Executive Dialog 2019 Berlin, 04. April 2019 KI als Speerspitze der Digitalisierung Prof. Dr. rer. nat. Dr. h.c. mult. Wolfgang Wahlster CEA Deutsches Forschungszentrum für Künstliche Intelligenz GmbH Saarbrücken/Kaiserslautern/Bremen/Berlin/Osnabrück Tel.: (0681) 85775-5264 E-mail: wahlster@dfki.de www.dfki.de/~wahlster
Künstliche Intelligenz ist die Speerspitze der Digitalisierung KI Digitales Verstehen Technologien Supercomputer, Mobile Computer, Internet, Cloud Informatik Formale Prozesse 11 010 101 110 0101 Formale 0011 0110 Strukturen 01011 10011 11010 01010 100011 100110 010001 Mathematik
Das DFKI treibt die zweite Welle der Digitalisierung Erste Welle: Daten digital - Erfassen - Speichern - Übertragen - Verarbeiten Zweite Welle: Daten digital - Verstehen - Veredeln - Aktiv nutzen - Monetarisieren Maschinenlesbare Daten: Internet- und Cloudtechnologien Maschinenverstehbare Daten: Künstliche Intelligenz und Maschinelles Lernen Digitalisierung mit Sinn und Verstand
Interpretation digitaler Daten durch KI-Systeme BISHER: Mensch interpretiert Daten und entscheidet KI: KI-System interpretiert Daten und entscheidet Beispiele: Eingabe: Arztbriefe Foto von Autoschaden Kundendaten Röntgenbild Ausgabe: Entscheidung über Kur Verdacht auf Versicherungsbetrug Entscheidung über Kreditantrag Befund, dass Zahnwurzel entzündet ist
Künstliche Intelligenz (KI) Die KI hat: ingenieurswissenschaftliche Ziele kognitionswissenschaftliche Ziele Ingenieurswissenschaften Mechatronik Linguistik Psychologie Informatik KI Kognitionswissenschaft Neurowissenschaften Biowissenschaften Künstliche Intelligenz: Realisierung von intelligentem Verhalten und den zugrundeliegenden kognitiven Fähigkeiten auf Computern KI = Künftige Informatik
Kerngebiete und Einsatzfelder der KI Sprachverstehende Systeme Bildverstehende Systeme Autonome Systeme Kollaborative Roboter Ontologien Lern- und Inferenzbibliotheken Subsymbolische Musterkennung Lernen Wissensrepräsentation Wissensverarbeitung - Suchen - Inferieren - Planen Wissenspräsentation Wissensrepräsentationssprachen KI-Hardware Multi- Agenten Systeme Intelligente Trainingsu. Lernsystem Bots, Chatbots und virtuelle Charactere Ambiente Intelligenz
Was bewirkt die Produktveredelung durch KI-Technologien? kooperativ autonom proaktiv selbstheilend interoperabel selbstoptimierend Merkmale von KI- Systemen adaptiv lernfähig fehlertolerant selbsterklärend
Die vier Phasen der KI-Forschung
Die Erfolge des Deep Machine Learning im Bereich der Brett- und Kartenspiele 1980 BKG 9.8 schlägt Weltmeister im Backgammon 1997 Deep Blue schlägt Schachweltmeister 2016 AlphaGo schlägt Go-Großmeister 2017 KI-System Libratus schlägt Poker-Profis
Computer mit Hand und Fuß, Augen, Ohren und etwas Verstand Wie können Computer menschliche Sprache, Gestik und Mimik verstehen und erzeugen? Wie können mobile Roboter Teams bilden und gemeinsam Ziele erreichen? Wie können Computer Bilder und Filme interpretieren und erzeugen? Wie können Computer für den Menschen unzugängliche Ort explorieren? Intelligente Software- Systeme des DFKI Wie können Computer aus Erfahrung lernen? Wie können Computer zu intelligenten Assistenten für den Menschen werden? Wie können Computer Emotionen von Menschen erkennen und darauf reagieren? Wie können Computer auch aus unsicherer Information nützliche Schlussfolgerungen ziehen?
