Keine Hexerei, sondern Alltag

Transkript

1 AI Trendletter Auch Deep Learning macht den Data Scientist nicht obsolet Keine Hexerei, sondern Alltag Meinung von Dr. Andreas Becks Bei der Beschäftigung mit Begriffen wie Künstliche Intelligenz, Cognitive Computing und Machine Learning wird schnell klar, dass man sich definitionstechnisch auf ein wahres Minenfeld begibt. So unscharf die Begriffe in der öffentlichen Diskussion verwendet werden, so vielseitig die Bereiche, in denen die Technologien heute schon genutzt werden. Deep Learning wird häufig synonym für selbstlernende Systeme verwendet und in den Kontext Cognitive Computing gestellt. Dabei bezeichnet der Begriff Deep Learning einerseits eine Teilmenge des maschinellen Lernens und enger gefasst neuronaler Netze. Andererseits fällt er in die größeren Bereiche Data Mining, Cognitive Computing und Künstliche Intelligenz (KI), die ihrerseits Teilüberschneidungen haben. Die Themen sind also alles anderes als klar voneinander abgegrenzt. Was können kognitive Systeme?

2 KI-Methoden, hilfreich bei der Analyse riesiger Datenmengen Kognitive Systeme verbinden KI-Methoden mit Machine Learning und großen, heterogenen Datenmengen. Das Ziel ist, Systeme zu schaffen, die auf natürliche Weise mit Menschen interagieren auf Basis von Sprachverstehen, Sentiment-Analyse oder Gesichtserkennung. Dazu gehört auch das Lernen: Anhand von Konzepten und aus vielen Umgebungsinformationen werden Muster und verallgemeinernde Regeln abgeleitet, die dann auf neue Situationen angewandt werden können. Last but not least nutzen kognitive Systeme zahlreiche Daten und Datenquellen, dazu gehören unstrukturierte ebenso wie strukturierte Daten. Maschinenraum für kognitive Use-Cases Der Data Scientist gewinnt viel mehr Flexibilität als beim klassischen Machine Learning, wo er die Features im Vorfeld manuell erstellen muss. Deep Learning ist ein Spezialfall von Machine Learning und geht im wahrsten Sinne des Wortes tiefer. Der Begriff bezieht sich auf ein tiefes neuronales Netz ( Deep Neural Network ), das eine sehr große Anzahl von Neuronen in verschiedenen versteckten Schichten umfasst. Es ist stark auf Anwendungsfälle aus dem Cognitive Computing ausgelegt, also zur Erkennung von Gesichtern, Texten, Stimmungen oder Sprache. Ein wichtiger Unterschied: Im Gegensatz zu klassischem Machine Learning, wo der Algorithmus auf bestehende Merkmale (englisch: Features) angewandt wird, generieren im Deep Learning die Algorithmen gewissermaßen erst die Features. Das ist ein Paradigmenwechsel und erfordert ein umfassendes Umdenken: Die Feature-Erstellung ist jetzt Teil des neuronalen Netzwerks. Die Netze werden dadurch viel dynamischer, der Anwender muss nicht mehr alles vordenken, stattdessen kann die Maschine selbst ausprobieren und experimentieren. Zu kurz greift in dem Zusammenhang die oftmals vorherrschende Wahrnehmung, dass man im Deep Learning die Algorithmen nur noch mit Daten füttern muss und dann automatisch Antworten erhält. Auch Deep Learning benötigt noch menschliche Intelligenz, und zwar jemanden, der die Netzwerktopologie bestimmt und weiß, welche Erkenntnisse die Daten bergen. Der Data Scientist ist also keineswegs obsolet. Allerdings hat er wesentlich mehr Flexibilität als beim klassischen Machine Learning, wo er die Features im Vorfeld manuell erstellen muss. Warum gerade jetzt? In den vergangenen Jahren haben sich einige technologische Rahmenbedingungen so gewandelt, dass sie ein optimales Feld für Trendtechnologien wie Machine Learning oder Deep Learning schaffen. Zum einen wegen der wachsenden Menge an Daten (durch Sensoren, Internet of Things, Social Media), die für den Lernprozess notwendig sind. Zum anderen benötigen diese Algorithmen eine enorm hohe Rechenleistung, die heute unter anderem dank Multi-Core-CPUs, GPU-Computing oder der Nutzung ganzer Rechner-Cluster mittels parallelisierter Algorithmen zur Verfügung steht. Darüber hinaus werden immer mehr neue Algorithmen für spezielle Anwendungen entwickelt und aus denen ergeben sich wieder neue Anwendungsfelder. Zu den typischen Use-Cases für Deep Learning gehört beispielsweise die Bilderkennung mit Convolutional Neural Networks oder die Handschrift- und Sprach-Erkennung mit Recurrent Neural Networks.

