KÜNSTLICHE INTELLIGENZ
4 Die Volkswirtschaft 12 / 2019
maschinelle Lernen (ML), das dem Computer menschliche Fähigkeiten wie Sehen und Hören näherbringt.
Ballons und Erdbeeren
Das bisher erfolgreichste Teilgebiet des maschi- nellen Lernens ist das «überwachte Lernen»
(Supervised Learning). Basierend auf grossen, von Menschen annotierten Datenmengen wie beispielsweise beschrift eten Bildern von Objek- ten, werden komplexe Modelle trainiert, um das menschliche Verhalten nachzuahmen. Diese künstlichen neuronalen Netzwerke enthalten oft viele Millionen Parameter, die mitt els Verfahren der mathematischen Optimierung auf die Daten angepasst werden. Diese Methodik ähnelt An- sätzen statistischer Regressionsverfahren, aller- dings sind die ML-Modelle wesentlich komplexer.
Deep-Learning-Netze etwa können hierar- chische Zusammenhänge über mehrere Ebenen erkennen. Eine Lernbasis liefert beispielsweise die Image-Net-Datenbank: Sie enthält Millionen von Bildern, denen Kategorien und Begriff e wie
«Ballon» oder «Erdbeere» zugeordnet sind. Dank dieser Daten hat das maschinelle Lernen beacht- liche Fortschritt e erzielt: Innerhalb von acht Jah- ren sank die Fehlerrate der besten ML-Modelle von 25 Prozent auf 4 Prozent – dies entspricht etwa dem Wert, wenn Menschen die Zuordnung vornehmen. Weitere Erfolgsbeispiele sind die Spracherkennung und Übersetzungen, die auf sogenannten rekurrenten Netzwerken basieren.
Eine populäre Variante davon (LSTMs) wurde in der Schweiz am Dalle Molle Institute for Artifi - cial Intelligence Research (IDSIA) entwickelt2. Machine-Learning-Technologien sind bereits ein zentraler Bestandteil von Suchmaschinen und E-Commerce-Empfehlungssystemen.
K
ünstliche Intelligenz (KI) fasziniert die Informatikwelt seit den Fünfzigerjahren:Damals veröff entlichte der britische Computer- pionier Alan Turing das Werk «Computing Ma- chinery and Intelligence».1 Turing skizzierte die Idee, ein Programm zu entwickeln, das durch Lernfähigkeit menschenähnliche Intelligenz erreichen sollte. Um der Schwierigkeit einer De- fi nition von KI gerecht zu werden, entwickelte er den sogenannten Turing-Test. Nach einem mehrminütigen Chat-Dialog mit ihrem Gegen- über muss die Testperson entscheiden, ob sie es mit einer menschlichen oder einer künstlichen Intelligenz zu tun hat.
Heute – fast 70 Jahre später – enthalten die meisten Smartphones Assistenten, von denen man Unterstützung erfragen kann, zum Beispiel beim Stellen eines Weckers oder der Steuerung der heimischen Lampen. Ist der Turing-Test also bestanden? Wohl kaum. Siri und Alexa sind noch weit entfernt von einer «allgemeinen»
künstlichen Intelligenz im Sinne Turings.
Dennoch hat sich in den letzten Jahren eine Revolution ereignet – eingeleitet durch den Zuwachs an digitalen Daten und durch exponentiell wachsende Rechenkapazitäten.
Beides sind Grundvoraussetzungen für das
Künstliche Intelligenz:
Schweiz forscht an der Spitze
Beim maschinellen Lernen gibt es zahlreiche Forschungsprojekte aus der Schweiz. Ein vielversprechendes Einsatzgebiet ist die Medizin. Andreas Krause
Abstract Künstliche Intelligenz (KI) und maschinelles Lernen beschäft igen die Öff entlichkeit in zunehmendem Masse. Durch das rasante Wachstum von Daten und Rechenkapazität können diese Verfahren heute Probleme lösen, die vor Kurzem Computern noch nicht zugänglich waren. Verfahren des maschinellen Lernens entwickeln sich immer mehr zu Querschnitt s- technologien, mit transformativem Eff ekt und enormem Potenzial, auch zur Disruption. Dieser Artikel skizziert den aktuellen Stand der Forschung mit einigen konkreten Beispielen aus der Schweiz. Die Schweiz ist im aktu- ell herrschenden intensiven globalen KI-Wett bewerb gut positioniert. Sie hat jetzt die vielleicht einmalige Chance, einen weltweit anerkannten, ver- trauensvollen Umgang mit Daten und KI-Technologien mitzugestalten.