Assistenzsysteme für die Unterstützung von körperlicher und geistiger Arbeit durch KI Assistenz bei körperlicher Arbeit durch kollaborative KI-Roboter Assistenz bei geistiger Arbeit durch kognitive KI-Systeme
Digitales Verstehen: Verstehen von Digitalen Daten und Verstehen mit digitalen Systemen Digitale Daten Text Physische Reaktion z.b. von Robotern oder steuerbaren Geräten Gesprochene Sprache Bild Video Verstehen durch KI auf Digitalrechnern Virtuelle Reaktion z.b. von digitalen Assistenten oder Chatbots Zusammenfassung oder Übersetzung von Texten und Gesprächen Fragebeantwortung aufgrund z.b Videos oder Sensorwerten Sensorwerte Verstehenstest: Angemessene Reaktion Sprachliche Beschreibung z.b. von Bildern oder Videos
Kognitive Fähigkeiten für die Arbeit im Versicherungsbereich: Schwierigkeitsgrade für KI-Systeme Lesen + Bewerten ++ Übersetzen + Verstehen ++ Klassifizieren + Analysieren ++ Rückfragen + Entscheiden ++ Dokumentieren + Formulieren + Begründen +++ Argumentieren +++ zunehmender Schwierigkeitsgrad: + ++ +++
Von programmierten Systemen zu selbstlernenden Systemen Ausgabe Ausgabe Ausgabe Computerprogramm Algorithmus, Heuristik Programmierer erstellt Software Wissensverarbeitung Suche, Inferenz, Planung Fakten, Regeln, Modelle Maschinelles Lernen Merkmalsextraktion, Mustererkennung, Merkmalsabbildung Wissensbasis Datenbasis Trainingsdaten, Metadaten, Testdaten Eingabe Eingabe Eingabe Flaschenhals: Programmierer hoher Entwicklungsaufwand aufwändige Adaption geringe Erklärungsfähigkeit Flaschenhals: Wissensbasis hoher Entwicklungsaufwand hoher Pflegeaufwand gute Erklärungsfähigkeit Flaschenhals: Trainingsdaten geringer Entwicklungsaufwand leichte Anpassbarkeit schlechte Erklärungsfähigkeit
Wie Software trainiert wird Regelbasiert Lernen anhand von definierten Regeln: 1. Ein Apfel ist schlecht, wenn er braune Flecken hat Maschinelles Lernen Lernen anhand von Beispielen: Schlechter Apfel 2. Ein Apfel ist schlecht, wenn er Runzeln hat 3. Ein Apfel ist schlecht, wenn er braun ist Schlechter Apfel 4. Guter Apfel Nachteile regelbasierter Modelle: Präzise Regeln sind sehr schwer zu formulieren Regeln sind fast nie vollständig adaptiert von Leverton
Deep Learning für das Bildverstehen: Netzwerke aus mehreren Schichten merkmalserkennender Neuronen Unfall auf Landstraße Szenen- und Objektmodell Ausgabeschicht PKW 1, PKW 2 Polizeitransporter Haltestellenschild Objekte Fahrbahn, Radkappe, Heckleuchte Szenenelemente Objektteile Grüne Fläche im Hintergrund, Linie auf Fahrbahn Bildelemente, Bereiche Kanten, Markante Punkte Bild 3 Bild 2 Bild 1 Eingabeschicht Je mehr verdeckte Schichten ein Deep Learning Netz hat, desto mehr kann es abstrahieren und subtile Zusammenhänge erkennen.
