Machine Learning - Chancen und Risiken durch künstliche Intelligenz

02.04.2018Redakteur: Jonas Scherf

Maschinelles Lernen - Was vor ein paar Jahren noch nach Zukunftsvisionen und Stoff für Science-Fiction Filme klang, ist heute bereits Realität. Wie weit die intelligenten Roboter sind, und welche Chancen und Risiken sich durch sie ergeben, erfahren Sie hier.

Anbieter zum Thema

MicroConsult Microelectronics Consulting & Training GmbH

Axivion GmbH

Parasoft® Deutschland GmbH

Machine Learning - wie jede Technologie bietet auch sie Vor- und Nachteile
(Bild: gemeinfrei / CC0 )

Logistik optimieren, Betrugsfälle aufdecken, Musik komponieren oder Übersetzungen in den verschiedensten Sprachen anfertigen: Durch intelligente Maschinensysteme und Machine Learning wird unser Leben und unsere Arbeitswelt gerade in vielen Bereichen fundamental verändert. Doch was genau macht maschinelles Lernen eigentlich aus? Und wie sehen die Vor- und die Nachteile aus, die Machine Learning mit sich bringt? Die Antwort lautet: Bis dato hat auch maschinelles Lernen noch gewisse Grenzen. Denn noch sind wir weit davon entfernt, intelligente Maschinen wie den sympathischen Roboter Data aus der Fernsehserie "Star Trek" oder den legendären Computer Hal 9000 aus dem Science-Fiction-Film "2001: Odyssee im Weltraum" erbauen zu können. Zugleich gibt es immer mehr Bereiche, in denen Anwendungen durch Machine Learning unseren Alltag beeinflussen, ohne dass uns dies überhaupt immer bewusst ist.

Was genau ist mit dem Begriff Machine Learning gemeint?

Maschinelles Lernen ermöglicht die Analyse sehr großer Datenmengen. Hierfür hat sich der englische Begriff 'Machine Learning' etabliert. Machine Learning (ML) ist ein Bereich innerhalb der künstlichen Intelligenz (KI), die es Softwareanwendungen ermöglicht, bei der Vorhersage von Ergebnissen immer präziser zu werden, ohne dabei auch explizit programmiert werden zu müssen. Die grundlegende Prämisse für Machine Learning bedeutet, Algorithmen zu entwickeln, die Eingabedaten empfangen und statistische Analysen verwenden können, um einen Ausgabewert in einem akzeptablen Bereich vorherzusagen. Der Name Machine Learning wurde erstmals im Jahr 1959 von Arthur Samuel geprägt, einem amerikanischen Pionier auf dem Gebiet der Computerspielprogrammierung und der künstlichen Intelligenz. Heute betrachten viele IT-Studenten und Mitarbeiter in der IT-Branche das maschinelle Lernen als die Zukunft der Technologie und gehen davon aus, dass es mit fortschrittlichen Algorithmen und Mustern die Entwicklung des semantischen Webs erheblich beschleunigen wird.

Die Algorithmen für maschinelles Lernen werden in zwei Kategorien unterteilt - überwachte oder unbeaufsichtigte Algorithmen. Bei überwachten Algorithmen ist es notwendig, dass der Mensch sowohl den Input als auch den gewünschten Output liefert - und zusätzlich Feedback über die Genauigkeit der Vorhersagen während des Trainings beim Machine Learning gibt. Sobald das Training einmal abgeschlossen ist, kann der Algorithmus das Gelernte des Machine Learning auch auf neue Daten anwenden. Nicht überwachte Algorithmen hingegen müssen nicht mit den gewünschten Outcome-Daten trainiert werden. Stattdessen verwenden sie einen iterativen Ansatz namens Deep Learning, um Daten zu überprüfen und daraus Schlussfolgerungen zu ziehen (auch bekannt als Deep Neural Learning oder Deep Neural Network). Nicht überwachte Lernalgorithmen werden beim Maschine Learning für komplexere Verarbeitungsaufgaben eingesetzt als überwachte Lernsysteme. Beim 'Deep Learning' steht das menschliche Denken im Vordergrund, denn die Funktionsweise unseres Gehirns wird bei der Verarbeitung von Daten und der Erstellung von Mustern für die Entscheidungsfindung von den Maschinensystemen imitiert.

Wird unser Leben bereits jetzt durch Machine Learning beeinflusst?

Viele Menschen kennen maschinelles Lernen bereits durch das Einkaufen im Internet und Verkaufsempfehlungen, die im Zusammenhang mit dem eigenen Einkaufsverhalten gemacht werden. Dies ist möglich, weil sogenannte Empfehlungsmaschinen maschinelles Lernen nutzen, um die Online-Werbung nahezu in Echtzeit zu personalisieren. Dies gilt auch für Streamingdienste oder Social Media-Plattformen. Neben personalisiertem Marketing gehören Betrugserkennung, Spam-Filterung, Erkennung von Netzwerksicherheitsbedrohungen, prädiktive Wartung und das Erstellen von Newsfeeds zu den häufigsten Anwendungsfällen des Machine Learning. Doch wie sehen eigentlich die ethischen Bedenken aus: Wird der Mensch bald durch Machine Learning und Maschinelles Lernen bald immer unwichtiger?

