Das ist doch keine Intelligenz. Das ist doch nur ein Algorithmus.

Im Gespräch mit Prof. Dr. Carsten Ullrich - Teil 1

Künstliche Intelligenz ist ein spannendes und kontrovers diskutiertes Thema. Viele Mythen ranken sich darum und es herrschen noch viele Fehlvorstellungen vor, was KI überhaupt ist und was es kann. Wir sprachen mit Prof. Dr. Carsten Ullrich darüber, was überhaupt “intelligent” an Künstlicher Intelligenz ist und wie wir Deutschen zum Thema stehen. Außerdem: Ob KI-Projekte häufiger scheitern als andere IT-Projekte und wenn ja, woran.

Unser Interview-Gast Professor Dr. Carsten Ullrich ist Inhaber des Lehrstuhls für Künstliche Intelligenz an der Steinbeis Hochschule in Berlin und Senior Director Artificial Intelligence bei der CENTOGENE GmbH. Er beschäftigte sich bereits mit KI, lange bevor Deep und Machine Learning populäre Mainstream-Themen wurden und fühlt sich privilegiert, in so einem spannenden Feld Theorie und Praxis zusammenbringen zu können. Wir freuen uns, dass er sich Zeit für das Gespräch mit unserem Manager für Digitale Produkte Pascal Lottmann genommen hat. Seine Antworten sind die Grundlage dieses Beitrags. Die gesamte Aufzeichnung des Gespräches findest Du hier:

„Herr Ullrich, haben Sie eine Lieblings-KI?“

Künstliche Intelligenz hat Einzug in unseren Alltag gehalten. Anwendungen mit KI erleichtern uns heute schon in vielen Bereichen das Leben. Ein schönes Beispiel: Google Maps, die Lieblings-KI von Herrn Ullrich. Zum einen schätzt er die App, weil er sich für seine täglichen Wege darauf verlassen kann. Zum anderen kann er in seinen Vorlesungen anhand der Routenplanung viele Prinzipien der KI hervorragend illustrieren. Zum Beispiel, dass es eben nicht immer einen geradlinigen Weg zur Lösung gibt, sondern die KI sich vieler Schritte bedient, um ein komplexes Problem mit seinen Nebenbedingungen zu lösen (wie etwa den schnellsten Weg von A nach B zu berechnen, unter Berücksichtigung von Zwischenstopps, Verkehrsmitteln, Auslastung der Wege, usw.).

Ist das „Label“ KI mittlerweile überflüssig?

Brauchen Anwendungen wie Google Maps überhaupt noch das „Label“ KI, um als nützlich verstanden zu werden? Wenn Carsten Ullrich in seinen Vorlesungen die Funktionsweisen hinter KI erklärt, wird er oft gefragt, ob das nicht bereits „Standard“ in der Informatik sei und was daran noch „intelligent“ ist, wenn da „nur“ Algorithmen dahinterstecken. Was ist also KI und was nicht? Hier tut sich ein kleines Dilemma auf, findet Herr Ullrich.

1983 definierte die Informatikerin Elaine Rich Künstliche Intelligenz als „die Forschung, wie man Computer dazu bringt, Dinge zu tun, in denen Menschen im Moment noch besser sind.“ Ein immer noch zeitgemäßes Zitat, denn es beinhaltet, dass sich der Stand der Technik fortlaufend verändert. Dadurch, dass immer wieder neue Methoden hinzukommen und bisherige Methoden irgendwann als „State of the Art“ gelten, definiert sich das, was als „Künstliche Intelligenz“ bezeichnet wird, auch immer wieder neu. Heute können Maschinen mehr als im Jahre 1983 (das Jahr von Richs Zitat) und in 39 weiteren Jahren werden sie mehr können als heute. Gemäß des deutschen KI-Pioniers Wilfried Brauer könnte man KI also auch als „künftige Informatik“ bezeichnen

Und wie steht es um das Wissen und Denken über KI in Deutschland?