Trainings- und Ausführungsphase neuronaler Netze Annotierte Trainingsdaten Lernalgorithmen für mehrlagige neuronale Netze GPU-Supercomputer Trainiertes Neuronales Netz Optimierung und Compilation des Netzes Laufzeitoptimiertes Neuronales Netz Unbekannte Eingabedaten der aktuellen Anwendung Laufzeitumgebung für die Ausführung des optimierten Netzes Mobiler oder eingebetteter Computer Ausgabe: Klassifikation Diagnose Empfehlung Übersetzung Lenkaktion
Hybride KI-Systeme System 1 = Schnelles Denken (95%) System 2 = Langsames Denken (5%) Funktioniert Automatisch, intuitiv Unbewusst, unterschwellig Basiert auf Emotionen Gewohnheiten Kontext Typisch für Entscheidungen Bei Wiederholung Von geringer Relevanz Bei Erschöpfung Funktioniert Abwägend, deliberativ Bewusst, reflektierend Basiert auf Werten/Normen Überzeugungen Kognitiven Ressourcen Typisch für Entscheidungen Beim ersten Mal Von hoher persönlicher Relevanz Inausgeruhtem Zustand Statistische KI (30%) Wissensbasierte KI (70%) Kognitionspsychologe und Träger des Alfred-Nobel-Gedächtnispreis für Wirtschaftswissenschaften Daniel Kahneman
Potentiale für den Einsatz von KI Zeit Standardisierung von Routinetätigkeiten Proaktive Informationsbereitstellung Harmonisierung von Schnittstellen Vereinfachte Datenaufbereitung Erhöhung der Compliance Minimierung von Risiken Qualitative Tätigkeitserweiterung Aufdecken neuer Zusammenhänge Qualität Kosten intelligente Automatisierung bessere Ressourcenauslastung KI-getriebene Skalierungseffekte Erhöhte Produktivität
Kosten- und Zeitersparnis durch KI am Beispiel Immobilienvertrag Zeitgewinn entlang des Lebenszyklus für Immobilienverträge Zeitgewinn bei den verschiedenen Prozessen benötigte Zeit zur Dokumentenanalyse (in Stunden) 8 3 2 Leasingübersicht Suche KI-basierte Extraktion Mit einem Klick zum juristischen Dokument 1 0 Verlängerung Erstauftrag ohne KI Neuer Mieter Juristen Verkauf Jahre Reporting Portfolio- Verwaltung Excel-export mit Hyperlinks, API Schneller semantischer Zugriff für alle Beteiligten mit KI Berater Immobilienmanager adaptiert von Leverton
Maschinelle Informationsextraktion aus Texten im Internet Text: Der künftige Bundespräsident Horst Köhler hat an den politischen Entscheidungsträgern und manchen Wirtschaftsführern in Deutschland unmittelbar nach seiner Wahl deutliche Kritik geübt. Köhler löst seinen Amtsvorgänger Johannes Rau am 1. Juli 2004 ab. Schablone Nachfolger: PersonIn: ---------- PersonOut: ---------- Position: ---------- TimeIn: ---------- TimeOut: ---------- Textklassifikation Sprachverarbeitung Schablonenverabeitung Schablone Nachfolger: PersonIn: Horst Köhler PersonOut: Johannes Rau Position: Bundespräsident TimeIn: 1.Juli 2004 TimeOut: 1. Juli 2004
Automatische Einstellungsanalyse in sozialen Internetmedien mit DFKI-Technologien
Smart Underwriting Problemstellung Antragsteller Risikolebens- Versicherung Quest 1: Suffer from desease XYZ? Quest 17: Do risky sports? - Medizinische Kenntnisse - Bauchgefühl - Einfache Regeln Annahme Annahme mit Auflagen Ablehnung Reduzierung der Anzahl Fragen in derantragstellung zu einer Risiko-Lebensversicherung Mehr neue potentielle Kunden Verschlankung des Entscheidungsprozesses Machine Learning Anwendung in der Versicherung: Smart Underwriting
Smart Underwriting Lösungsansatz Machine Learning Model Automatische Annahme (für bestimmte Kundenprofile) Quest 1-6 Machine Learning Model WenigerFragen & direkte Entscheidung Weniger Fragen > 58 Features (Einflussgrößen): 17 Antragsfragen + Soziodemografische und Vertragsinformationen Welche sind die relevanten Antrags-Fragen? > Weitere Fragestellungen, z.bsp.: Verhalten sich Geschäftsstellen unterschiedlich in der Antragsentscheidung? > Benötige interpretationsfähiges Modell!
