Systematisch Künstliche Intelligenz nutzen
Künstliche Intelligenz (KI) wird oft mit Maschine Learning (ML) gleichgesetzt. Schon durch diese Denkweise schränken wir uns unnötig ein, denn Maschine Lerning ist zwar in vielen Situationen sehr effektiv, nutzt aber das Potential von KI bei weitem nicht aus. Um wirklich von KI zu profitieren, brauchen wir einen ganzheitlichen Ansatz.
MIT-Professor David Martinez ist der Meinung, dass eine Systems Engineering-Prespektive notwendig ist, um das Potential voll auszuschöpfen.
Einsatz von Künstlicher Intelligenz heute und morgen
Unternehmen setzen KI primär dazu ein, automatisiert Erkenntnisse aus Inhalten zu bekommen: „Ist auf diesem Video eine Katze zu sehen?“. Dieses Einsatzgebiet ist mächtig, gut verstanden und unterstützt auch heute schon Entscheidungen und erhöht die Effizienz in vielen Bereichen.
Doch Künstliche Intelligenz kann auch an kollaborativ eingesetzt werden, indem Teams, bestehend aus Menschen und KIs, zusammenarbeiten. Der Einsatz von KI soll dazu führen, kontextbasiert zu arbeiten und Entscheidungsprozesse zu unterstützen, die große Ähnlichkeit mit menschlicher Zusammenarbeit haben.
Das klingt vielversprechend, doch wie kommen wir dahin? Dazu müssen wir den Einsatz von KI nach Systems Engineering-Gesichtspunkten betrachten.
Mit Systems Engineering zum erfolgreichen Einsatz von KI
In A Systems Engineering Approach to AI beschreibt David Martinez, wie dies aussehen könnte. Zentral ist dabei eine dem Systemdenken folgende Sicht. Denn KI kann nur in einem Kontext effektiv eingesetzt werden, der aus Sensoren, Dataquellen, Prozessen und den Interaktionen zwischen Menschen und Maschinen besteht. Konkret:
- Sensoren und andere Datenquellen – Wir sammeln mehr Daten als je zuvor. Viele dieser Daten sind unstrukturiert. Für KI stellt dies eine riesige Chance dar – aber auch die Gefahr, unter dem Berg von Daten begraben zu werden, wenn wir unser Ziel aus den Augen verlieren.
- Datenaufbereitung – Der vorhergehende Punkt macht klar, dass Daten aufbereitet werden müssen, bevor andere KI-Systeme sie weiter verarbeiten. Dies ist im Prinzip eine „einfache“ Datentransformation, die aber voraussetzt, dass wir ein Verständnis davon haben, was in dem Datenstrom das Signal ist, und was das Rauschen.
- Maschine Learning – ML ist nur ein Element in der Systemkette, wenn auch ein wichtiges. Hier müssen wir die richtigen Ansätze finden. Brauchen wir mit Labeln versehene Daten, oder kann ein selbstlernendes ML-System eingesetzt werden? Nur im Kontext lässt sich diese Frage richtig beantworten.
- Mensch-Maschine-Teams – Der vorhergehende Punkt zeigt, dass die vom ML-System produzierten Daten weiter von Menschen interpretiert und verarbeitet werden müssen. Hier haben wir oft Rückkopplungsschleifen, um das ML-System weiter zu verbessern.
- Anwendung – Das Ziel des KI-Systems ist es, einen Nutzen zu bringen. Zum Beispiel könnte die Analyse eines Röntgenbildes den Arzt dazu veranlassen, die Therapie weiter anzupassen. Wenn das Ergebnis nicht stimmt, dann war alles andere Nutzlos und muss entsprechend überdacht werden.
- Computersysteme – Der Einsatz von KI ist durch moderne Computersysteme erst möglich geworden und ist daher ein wichtiger Aspekt des Gesamtsystems: Werden Berechnungen zentral oder auf auch Endgeräten durchgeführt? Welche Datenmengen müssen wohin bewegt werden? Gibt es Architekturen wie bspw. Grafik- oder Tensor-Prozessoren, welche besonders effizient wären?
- Robuste KI – Hiermit ist insbesondere gemeint, dass wir das Gesamtsystem zumindest rudimentär verstehen, Entscheidungen nachvollziehen und die Toleranzen der Ergebnisse einschätzen können. Beispielsweise gab es schon einige Skandale zu diskriminierender Gesichtserkennung.
Fazit
In diesem Block geht normalerweise um Wissen zum Systems Engineering. Heute ging es um eine Domäne, in der wir Systems Engineers einen Beitrag leisten können. Künstliche Intelligenz öffnet enorm viele Möglichkeiten, unser Leben drastisch zu verändern. Hier haben wir die Möglichkeit, dies mit unserer Arbeit zu unterstützen.