Keine Frage - Machine Learning hat schon jetzt unseren Alltag revolutioniert. Wir bestellen online, können auf immer bessere Übersetzungsprogramme zurückgreifen oder schon bald in selbst fahrenden Autos von A nach B gelangen. Doch gibt es auch Risiken bei diesem fundamentalen Wandlungsprozess? Hier die wichtigsten Aspekte im Kurzüberblick.

Welchen Einfluss hat Machine Learning auf die Arbeitswelt?

Um nur ein Beispiel für die möglichen Folgen durch maschinelles Lernen zu nennen, die demnächst auf uns zukommen könnten: Was wird mit Millionen von LKW-Fahrern weltweit geschehen, wenn etwa selbstfahrende Lastwagen durch maschinelles Lernen schon bald zur Realität werden? Einerseits soll durch programmierte LKW's dank Machine Learning für ein geringeres Unfallrisiko gesorgt werden, andererseits könnten durch maschinelles Lernen schon bald etliche Jobs auf dem Spiel stehen.

Wie können wir uns vor Fehlern durch Machine Learning schützen?

Egal ob Mensch oder Maschine - Intelligenz entsteht immer durch Lernen. Maschinensysteme haben in der Regel eine Trainingsphase, in der sie durch maschinelles Lernen die richtigen Muster erkennen und entsprechend den jeweiligen Input auswerten können. Sobald ein System vollständig trainiert ist, kann es dann in die Testphase gehen, in der die weitere Funktionsweise durch Machine Learning ausgetestet wird. Natürlich kann die Trainingsphase beim Machine Learning nicht alle möglichen Beispiele abdecken, mit denen ein System schließlich in der realen Welt konfrontiert wird. Denn maschinelle Systeme können auf eine Art und Weise getäuscht werden, die bei einem Menschen nicht vorkommen würde. So können etwa zufällig auftretende Punktmuster eine Maschine dazu bringen, Dinge zu "sehen", die eigentlich gar nicht real sind. Wenn wir uns also auf Machine Learning verlassen wollen, um auch in der Zukunft für mehr Sicherheit und Effizienz zu sorgen, sollten wir sicherstellen, dass die Maschinen auch wie geplant funktionieren - und im Zweifelsfall immer noch dem gesunden Menschenverstand den Vorzug geben.

Maschinelles Lernen: Wie behalten wir die Kontrolle über eine intelligente Maschine?

Der Grund, warum die menschliche Spezies weltweit nach wir vor an der Spitze der Nahrungskette stehen, hat nichts mit scharfen Zähnen oder starken Muskeln zu tun. Ganz im Gegenteil: Die menschliche Dominanz ist fast ausschließlich auf ihren Einfallsreichtum und ihre Intelligenz zurückzuführen. Das wirft eine interessante Frage hinsichtlich von künstlicher Intelligenz und Machine Learning auf: Wird sie eines Tages den gleichen Vorteil gegenüber uns haben? Dann können wir uns nicht darauf verlassen, dass wir einfach nur "den Stecker ziehen" - denn eine bereits weit fortgeschrittene Maschine kann diesen Schritt vorwegnehmen und sich gegen den menschlichen Zugriff verteidigen. Dieser ganz besondere Moment wird auch als "Singularität" bezeichnet - nämlich der Zeitpunkt, an dem der Mensch nicht mehr das intelligenteste Wesen auf Erden ist.

Fazit: Eine der gebräuchlichsten KI-Techniken für die Verarbeitung von Big Data ist Machine Learning. Für das maschinelle Lernen ist ein selbstanpassender Algorithmus verantwortlich, der immer bessere Analysen und Muster mit Erfahrung oder mit neu hinzugefügten Daten liefert. Wenn etwa ein Unternehmen im Bereich des digitalen Zahlungsverkehrs zum Bespiel das Auftreten oder die Möglichkeit von Betrug in seinem System erkennen möchte, kann es dafür ganz einfach Machine Learning einsetzen. Denn der in ein Computermodell eingebaute Rechenalgorithmus verarbeitet alle Transaktionen, die auf der digitalen Plattform stattfinden, findet Muster im Datensatz und weist auf jede Anomalie hin, die durch das Muster erkannt wird. Die größte Herausforderung beim maschinellen Lernen ist die Transformation der Daten. Trotz des weit verbreiteten Missverständnisses geht es beim maschinellen Lernen nicht um das Finden und Anpassen von Algorithmen, sondern um die Auswahl von Daten und die Entwicklung von Merkmalen - die Umwandlung von Rohmerkmalen in eine Reihe von Merkmalen, die den Kern der Daten repräsentieren.

Deep Learning hingegen, eine Untergruppe für maschinelles Lernen, nutzt eine hierarchische Ebene künstlicher neuronaler Netze, um den Prozess des maschinellen Lernens durchzuführen. Die künstlichen neuronalen Netze sind wie das menschliche Gehirn aufgebaut - mit Neuronenknoten, die ebenfalls wie ein Netz miteinander verbunden sind. Während herkömmliche Programme die Analyse mit Daten linear aufbauen, ermöglicht die hierarchische Funktion von Deep-Learning-Systemen Maschinensystemen die Verarbeitung von Daten mit einem nichtlinearen Ansatz durch Machine Learning. Deep Learning hat in der Tat viel zu einer beträchtlichen Anzahl von Anwendungsbereichen des maschinellen Lernens beigetragen, aber ungeachtet seiner Innovationskraft und offensichtlichen praktischen Anwendungsmöglichkeiten ist diese Art maschinellen Lernens immer noch mit einem beträchtlichen Aufwand verbunden.