Der Wissenstresor von Google: Der größte Speicher von Wissenstripeln für Smart Services Daten aus Webseiten Unstrukturierter Text Semistrukturierte Domänenontologien Strukturierte Tabelleninformation Daten aus sozialen Netzwerken Beispiele Tripel: ((Saarbrücken, Hauptstadt _von, Saarland) 1) ((Koblenz, hält_hitzerekord, Deutschland).7) <S, P, O>.99 <S, P, O>,.96 <S, P, O>.76 271 Mio. Wissenstripel (Konfidenz > 0.9) 45 Mio. Entitäten 1100 Objektklassen 4469 Relationsklassen wurde aus 1.6 Milliarden Kandidaten-Tripeln selektiert Google Knowledge Vault
DeepEye für Katastrophenprognose und -management sowie Früherkennung von Versicherungsschäden
Automatische Anomalieerkennung durch Bildklassifikation Erdbeben Buschbrand Copernicus Emergency Management Service, Aug. 2016 NASA, Oct. 2007 Überflutung Dammbruch NOAA Remote Sensing Division, Aug. 2016 NASA, Nov. 2015
Automatische Annotation von Satellitenbildern durch aktuelle Aufnahmen aus den sozialen Medien NASA, May 2016
Satellitenbildanalyse für die Landnutzungsklassifikation aufgrund von maschinellem Lernen
DFKI-Technologie zur Erkennung von Risiken und Planung von Hilfsmassnahmen aus Bildmaterial
KI-Systeme zur Rettung von Menschenleben TRADR: Team von zwei Bodenrobotern und drei Drohnen nach dem schweren Erdbeben in Amatrice im September 2016 unterstützen die menschlichen Rettungskräfte (FB v. Genabith) SmartSenior: Bei Herzinfarkt übernimmt ein autonomer Nothalteassistent die Steuerung des Fahrzeuges und fährt das Fahrzeug sicher an den Straßenrand (FB Wahlster mit BMW)
Boom für DFKI-Anteile: Zu den 24 DFKI-Gesellschaftern wollen derzeit 8 weitere Firmen zu der gemeinnützigen PPP hinzutreten 539 KI-Experten Mehr als 80% der Projekte mit der Wirtschaft Deutschland GmbH 50,2 M Gesamtkapazität in 2017 Volumen aller Projekte 2018: 117,5 M Direkte Industrieaufträge 25% in 2018 972 Beschäftigte 242 laufende Projekte
Das T-förmige DFKI-Portfolio: Breites Innovationsspektrum und tiefe Fachkompetenz MPG FhG HGF Anwendungsorientierte Grundlagenforschung Angewandte F&E sowie Transfer Betrieb großer Test- u. Demonstrationszentren Die gesamte Innovationskette im horizontalen Spektrum des DFKI Sehr schnelles Durchlaufen der Innovationskette: in 3 Jahren von der Idee zum Produkt Die vertikale Spezialisierung des DFKI auf Methoden und Anwendungen der Künstlichen Intelligenz Tiefes Wissen und Exzellenz auf einem wichtigen Teilgebiet der Informatik DFKI MitarbeiterInnen Breite Methoden- und Systemkompetenz in Künstlicher Intelligenz Tiefes Domänenwissen auf einem Anwendungsgebiet z.b.: Agrartechnik, Innovative Fabriksysteme, Autonome Fahrzeuge, Handelssysteme, Medizintechnik, Haustechnik, Steuer-und Finanzwirtschaft, Versichrungen, Logistik