1 Turing (1950).
2 Hochreiter und Schmidhuber (1997).
KÜNSTLICHE INTELLIGENZ
6 Die Volkswirtschaft 12 / 2019
Die Zahl der ML-Anwendungsbereiche steigt stetig. Ein Gebiet mit grossem Potenzial ist die Medizin, wo die Fortschritte im Bildverstehen3 mittlerweile so gross sind, dass Entscheidungs- unterstützung auf dem Niveau menschlicher Experten geboten werden kann. Auch ent- wickeln Forscher der ETH Zürich Systeme zur automatischen Überwachung von Intensiv- stationen in Spitälern.4
Um das Potenzial für ML-Anwendungen bestmöglich und branchenübergreifend auszu- schöpfen, gründeten die ETH Zürich und die ETH Lausanne (EPFL) im Jahr 2017 das Swiss Data Science Center. Die Institution unterstützt Projekte in Wissenschaft und Wirtschaft – wobei die Anwendungsgebiete von der Medizin über Umweltwissenschaften bis zur Kosmologie reichen.
Neue Krankheiten erkennen
Eine weitere Ausprägung des maschinellen Lernens ist das «unüberwachte Lernen» (Un- supervised Learning). Hier gibt es zwar noch nicht so viele direkte praktische Anwendungen wie beim überwachten Lernen, dennoch ist der Fortschritt rasant. Beim unüberwachten Lernen erfassen Computer selbstständig Muster aus Daten. Sprich: Sie benötigen keine menschlich definierte «Beschriftung» als Lernsignal. Ein Anwendungsbereich ist wiederum die Medizin, wo sich anhand von ähnlichen Datensätzen neuartige Subtypen von Krankheiten erkennen lassen.5
Zum unüberwachten Lernen gehören ins- besondere «generative Modelle», welche in der Lage sind, komplexe Bild- und Textdaten zu modellieren und automatisiert ähnliche Daten zu erzeugen. Grosses Potenzial besteht etwa in der Arzneimittelforschung6 oder bei der Anony- misierung von Patientendaten.
Eine wesentliche Schwierigkeit der unüber- wachten Verfahren ist die Validierung: Wäh- rend im überwachten Lernen die Fehlerrate anhand von Testdaten bewertet werden kann (also etwa wie viele Bilder falsch klassifiziert wurden), ist das im unüberwachten Lernen nicht möglich. So ist im Voraus zum Beispiel nicht bekannt, wie viele Subtypen von unter- schiedlichen Krankheiten in den Daten zu
erwarten sind. Für die Grundlagenforschung stellt dies eine wesentliche Herausforderung dar.
Wo essen wir heute?
Sowohl das überwachte als auch das unüber- wachte Lernen gelten als «passive Lernver- fahren»: Ein Modell – zum Beispiel ein neuro- nales Netz – wird auf einem vorgegebenen Datensatz trainiert und danach zum Einsatz gebracht. Im Gegensatz dazu findet in «aktiven Lernverfahren» eine Interaktion mit der Um- gebung oder den Nutzern statt.
Ein bekanntes Beispiel ist das bestärkende Lernen (Reinforcement Learning, RL), das zum Beispiel bei Empfehlungssystemen eingesetzt wird. Indem der RL-Agent Entscheidungen trifft, lernt er, wie sich die Umgebung verändert, und erhält dafür Belohnungssignale. Eine Heraus- forderung ist der sogenannte Exploration- Exploitation-Trade-off: Der Agent muss in jeder Situation abwägen, ob er eine erfolgver- sprechende Aktion wählt (Exploitation) oder ob er durch eine neue Aktion mehr über seine Um- gebung lernen will (Exploration). Wir Menschen stellen uns solche Fragen häufig. Zum Beispiel, indem wir uns fragen: Sollen wir heute Abend in unserem Lieblingsrestaurant essen, oder pro- bieren wir mal ein neues aus?
Computer triumphiert bei Go
Obwohl man seit Jahren zu Reinforcement Le- arning forscht, sind erst in jüngster Zeit grosse Durchbrüche erzielt worden. Ein prominentes Beispiel ist das Brettspiel Go: Im Gegensatz zu Schach, welches der Computer seit Langem mit herkömmlichen Planungsverfahren ohne Ein- satz von maschinellem Lernen besser als der Mensch spielen kann, ist Go um ein Vielfaches komplexer. Hier schaffte es der Agent Alpha Zero der Google-Tochter Deep Mind, die besten menschlichen Go-Spieler zu übertreffen. Um sich zu verbessern, simulierte Alpha Zero un- zählige Partien gegen sich selbst. Dabei experi- mentierte die KI mit neuen Zügen, um zu sehen, wie der simulierte Gegner reagiert.
