld für Technologiekäufe und Beraterverträge. Lassen Sie mich das an zwei Beispielen erläutern:

1. Business Intelligence: Klingt auf jeden Fall bedeutend und im Englischen vielleicht sogar ein bisschen bedrohlich, denn Intelligence steht da auch für den Geheimdienst. Angesichts des überschaubaren Wissens vieler Geschäftsbereiche über neue Technologien oder wissenschaftliche Analyseverfahren habe ich den Begriff manchmal eher als Oxymoron empfunden. In der Praxis ging es jedoch nur darum, die vielen gesammelten Daten endlich einmal mit soliden statistischen Verfahren anzusehen, ob man denn nicht Rückschlüsse etwa auf Verhalten und Wünsche der Kunden ableiten könnte. Daraus entstanden dann u.a. die ach so geheimnisumwobenen „Algorithmen“ von Amazon, Facebook oder Google. Neuerdings macht man nun Big Data, denn man – welche Überraschung – kann noch mehr Daten analysieren und dank methodischer Fortschritte in der Sprachverarbeitung auch unstrukturierte Daten analysieren. Wissenschaftlich gesehen auch nicht gerade Nobelpreis-verdächtig.
2. Cloud Computing: Im Jahre 1995 habe ich in der IBM Deutschland die ersten Foliensätze über Network Computing mitproduziert. IBM hatte Client/Server komplett verschlafen und war daran 1992 fast pleite gegangen. Nach Lösung der ökonomischen Kernprobleme brauchte man nun eine neue Story. Client/Server wurde für tot erklärt und der große Paradigmenwechsel zu Network Computing eingeläutet. Es hat natürlich nicht gleich wirklich funktioniert. Deshalb hat man mehrfach den Namen geändert: Application Service Provisioning, Business-On-Demand und irgendwann dann Cloud. Und siehe da: Nach 25 Jahren funktioniert es auch so langsam.

Es wäre schön, wenn wir alle etwas mehr Disziplin und Sachlichkeit in die Diskussion bringen und solche leeren Worthülsen vermeiden würden. Lasst uns doch lieber über das reden, was wirklich passiert. Mit Worten, die eine klare Bedeutung haben.

Und zum Schluss verrate ich Ihnen noch ein Geheimnis. Das muss aber unter uns bleiben! Die einzige Definition, um die die Szene immer wieder mit Intensität und Begeisterung gerungen hat, ist die der Rolle des CIO. Je nach aktueller Technologiedebatte war es ein Chief Process, Data, Digitalisation, IoT, etc. Officer. Die einzige Konstanz über all die Jahre war dabei: Jetzt, mit dieser neuen, bahnbrechenden, disruptiven Technologie, ist IT so wichtig, dass der CIO in den Vorstand muss. Vielleicht sollten wir unsere Energie lieber darauf verwenden, unsere Sprache zu verbessern und mit dem Anwender in klaren und verständlichen Worten über das zu sprechen, was gerade passiert, statt ihm mit immer neuen Nebelwolken den Blick auf seine Zukunft zu versperren. Dann klappt es ja vielleicht auch mal mit dem Vorstand!

Quelle: Imre Lakatos, herausgegeben durch John Worrall und Elie Zahar: Beweise und Widerlegungen: Die Logik mathematischer Entdeckungen (= Wissenschaftstheorie Wissenschaft und Philosophie. Nr. 14). Vieweg Verlag, Braunschweig 1979, ISBN 3-528-08392-1

Der Beitrag What the f*** is AI? erschien zuerst auf ACENT AG.

Eine Schwierigkeit gibt es allerdings: Die Wissensträger geben entweder ihr Wissen nicht preis oder sie können einfach keine Regel formulieren, warum sie diese oder jene Entscheidung tätigen.