Mit mehr als 90 Firmengründungen sind über 3200 zusätzliche Hightech-Arbeitsplätze aus dem DFKI geschaffen worden
Die Notwendigkeit hybrider KI-Systeme
Die Zukunft der KI: Kombination von Maschinellem Lernen und Wissensbasierten Verfahren Wissensfreie KI-Verfahren Wissensbasierte KI-Verfahren Statistische und neuronale Lernverfahren Such-, Inferenz- und Planungsverfahren z.b. Tiefe Neuronale Netze z.b. Wissensgraphen Wechselseitige Unterstützung Statistische und neuronale Lernverfahren können genutzt werden, um Suchprozesse in wissensbasierten Verfahren zu steuern und damit effizienter zu machen. um Wissensgraphen und Grundoperatoren für wissensbasierte Inferenz- und Planungsverfahren zu lernen. Wissensbasierte und logikbasierte KI-Verfahren können genutzt werden, um die Ergebnisse von maschinellen Lernverfahren zu kombinieren, zu vervollständigen oder zu korrigieren. um die Ergebnisse aus maschinellen Lernverfahren plausibel zu machen oder zu erklären.
Neuer Trend in der KI-Forschung: Die Kombination von Maschinellem Lernen und Symbolischem Wissen Himmel Symbolisches Wissen Vordergrund Aufgabe: Wo auf dem Bild ist ein Flugzeug zu sehen? 1. Semantische Segmentierung: Himmel versus Vordergrund (LOKATION FLUGZEUG HIMMEL 0.7) (LOKATION FLUGZEUG BERG 0.01) (LOKATION FLUGZEUG PISTE 0.29) 2. Objekterkennung auf der Basis von Deep Learning nur für Pixel in der Himmelsregion Forschungsergebnis basiert auf Blickbewegungsanalyse im BMBF-Projekt Intera-KT (DFKI 2018)
Referenzarchitektur für Autonome Systeme Kontrollmöglichkeiten des Betreibers Sensorik Kommunikation mit der Umgebung Technische Rückfallebene Episodisches Gedächtnis Wissensbasen Modellbibliotheken Domänenmodelle Aufgabenmodelle Kollaborationsmodelle Benutzermodelle Diskursgedächtnis Planbibliothek Selbstregulation Wahrnehmung und Interpretation Lernen und Schlussfolgern Planung und Planerkennung Kommunikation und Kollaboration Bidirektionaler Transfer der Kontrolle Kommunikation mit Menschen Aktorik
Autonome Systeme
Kombination der verschiedenen Echtzeit- Erkennungssysteme: andere Verkehrsteilnehmer, Fahrspuren, Manövrierraum
Neue Formen der Elektromobiliät werden durch die weitere Digitalisierung möglich Das vernetzte und wandlungsfähige Elektromobil EO des DFKI
FlatFish: Ein autonomer DFKI- Tiefseeroboter für die Pipeline-Inspektion Von Shell gekauft und im Einsatz vor Brasilien
Gehirn-zu-Gehirn-Kommunikation Gedanke an Tastendruck des Senders (EEG) löst diesen unwillentlich beim Empfänger aus (TMS)
Sensormotorische und Soziale Intelligenz für das Teamplay im Roboterfußball Das DFKI-Team B-Human ist seit Juli 2016 zum fünften Mal Weltmeister. Die Roboter geben viel zu selten ab und wollen lieber selbst die Tore schießen. Der Doppelpass und die Abseitsfalle sind bisher nur über aufwändige Softwaresysteme zu realisieren.