Eine Voraussetzung für das Reinforcement Learning ist ein akkurater Simulator. Aus
3 Z. B. Cireşan et al.
(2013).
4 Hyland et al. (2018).
5 Brodersen et al. (2014).
6 Gupta et al. (2018).
7 Hwangbo et al. (2019).
8 Berkenkamp et al.
(2017).
Die Volkswirtschaft 12 / 2019 7 diesem Grund eignen sich Spiele besonders
gut: Man weiss genau, wie das Go-Brett aus- sieht, sobald man selbst und der Gegner einen Zug gespielt haben. Ausserhalb der Spielwelt ist man auf möglichst realistische Simulatoren an- gewiesen. In der Robotik ist es Kollegen an der ETH Zürich beispielsweise kürzlich gelungen, mittels RL ihrem Lauf-Roboter «ANYmal» neue Gehtechniken beizubringen.7
Was aber, wenn keine hinreichend genauen Simulationstechniken zur Verfügung stehen?
Dies ist so in unzähligen Anwendungen, von der medizinischen Rehabilitation über die Prozessoptimierung bis hin zur wissenschaft- lichen Versuchsplanung. In diesem Fall ist das Ausprobieren von Aktionen mit unsicherem Ausgang potenziell riskant. Meine Forschungs- gruppe entwickelt im Rahmen eines vom Euro- päischen Forschungsrat unterstützten Projek- tes neuartige RL-Verfahren.8 Dabei geht es um die sorgfältige Schätzung der Unsicherheit in ML-Modellen, welche es erlaubt, robuste und unter gewissen Voraussetzungen beweisbar
sichere Entscheidungen zu treffen – eine wich- tige Herausforderung in der Robotik und weite- ren Anwendungen.
Schweiz an der Spitze
Die Forschung zur künstlichen Intelligenz überschneidet sich mit anderen Wissenschafts- gebieten wie beispielsweise den Datenwissen- schaften (Datascience). Dieser Wissenschafts- zweig versucht anhand von algorithmischen und statistischen Verfahren Zusammenhänge und Einsichten aus komplexen Daten zu gewin- nen. Wie die moderne KI greifen auch die Daten- wissenschaften essenziell auf maschinelles Lernen zurück. Über ML hinaus verwenden mo- derne KI-Systeme oft weitere algorithmische, statistische, spieltheoretische und regelungs- technische Verfahren.
Die Schweiz ist in Sachen KI-Forschung gut aufgestellt. Dank der hohen Autonomie be- treiben die Technischen Hochschulen seit Jahr- zehnten Grundlagenforschung – sie forschten
ALAMY
Der chinesische Go-Profi Ke Jie spielt gegen einen Roboter – und verliert.
KÜNSTLICHE INTELLIGENZ
8 Die Volkswirtschaft 12 / 2019
bereits, als KI noch kein heisses Thema war.
In Sachen Impact (Zitationen pro Forschungs- arbeit) rangiert die Schweiz international auf Platz 1. Mit dem Idiap Research Institute in Martigny und dem IDSIA in Manno TI gibt es zwei Forschungsinstitute, die sich auf KI und den Transfer in die Industrie spezialisieren. Die Forschungsprojekte der ETH Zürich und der EPFL erlangen auf den internationalen KI-Kon- ferenzen regelmässig grosse Aufmerksamkeit.
Der ETH-Bereich setzt zudem systematisch auf den Schwerpunkt Datenwissenschaft en.
In diesem Zuge wurden nebst neuen Profes- suren auch neue Master- und Weiterbildungs- programme sowie das bereits erwähnte Swiss Data Science Center gegründet. Auch die Uni- versitäten und Fachhochschulen sind auf dem KI-Gebiet aktiv. Die Universität Zürich bei- spielsweise untersucht in ihrer Digital Society Initiative gesellschaft liche Auswirkungen der Digitalisierung und von KI. Auch private Unternehmen – darunter die Tech-Konzerne Google, Microsoft , Disney, IBM – forschen in der Schweiz zu KI.