Zum einen wird häufig überschätzt, was über KI tatsächlich zu erreichen ist – also was KI zu leisten vermag und welches Ergebnis zu erwarten ist. Zum anderen existiert eine übertriebene Furcht vor KI. Beide Ausprägungen macht Herr Ullrich als Dozent immer wieder unter seinen Teilnehmergruppen aus, seien es nun Manager*innen oder Studierende verschiedener Disziplinen. Wobei in den Gesprächen mit den Studierenden ein sehr spannender und offener Austausch stattfindet, der bei den meisten Manager*innen doch etwas starrer abläuft, so Ullrich. Doch erst wenn ungerechtfertigte Befürchtungen und falsche Erwartungen aus dem Weg geräumt sind, ist die Basis geschaffen, Menschen für Künstliche Intelligenz zu befähigen und zu begeistern.

In den Fortbildungen, die er gibt, braucht Herr Ullrich einen guten halben Tag, um diese Fehlvorstellungen zu relativieren. Anhand von Beispielen erklärt er dabei, Künstliche Intelligenz heute schon Probleme auf übermenschlichem Niveau lösen kann, allerdings nur wenn diese Probleme sehr eng zugeschnitten sind, und die KI so spezialisiert ist, dass sie eben immer nur dieses eine Problem lösen kann. Was KI im Gegensatz zur menschlichen Intelligenz nicht leisten kann, ist einen Transfer der Informationen herzustellen. Nachdem dieser Mythos aufgelöst ist – oder wie er sagt, nachdem die KI “entmystifiziert” ist – haben die Lernenden einen realistischen Blick auf die Thematik.

Einen Teilnehmer hat er dabei mal so “entmystifiziert”, dass er aufstand und ging, als er erkannte, dass letztendlich nur Algorithmen hinter der Intelligenz stecken. Und natürlich: Wenn man sich das Vorgehen eines einzelnen Algorithmus im Detail anschaut, dann ist das keine Intelligenz. Die Intelligenz ist immer im Gesamtsystem. Die Intelligenz liegt im Zusammenspiel einzelner Komponenten, bestehend aus mehreren Algorithmen, die immer ein ganz spezielles Problem lösen. Wie beispielsweise bei einem Chatbot, der Diagnosen erstellt oder bei dem bereits erwähnten Routenplaner.

Ist das Ausland weiter in Sachen KI als Europa?

Am Beispiel von China lässt sich sagen, dass wir im Westen in Sachen IT, Mobilfunk usw. hinterherhängen. Während seines Aufenthalts in China zwischen 2007-2014 stellte Herr Ullrich damals schon fest, dass dort ganz andere Dinge möglich waren als hierzulande. Er bezieht dies auf die Infrastruktur und das Mindset hinsichtlich neuer Technologien. Schön findet er, dass die Bereitschaft dort viel größer ist, einfach mal Innovationen auszuprobieren und diese dann auch in die Produktion zu bringen. China hat uns in diesem Sinne deutlich etwas voraus, wo wir nicht nur hinschauen dürfen, sondern sogar müssen, um mitziehen zu können.

Und bei welchen Projekten und in welchen Branchen liefert KI den größten Nutzen?

Unabhängig von der Branche gibt es Teiltätigkeiten, bei denen KI sehr großes Potenzial hat, wie etwa bei der Automatisierung monotoner Tätigkeiten oder der Unterstützung durch Assistenzsysteme. Umso klarer die Struktur und umso gleichförmiger die Datensituation, desto einfacher ist es, „generalisierende Systeme“ einzusetzen. Schwieriger wird es erst, wenn der Mensch mit seiner gesamten Komplexität hinzukommt. Wenn Aus- und Eingabe von Daten bspw. immer relativ ist (wie etwa beim Thema E-Learning, wo auch das individuell unterschiedliche Vorwissen der Schüler*innen berücksichtigt werden muss). In diesen Fällen ist es schwieriger, “die richtige KI” zu finden, denn generalisierende KIs sind dafür nicht ratsam. Allerdings können auch im Bereich Lehre und Lernen einzelne Teiltätigkeiten mittels KI vereinfacht werden. Beispiele hierfür sind etwa das automatische Generieren von Tests oder das automatische Zusammenfassen von Informationen für eine einfachere Recherche.

