KI Top-Trends 2019

Sofie Quidenus-Wahlforss, Gründerin und CEO omni:us

Trend 1: Die Black Box öffnen – Die Suche nach einem genaueren Verständnis der Vorgänge in künstlichen neuronalen Netzen 

Deep learning hat in den letzten Jahren rasante Fortschritte gemacht. Neuronale Netze, die in ihrer Grundstruktur dem menschlichen Gehirn nachempfunden sind, sind heute bereits sehr leistungsfähig, wenn es darum geht, Muster und Strukturen zu erkennen und komplexe Datensätze (wie Bilder) zu analysieren. Entscheidende Impulse hat dazu die Backpropagation gegeben, also die Überwachung und Rückspiegelung gewünschter Zielwerte in das Netzwerk.

Was aber heute weitestgehend unklar ist, ist die Frage, warum neuronale Netze tun, was sie tun. Konkret bedeutet das, dass wir zwar beobachten können, dass selbstlernende Netze durch ständiges Training ihre Genauigkeit stetig verbessern, wir auf der Mikroebene einzelner Neuronen aber nicht genau wissen, warum ein Neuron in einer Situation die Entscheidung trifft zu “feuern” oder nicht zu “feuern”. Man spricht hier von der “Black Box AI”. Die komplexen Prozesse eines neuronalen Netzes im Detail zu verstehen ist der Schlüssel dazu, herauszufinden, wie neuronale Netze “denken”. Damit ließe sich nicht nur die Leistungsfähigkeit der Netze steigern, es ist auch von großer Bedeutung in Bezug auf komplexe und ethisch relevante Entscheidungen zum Beispiel in den Bereichen Autonomes Fahren oder medizinische Diagnostik.

Politik und Gesellschaft geben sich dort nicht damit zufrieden, dass eine KI in der Lage ist, bestimmte Entscheidungen zu treffen, sondern sie fordern ein, nachvollziehen zu können, wie sie zu dieser Entscheidung kommt. In der wissenschaftlichen Nutzung ist es darüber hinaus wichtig, den Prozess einer Entdeckung durch ein neuronales Netz zu verstehen. Immer mehr Forschungsprojekte zielen daher darauf ab, Mechanismen innerhalb neuronaler Netze zu verstehen, um die Black Box zu öffnen. Das ist die Basis für leistungsfähigere und spezialisiertere Netze und ihre breite Anwendung auch in sensiblen Feldern.

Trend 2: Aus der Forschung in die Praxis – nachhaltige Geschäftsmodelle mit KI 

KI gilt als Megatrend. Seit Mitte des Jahrzehnts beschäftigen sich immer mehr Unternehmen mit dem Thema und gehen der Frage nach, ob und wie sie KI-Anwendung sinnvoll und wirtschaftlich in ihre Strategien integrieren können.

Klar scheint dabei, überall dort, wo arbeitsintensive, repetitive Aufgaben anfallen, wird KI in Zukunft effizienter arbeiten als der Mensch. Solche Bereiche zu identifizieren ist damit der erste Schritt zu einer erfolgreichen Implementierung. Dazu gehört auch, bestehende Strukturen zu hinterfragen und aufzubrechen. Gefragt ist daher “Out of the box” Denken. Die Frage sollte nicht nur sein, wie eine KI einen bestehenden Prozess übernehmen könnte. Anders als deterministische Systeme, bieten agile KI-Systeme viel mehr das Potenzial, Prozesse grundsätzlich neu zu gestalten. Überall dort, wo große Datenmengen anfallen, kann sich ihr Einsatz lohnen und das abteilungs- und projektübergreifend.

Selbstlernende Algorithmen sind in der Lage, selbst zu entscheiden, wie sie mit diesen Daten umgehen. Das bietet neue Potenziale für Business Intelligence Lösungen, für Automatisierung und Produktentwicklung. Für Unternehmen gilt es daher, intern zu hinterfragen, wo Abläufe sinnvoll zusammengeführt werden können. Dabei helfen offene Strukturen zwischen verschiedenen Abteilungen und flache Hierarchien. Sie setzen kreative Potenziale bei den Mitarbeitern frei, um Abläufe grundlegend neu zu gestalten.

Trend 3: Neue Lösungen für die Sicherheit und Verschlüsselung von Trainingsdaten

Die Funktionalität und Leistungsfähigkeit von KI steht und fällt mit der Menge an Trainingsdaten, die ihnen zur Verfügung steht. Für viele Unternehmen ist das heute noch ein limitierender Faktor. Dazu kommt der Mangel an eigenen Spezialisten und Data-Scientists. Eine Lösung könnten dezentrale KI-Systeme sein, in denen unterschiedliche Teams gemeinsam an Lösungen arbeiten und die KI mit Daten füttern. Eine Herausforderung ist hier allerdings die Sicherheit der eigenen Daten.

In den letzten Jahren hat die Forschung allerdings einige bahnbrechende Fortschritte im Bereich der Verschlüsselungstechnologien gemacht. Drei Technologien erscheinen dabei im Moment besonders verheißungsvoll: Homomorphe Verschlüsselung, GAN Kryptographie und secure multi-party computations.

Homomorphe Verschlüsselung bezeichnet Verfahren, in denen Ausgangsdaten so verschlüsselt werden, dass Berechnungen mit ihnen durchgeführt werden können, die mathematisch den Berechnungen mit den unverschlüsselten Daten vollständig entsprechen. Die Ergebnisse dieser Berechnungen lassen sich dann nach dem Abschluss des Rechenprozesses wieder entschlüsseln und liefern dann die korrekten Lösungen für die Klartextaufgaben. Partielle homomorphe Verschlüsselungssysteme sind heute bereits im Einsatz und können mit wirtschaftlich vertretbarem Aufwand eingesetzt werden. 2009 konnte der IBM-Forscher Craig Gentry allerdings zeigen, dass auch eine vollständige homomorphe Verschlüsselung möglich ist, was bis dahin für unmöglich gehalten wurde. Die dafür notwendigen Berechnungen sind allerdings so komplex, dass das Verfahren (noch) nicht wirtschaftlich eingesetzt werden kann.

GAN Kryptographie basiert auf Generative Adversarial Networks,neuronale Netze, die gegeneinander “spielen”, um so voneinander zu lernen. 2016 hat Google ein Verfahren präsentiert, bei dem zwei solche Netze selbstständig eine Verschlüsselung ihrer Kommunikation entwickelt haben, die von einem dritten Netz nicht entschlüsselt werden konnte. Ihr einziger Vorteil dabei war eine geheime Zusatzinformation, die sie in ihre Verschlüsselungen einbeziehen konnten. Im Laufe der Zeit waren die Netze so tatsächlich in der Lage, die ausgetauschte Kommunikation gegen das dritte Netz zu schützen – und das nicht durch einen festen Schlüssel, sondern dynamisch.

Secure multi-party computations sind Berechnungen, bei denen unterschiedliche Parteien mit ihren Daten gemeinsame Berechnungen durchführen, ohne dass sie dabei Zugriff auf die individuellen Eingabedaten der anderen Parteien erhalten. Sie bekommen so am Ende zwar korrekte Lösungen, können aber von diesen nicht auf die jeweiligen Eingaben schließen. Besonders für sichere Blockchain Protokolle bieten sMPC eine wesentliche Grundlage.




Nachricht an die Redaktion

Hier können Sie uns einen Kommentar zu dem Artikel zukommen lassen.
Wir freuen uns auf Ihr Feedback.

]

Bei unseren Lesern momentan beliebt