KI ist kein Selbstzweck
Künstliche Intelligenz hat das Potenzial einer Querschnitt stechnologie mit Anwendungen in allen Branchen. KI und maschinelles Lernen ver- ändern dabei die Art und Weise, wie Forschung betrieben wird. Es erstaunt daher nicht, dass ein globaler Wett bewerb um dieses Zukunft sfeld herrscht. Damit Europa nicht den Anschluss an die USA und China verliert, begann sich ver- gangenes Jahr das Forschungsnetzwerk Euro- pean Laboratory for Learning and Intelligent Systems (Ellis) zu formieren. Die Schweiz hat im
Literatur
Berkenkamp, Felix, Matt eo Turchett a, Angela Schoellig und Andreas Krause (2017). Safe Model-based Reinforcement Learning with Stability Guarantees. In:
Advances in Neural Information Proces- sing Systems: 908–918.
Brodersen, Kay H., Lorenz Deserno, Florian Schlagenhauf, Zhihao Lin, Will D.
Penny, Joachim M. Buhmann und Klaas E. Stephan (2014). Dissecting Psy- chiatric Spectrum Disorders by Genera- tive Embedding. In: NeuroImage: Clinical 4: 98–111.
Cireşan, Dan C., Alessandro Giusti, Luca M. Gambardella und Jürgen Schmidhu- ber (2013). Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks. In: International Con- ference on Medical Image Computing and Computer-assisted Intervention:
411–418.
Goel, Naman, Mohammad Yaghini und Boi Faltings (2018). Non-discriminatory Ma- chine Learning Through Convex Fairness Criteria. In: Thirty-Second AAAI Confe- rence on Artifi cial Intelligence.
Gupta, Anvita, Alex T. Müller, Berend JH Huisman, Jens A. Fuchs, Petra Schneider und Gisbert Schneider (2018). Generati- ve Recurrent Networks for De Novo Drug Design. In: Molecular Informatics 37, no.
1-2: 1700111.
Hochreiter, Sepp, and Jürgen Schmidhu- ber (1997). Long Short-term Memory.
Neural Computation 9.8: 1735–1780.
Hwangbo, Jemin, Joonho Lee, Alexey Dosovitskiy, Dario Bellicoso, Vassilios Tsounis, Vladlen Koltun und Marco Hutt er (2019). Learning Agile and Dyna- mic Motor Skills for Legged Robots. In:
Science Robotics 4, no. 26: eaau5872.
Hyland, Stephanie L., Matt hias Hüser, Xinrui Lyu, Martin Faltys, Tobias Merz und Gunnar Rätsch (2018). Predicting Circulatory System Deterioration in In- tensive Care Unit Patients. In: AIH@ IJ- CAI: 87–92.
Moosavi-Dezfooli, Seyed-Mohsen, Alhus- sein Fawzi, Jonathan Uesato und Pascal Frossard (2019). Robustness via Curva- ture Regularization, and Vice Versa. In:
Proceedings of the IEEE Conference on Computer Vision and Patt ern Recogni- tion: 9078–9086.
Turing, Alan (1950). Computing Machine- ry and Intelligence. In: Mind 49 (1950):
433–460.
Wett bewerb um kluge Köpfe gute Karten, muss aber konsequent in diesen Sektor investieren, wenn sie ihre Führungsrolle in der Forschung verteidigen will. Letztlich gilt: KI ist kein Selbst- zweck – Innovation und Nutzen für die Gesell- schaft entstehen durch enge Kollaboration von KI-Grundlagenforschung und Anwendungs- disziplinen wie Medizin und Robotik.
Wie bei jeder neuen Technologie bestehen Risiken – zum Beispiel stellen sich Fragen der Zuverlässigkeit, der Interpretierbarkeit und der Anfälligkeit bezüglich verzerrter Daten.
Die Schweiz bietet ideale Voraussetzungen, einen weltweit anerkannten, vertrauensvollen Umgang mit Daten und KI-Technologien zu entwickeln und zu leiten. Diverse Forschungs- projekte haben sich bereits mit der Frage befasst, wie KI-Verfahren fair, transparent und robust zu gestalten sind.9 Platt formen wie «AI for Good»
der Vereinten Nationen in Genf können helfen, die Schweiz international zu positionieren und gesellschaft lich relevante Anwendungsgebiete wie Nachhaltigkeit und Ernährung zu identi- fi zieren. Die Schweiz sollte deshalb die Chance nutzen, die durch KI geprägte digitale Zukunft positiv und vertrauenswürdig mitzugestalten.
9 Vgl. z. B. Berkenkamp et al. (2017), Moosavi- Dezfooli et al. (2018) und Goel et al. (2018).
Andreas Krause
Professor für Informatik, Institut für Maschinelles Lernen, ETH Zürich und Akademischer Co-Direktor, Swiss Data Science Center