Auf Grund seines Wissens fällt der Mensch täglich tausende von Entscheidungen und dieses hinterlässt Spuren. Fällt er diese Entscheidung im Rahmen von Prozessen, die durch die IT abgedeckt werden, dann sind die Spuren dieses Wissens auch in den Daten zu den Prozessen abgespeichert. Nun sind neuronale Netze mathematische Modelle, die aus den Daten zu den Prozessen das genutzte entscheidungsrelevante Wissen nachbilden können. Mit Methoden des „machine learnings“ werden die neuronalen Netze mit den zuvor gespeicherten Daten zu den Entscheidungen trainiert. Der dazu notwendige Aufwand kann mit der heutzutage vorhandenen Rechenleistung und den Rechnerarchitekturen erbracht werden. Somit können das Wissen und damit die Regeln aus den Daten extrahiert und in Form von trainierten, neuronalen Netzen anwendbar gemacht werden.

Lassen Sie uns gedanklich experimentieren: Je komplexer und größer ein neuronales Netz ist, desto potentiell fähiger wird es. Je potentiell fähiger das neuronale Netz ist, desto größer kann die Menge an Trainingsdaten sein und desto mehr Entscheidungen kann es tätigen. Gesetzt den Fall, man hätte die Gesichter aller Menschen der Welt als Trainingsdaten, dann wäre ein neuronales Netz denkbar, das mit sehr geringen Fehlerraten ein beliebiges Gesicht erkennen würde. Könnte man dieses Wissen z.B. durch leistungsfähige Netzwerke überall verfügbar machen, so wäre eine lückenlose Kontrolle und Verfolgung von Menschen vorstellbar.

35 Jahre nach dem fiktiven Datum 1984 von George Orwell und der 2. Welle der KI wären wir nun in einer Welt angekommen, in der Teile der „Gedankenpolizei“ durch neuronale Netze wahrgenommen werden können. Darüber hinaus haben wir nicht nur die Fiktion wie bei Orwell, sondern deren konkrete Anwendung in Teilen der Volksrepublik China.

Teil 4 über die Anwendungen und Grenzen von KI erscheint in Kürze.

Der Beitrag Historie der KI erschien zuerst auf ACENT AG.

Ein ganz anderer Mitspieler ist China, der auf KI setzt, um sein politisches System zu stabilisieren und für seine Wirtschaft neue Marktchancen zu generieren. Mit China als Gegenspieler des angelsächsischen Weltverständnisses hat die KI eine weltpolitische Dimension und Emotionalisierung erreicht, in der vereinzelte Rufe nach Schulung von KI im Kindergarten aufkommen.

Vielleicht ist es auf den ersten Blick nicht gerade spektakulär, was zu dieser Renaissance der KI führt. Es ist die Kombination von einem Mehr an Daten und Rechenleistung.

Das lange Zeit noch fortwirkende Mooresche Gesetz hat die Rechenleistung gegenüber den achtziger Jahren erheblich vergrößert. Bedingt durch die Reduktion der Hardware ist diese Leistung lokal (z.B. Smartphone) und auch global (z.B. AWS Cloud) über gleichfalls immer leistungsfähigere Netzwerke in einem Umfang verfügbar, wie sie 1984 nur biologischen Systemen wie den Augen und den zugehörigen Hirnarealen vorbehalten gewesen ist. Gleichzeitig sinken die Kosten dramatisch. Neue Rechnerarchitekturen wie die Verwendung von Grafikprozessoren ermöglichen die parallele Verarbeitung der großen Datenmengen.

Das „Meer“ an Daten rührt unter anderem aus einer immer größeren Abdeckung der realen Welt durch IT Prozesse her.

1984 werden nur Teilbereiche eines Unternehmens, wie z.B. die Personalbuchhaltung, Buchhaltung, Maschinendatenerfassung, Lager und Produktion durch EDV unterstützt. Nur z.B. bei einem Panzer wie dem LEOPARD II werden die Drehmomente der Schrauben erfasst.