Scheitern KI-Projekte häufiger als andere IT-Projekte?

Nach der Erfahrung von Carsten Ullrich scheitern IT-Projekte an Komplexität und daran, dass man sich zu viel vornimmt. Im Gegensatz zu anderen IT-Projekten kommt bei KI-Projekten noch eine zusätzliche Ebene von Komplexität ins Spiel – Datenqualität oder Fachexpertise.

Bei einem wissensbasierten System, das darauf beruht, menschliches Expertenwissen zu formalisieren, stellen sich folgende Fragen:

• Wie tief kann ich gehen, um das Expertenwissen zu repräsentieren?
• Wie flexibel wird das KI-System dann?

Bei Verfahren des maschinellen Lernens sollten folgende Fragen geklärt werden:

• Wo kann ich genug Daten generieren?
• Welche (unerwarteten oder unbewussten) Vorurteile (biases) stecken bereits in den vorhandenen Daten?

Aber Achtung! KIs tendieren dazu, die Muster zu identifizieren, die am leichtesten zu finden sind. Eine Anekdote dazu: Bei einem Datentraining, auf dem Radfahrer von Autofahrern unterschieden werden sollten, erkannte die KI Radfahrer anfangs sehr zuverlässig, aber nach einiger Zeit nicht mehr. Der Grund war, dass die KI nach dem Muster „blauer Himmel“ suchte. Auf den Trainingsbildern war oft ein blauer Himmel zu sehen, da Fahrradfahrer häufig bei schönem Wetter unterwegs sind. Die KI war also "beeinflusst”. Die Kunst beim Maschinenlernen besteht darin, die Daten zu verstehen und daraufhin eine entsprechende Architektur aufzubauen, um solche biases auszuschließen.

Die erwähnte Komplexität allein lässt das Projekt aber nicht per se scheitern. Vielmehr liegt es an einem zu komplexen Gesamtvorhaben, so Ullrich.

Woran scheitern KI-Projekte in der Praxis?

Kurzum: KI-Projekte scheitern genau wie andere IT-Projekte auch scheitern. Die größten Probleme, so Ullrich, sind zum einen zu hohe Erwartungen an ein KI-System. Beispiele hierfür sind etwa das Scheitern von “Watson Health”. Und zum anderen, dass das zu lösende Problem nicht genau genug beschrieben wurde.

Unterteilt man das Hauptproblem in mehrere Teilprobleme, dann finden sich auch passende automatische Verfahren (Algorithmen), die die Teilprobleme lösen. Bestenfalls sogar Lösungen, die bisher noch nicht möglich gewesen sind. Dieser Prozess ist nicht zu unterschätzen, denn es kann einige Zeit in Anspruch nehmen, bis man die Teilprobleme und ihre Eigenheiten in Gänze versteht.

Um ein Scheitern zu vermeiden, sollten KI-Projekte deshalb gut aufgebaut werden. Drei Schritte sind hierbei aus Herrn Ullrichs Sicht ganz entscheidend für den Erfolg:

• Ängste und Befürchtungen identifizieren und auf sie eingehen
• die Potenziale aufzeigen, die in der KI stecken
  (mit dem Fokus auf die Probleme, die sie löst und die Handlungsfreiräume, die sie schafft, indem sie z.B. lästige Routinearbeiten abnimmt usw.)
• Klarheit über die technische Umsetzung (Woher bekommen wir die Daten? Wie sieht die technische Umsetzung aus?)

Das heißt als Fazit: Beide Punkte, sowohl der Faktor Technik wie auch der Faktor Mensch sind wichtige gleichberechtigte Komponenten für den Erfolg von KI.

Weitere spannende Fragen und Antworten gibt’s im zweiten Teil, den wir demnächst hier auf unserem Blog veröffentlichen.

Titelbild: © k+k information services GmbH