3 Bilder, Handschrift und Sprache erkennen Viya ist eine Plattform, mit der die Auswertung von Daten auch im Bereich Deep Learning ermöglicht wird, z. B. mit Lösungen wie SAS Visual Data Mining and Machine Learning, die darauf aufsetzen. Alleine die Bilderkennung bietet eine enorme Vielfalt an konkreten Einsatzszenarien im Business-Kontext, die hinsichtlich ihrer Komplexität stark variieren. Statistiken zu Fußballmatches lassen sich über die Identifizierung von Rückennummern der Spieler im Video quasi in Echtzeit erstellen. Dem Versicherungssektor öffnet sich ein großes Potenzial an Kostenreduktion und Betrugsvermeidung, indem anhand von Fotos ein Schaden gemeldet und geschätzt wird, sodass ein Gutachter nur noch in unklaren Fällen die Lage vor Ort klären muss. Bei der Post, DHL oder anderen Logistikunternehmen kommen kognitive Technologien schon lange bei der Postleitzahlenerkennung zum Einsatz, wodurch sich die Fehlerquote bei der Zustellung reduziert. Recurrent Neural Networks sind im Gegensatz zu Convolutional Neural Networks algorithmentechnisch nicht von links nach rechts gerichtet, sondern dürfen eine Schleife haben. Das erlaubt ganz andere Use-Cases wie die Handschrift- und Sprach- Erkennung. Ein Beispiel dafür ist die Funktionsweise von digitalen Sprachassistenten. Hat der Nutzer seine Frage gestellt, wird das Audiofile zunächst in Phoneme (informationstragende Einheiten) zerlegt und in geschriebenen Text transkribiert, der dann im Hintergrund in indizierte Online-Suchmaschinen fließt. Dazu kommen Kontextinformationen wie Geodaten (beispielsweise bei der Frage Wo ist der nächste Badesee in meiner Nähe? ). Nächster Schritt ist das verstärkende Lernen aus dem Feedback des Nutzers auf die Suchergebnisse. Wohin geht die Reise? Naheliegend ist, dass alle großen Unternehmen auf den Deep-Learning-/Cognitive-Computing-Trend aufsetzen werden, Google ist hier sicher Vorreiter. Interessant ist es aber auch für Automobilhersteller, die autonomes Fahren in ihr Portfolio aufnehmen, für das ebenfalls Bild- und Objekterkennung notwendig ist. Letztlich können und werden alle Branchen diese kognitiven Technologien nutzen je nachdem, wie innovationsfreudig sie sind. Die großen Player der Tech-Branche gehen sogar so weit, dass sie ihr Hardware-Angebot an die Herausforderungen der neuen Technologien anpassen. Sie setzen hierzu vermehrt auf Grafikkarten (GPU-Computing) oder Spezialhardware, da Deep-Learning- Verfahren in der Trainingsphase sehr ressourcenintensiv sind. Google hat zum Beispiel seine Tensor Processing Unit (TPU) für die neuronalen Netzwerk-Berechnungen im Hintergrund von Google Search, Street View, Google Photos und Google Translate. Auch Apple verleiht seinem Sprachassistentensystem Siri mit der Neural Engine einen eigenen Prozessor.

4 Lernen ohne Grenzen Generell werden immer mehr Aufgaben und Probleme über Bild- und Spracherkennung gelöst sowohl im B2C- als auch im B2B- Bereich. Deep Learning hält noch viele Möglichkeiten bereit, wenn es um eine Vereinfachung/Verbesserung des Alltags geht. Viele kognitive Fähigkeiten des Menschen werden in den kommenden Jahren dadurch abgebildet werden, dass für einzelne Konzeptklassen speziell vortrainierte Netzwerke für einzelne Konzepte verfeinert werden. Auf diese Weise lässt sich die Bilderkennung von Objekten deutlich vorantreiben, indem man für jedes einzelne Konzept der realen Welt (Bäume, Pflanzen, Fahrzeugtypen etc.) ein Deep Neural Network trainiert. Das könnte so weit gehen, dass nicht mehr nur Bäume von Tieren unterschieden werden, sondern auch innerhalb dieser Objektklassen also zwischen Schimpanse und Orang-Utan differenziert wird. Die Lernalgorithmen werden immer intelligenter und damit auch persönliche Assistenten oder autonomes Fahren. Fazit West Perth ist der Sieger des mittels KI ermittelten Paradise Found -Rankings. Neue Algorithmen und neue Ideen bringen neue Anwendungsfälle. Heute sind viele noch verunsichert: Wird die Digitalisierung uns die Arbeitsplätze wegnehmen? Werden Roboter das menschliche Denken übernehmen? Morgen gehören Cognitive-Computing-Technologien zum Alltag. Die vielen Daten, die dabei ausgewertet werden, stellen den Datenschutz auf den Prüfstand gerade vor dem Hintergrund der EU-Datenschutz-Grundverordnung, die nächstes Jahr umgesetzt werden muss und eine lückenlose Dokumentation zum Umgang mit personenbezogenen Daten von Unternehmen fordert. Was die Technologie kann, ist schon ersichtlich. Für die Entscheidung, was sie darf und soll, ist weiterhin der Mensch zuständig. Was Machine Learning bereits heute zu leisten vermag, zeigt SAS übrigens anschaulich in dem Projekt Paradise Found. Unsere Analysten haben hierfür Daten aus Datenquellen ausgewertet, um den besten Ort der Welt zu ermitteln und zwar ohne vorgefertigten Kriterienkatalog, rein aus den Daten. Einblicke in neue Trends und Entwicklungen bei Technologien wie Machine Learning und Big Data Analytics gibt SAS auch auf seiner internationalen Konferenz Analytics Experience 2017 vom 16. bis 18. Oktober in Amsterdam.

5 Dr. Andreas Becks ist Head of Business Analytics DACH bei SAS und damit für die Beratung von Kunden zu Anwendungen von Künstlicher Intelligenz und Maschinellem Lernen mit SAS-Technologien zuständig. Seit vielen Jahren konzipiert er innovative Lösungen für datenbasierte Entscheidungen in komplexen Geschäftsanwendungen. Der Diplom-Informatiker hat an der RWTH Aachen im Bereich Text Mining und Wissensmanagement promoviert und ist Master of Business Administration der Universität St. Gallen. Bildnachweise: SAS AI Trendletter Impressum Kontakt & Anfrage