Heutzutage sind praktisch sämtliche Prozesse abbildbar und die Drehmomente sämtlicher Schrauben werden bei der Herstellung eines LKW‘s protokolliert. Treiber für die Erfassung der Daten sind sehr häufig Qualitätsanforderungen. Ermöglicht wird dieses durch die technologische Entwicklung der Speicher, in denen dieses „Meer an Daten“ abgelegt wird.

Führt die Pflicht zum Auslesen von Sensorik-Daten zu Umweltzwecken 1988 in Kalifornien zur Entwicklung des CAN-Bus für den PKW, so können Fahrzeuge heutzutage eine Vielzahl von Daten an die Hersteller übermitteln.

Was dem Fahrzeug recht ist, gilt für andere Produkte auch. So werden generell Produkte mit einer Vielzahl von Sensoren und Aktoren versehen und somit nicht nur „intelligent“, sondern ebenfalls zu sprudelnden Datenquellen des „Meeres“.

Teil 3 über das Verstehen und ein Gedankenexperiment erscheint in Kürze.

Der Beitrag Historie der KI erschien zuerst auf ACENT AG.

Just in dem Jahr komme ich erstmalig mit der KI in Berührung. Diese feiert damals ihre Wiederauferstehung, nachdem ein erster Versuch von 1956 (Dartmouth College) nicht die hoch gesteckten Erwartungen erfüllt hat. Die vorherrschenden Systeme sind Expertensysteme und wir diskutieren über den baldigen Ersatz von Medizinern bei bestimmten Diagnosen. Gesteigert wird diese Erwartungshaltung durch das 5th Generation Computer System Project des sagenumwobenen japanischen MITI (Ministry of International Trade and Industry). In meiner damaligen Lebensrealität kann ich allerdings die Anregungen, die ich erhalte und die mich tief bewegen, nur bedingt umsetzen. Ich besuche noch eine Zeitlang die KI Jahrestagungen in Deutschland und die damaligen Kollegen tauchen in den Unternehmen und in der Forschung unter. Von einem Besuch Mitte der Achtziger bei VW, wo ich das Wunder einer Fertigung mit Robotern erwarte, kehre ich ernüchtert zurück.

1989 komme ich erstmalig mit neuronalen Netzen¹⁾ in Berührung. Rückschauend weiß ich heute, dass diese die Basis der erfolgreichen KI-Systeme wie Alexa, Siri, etc. bilden. Auch um die o.a. Expertensysteme bleibt es in meinem beruflichen Umfeld still. Japan verfällt Anfang der 90ziger in eine andauernde Rezession und es wird still um das 5th Generation Computer Project. Die KI in Deutschland institutionalisiert sich z.B. mit der Gründung des DFKI 1988. Teile, wie die in der KI weit verbreiteten Bildschirmfenster, tauchen auf den PC’s als WINDOWS auf. Die Spracherkennung wird verbessert, doch funktioniert diese nur gut bei einer Person und in einem engen Wissensumfeld wie bei Radiologen, die häufig ihre Berichte damit „schreiben“. Die KI hat die weite Ebene der kleinen beharrlichen Verbesserungen und des unspektakulären Anwendens erreicht.

Von England lese ich in Berichten, dass zunehmend Videokameras aufgebaut werden, um gegen die Terroristen der IRA gezielt ermitteln zu können. Es gibt sogar Verfahren, um Personen durchgängig über mehrere Kameras hinweg zu verfolgen. Manche Kameras sind mit Lautsprechern ausgestattet, sodass von einem Kontrollraum heraus gezielt Personen angesprochen werden können.

Teil 2 zur Renaissance der KI erscheint in Kürze.

Quelle:

1) Hannig, Rüdiger: Bericht über den Workshop “Neuronale Netze” unter:KI 3(1): 12 (1989), (abgerufen am 25.11.2019)

Der Beitrag Historie der KI erschien zuerst auf ACENT AG.