Aktuelle Entscheidungsbasis für autonome Fahrzeuge 1. Sachschaden geht vor Personenschaden 2. Eine Bewertung oder gar Abwägung von Menschenleben ist nicht zulässig. 3. Der geplante Fahrweg wird nur verlassen, wenn dadurch Personenschaden vermieden werden kann. 4. Die Geschwindigkeit wird bei Kollisionsgefahr extrem reduziert. 5. Durch aktive Sicherheitssysteme werden bei unvermeidlichem Aufprall Personenschäden minimiert.
Autonome Systeme werfen ethische Fragen auf Asimov sche Gesetze: 1. Ein Roboter darf kein menschliches Wesen wissentlich verletzen oder durch Untätigkeit gestatten, dass einem menschlichen Wesen wissentlich Schaden zugefügt wird. 2. Ein Roboter muss den ihm von einem Menschen gegebenen Befehlen gehorchen es sei denn, ein solcher Befehl würde mit Regel 1 kollidieren. 3. Ein Roboter muss seine Existenz beschützen, solange dieser Schutz nicht mit Regel 1 oder 2 kollidiert. Beispiel einer falschen ethischen Entscheidung bei einem menschlichen Fahrer: Schulbusfahrer weicht auf glatter Waldstrasse einem Reh aus, kommt ins Schleudern und der Bus kippt um mit vielen schwerverletzten Kindern. Problem beim autonomen Fahren: Können Kind, Reh, Affe als Hindernis unterschieden werden?
Fragwürdige ethische Tests für Entscheidungen in Kollisionsszenarien Quelle: MIT
Superintelligenz als Science Fiction
Offene Probleme beim Maschinellem Lernen Fehlanpassung durch zuviel Training Kein Extinktionslernen Schwache Selbsterklärungsmöglichkeiten Alchemie der Lernarchitektur Fehlalarme durch falsch positive Ergebnisse
Die Bandbreite menschlicher Perzeption Sensor system Gesamte Bandbreite (Bit/Sek.) Bewußt wahrgenommene Bandbreite (Bit/Sek.) Sehen 10.000.000 40 Hören 100.000 30 Tasten 1.000.000 5 Schmecken 1.000 1 Riechen 100.000 1 nach: R. Kay 2001
Das Paradoxon der Künstlichen Intelligenz In der KI-Forschung gilt: Schwere Probleme sind leicht, leichte Probleme sind schwer. Expertenintelligenz Kognitive und wissensintensive Fähigkeiten Spätes Evolutionsstadium Alltagsintelligenz Sensomotorische & sozioemotionale Fähigkeiten Frühes Evolutionsstadium Schachmeister besiegen Witz verstehen Bilanzfälschung erkennen Kind trösten
Künstliche Intelligenz versus menschliche Intelligenz Dimensionen der Intelligenz versus Sensomotorische Intelligenz + ++ Kognitive Intelligenz ++ + Emotionale Intelligenz ++ Soziale Intelligenz ++
Ist Künstliche Intelligenz besser als die menschliche Intelligenz eines Juristen? 0100010 0101001 1000100 [f: P* A] 0100010 0101001 1000100 [f: P* A] Antwort : Noch lange nicht! Aber:
Künstliche Intelligenz ist besser als natürliche Dummheit. 0100010 0101001 1000100 [f: P* A]?
Konklusion Künstliche Intelligenz wird immer mehr zur Schlüsseltechnologie für Kernbereiche der deutschen Wirtschaft: von der Smart Factory über Smart Products bis hin zu Smart Services. Künstliche Intelligenz ist im Alltag angekommen: vom Assistenzsystem auf dem SmartPhone bis zum Autopiloten im PKW. Der Mensch steht bei der Künstlichen Intelligenz aber im Mittelpunkt, weil er nicht ersetzt, sondern in seinem Handeln unterstützt werden soll. Die Angst vor einem Kontrollverlust oder gar vor einer Superintelligenz als Singularität muss durch einen wissenschaftsbasierten Diskurs mit der Zivilgesellschaft begegnet werden.
Vielen Dank für Ihre Aufmerksamkeit