Getty Images/iStockphoto
Neue Deep-Learning-Techniken verbessern KI-Anwendungen
Mittlerweile helfen Generative Adversarial Networks, Reinforcement Learning und Transfer Learning dabei, über Machine Learning hinaus zu besserer KI zu gelangen.
Generative Adversarial Networks (GAN), Reinforcement Learning (bestärkendes Lernen) und Transfer Learning (Transferlernen) sind Ansätze, die von Forschern seit Jahren durchleuchtet werden. Mit den jüngsten Technologieverbesserungen werden diese Deep-Learning-Techniken nun auch praxistauglich.
„Es handelt sich nicht wirklich um neue Konzepte“, sagt Hermann Ney, Professor für Informatik an der RWTH Aachen und wissenschaftlicher Leiter des Spracherkennungsunternehmens AppTek. „Doch jetzt, in der Ära des Deep Learning, haben sie eine bessere Chance, wirklich hilfreich zu sein.“
GANs verwischen die Grenze zwischen real und künstlich
2018 veröffentlichten Forscher des Chipherstellers Nvidia ein Video mit computergenerierten Gesichtern, Autos und Möbeln, die erstaunlich realistisch waren (siehe Video).
Das Geheimnis? Generative Adversarial Networks (GANs), zu Deutsch etwa erzeugende gegnerische Netzwerke, in denen zwei verschiedene KI-Systeme gegeneinander antreten. Das eine System versucht, realistisch aussehende Bilder zu erzeugen; das andere System versucht zu erkennen, welche Bilder gefälscht und welche echt sind.
Im Laufe der Zeit werden beide Systeme immer besser. Die Ergebnisse können außergewöhnlich lebensecht sein – und ein wenig beunruhigend. „Es ist eine ziemlich beängstigende Sache, wie realistisch diese künstlich erzeugten Bilder sind“, sagt Vivek Katyal, Global Analytics Leader für Risiko- und Finanzberatung bei Deloitte.
Neben Film- und Videospielunternehmen, die mit GANs Szenen mit Menschenmassen ausfüllen, gibt es aber noch andere Verwendungszwecke. Zum Beispiel können Unternehmen damit Fotos und 3D-Renderings erstellen oder sogar Modelle für den 3D-Druck generieren.
„Dies wird jetzt für die fortschrittliche Fertigung geprüft“, sagte Katyal. Er fügt hinzu, dass es auch in anderen Bereichen potenzielle Anwendungen gibt, wie zum Beispiel in der medizinischen Bildverarbeitung und bei der Generierung umfangreicher Trainingsdatensätze, die Deep Learning ermöglichen. „Die Schlüsselanwendung ist die Erzeugung von Bildsätzen für Lerndaten.“
Katyal warnt jedoch, dass Unternehmen sich davor hüten müssen, unbeabsichtigt Verzerrungen und Fehler in ihre Systeme einzuführen. Wenn ein Unternehmen GANs einführt, ohne vorher sicherzustellen, dass seine Daten sauber, repräsentativ und unvoreingenommen sind, kann die Deep-Learning-Technik Probleme noch verstärken.
„Ich denke zwar nicht, dass dies die Einführung behindert“, sagt er. „Aber das liegt daran, dass ich nicht glaube, dass die Menschen heute zuerst auf das Risiko schauen. Sie schauen darauf, was sie damit erreichen können.“
Reinforcement Learning schafft neue Strategien
Im Dezember 2018 veröffentlichte Google die Ergebnisse seiner Erfahrungen mit AlphaZero, einem System, das Go und Schach von selbst lernte, ohne menschliche Partien zu studieren oder Feedback von Menschen zu erhalten.
Das Geheimnis war der Einsatz von Reinforcement Learning, einer der modernsten neuen Techniken für Deep Learning. Das Programm spielte die Partien immer und immer wieder mit dem Versuch, seine eigenen früheren Versionen zu schlagen. Es entwickelte sich schnell zu einem System, das alle bestehenden Konkurrenten schlagen konnte.
David Silver, der die Reinforcement Learning Group für DeepMind von Google leitet, schrieb in einem Blogbeitrag, dass dieser Ansatz zu einer kreativeren Art des algorithmischen Spielens führen kann.
Reinforcement Learning kann von einem KI-System genutzt werden, um sich selbst beizubringen, wie man fast alles macht, solange es eine Möglichkeit gibt, den Punktestand zu behalten.
„Zu den praktischen Anwendungen gehören Navigationsanwendungen, die es Robotern ermöglichen, sich an neuen Orten zurechtzufinden, über die sie noch nicht viele Daten haben, oder Fertigungsroboter, die lernen, mit Objekten zu interagieren“, sagt Jacob Perkins, CTO beim Sicherheitsanalyse-Unternehmen Insight Engines und Autor mehrerer Bücher über die Entwicklung von Software für Machine Learning.
„Ich weiß nicht, ob Roomba Reinforcement Learning verwendet, aber es wäre eine gute Anwendung davon“, sagt er.
Tatsächlich kann laut Christian Shelton, Professor für Informatik an der University of California, jeder Prozess, der sich optimieren lässt, ein Ziel für Reinforcement Learning sein.
Optimierungsherausforderungen im Supply Chain Management (SCM), bei der Energienutzung in Rechenzentren und bei Zeitplänen für Cloud Workloads werden derzeit mit anderen Ansätzen bewältigt, beispielsweise mit traditionellen statistischen Methoden, die kein Reinforcement Learning erfordern. Da die Herausforderungen jedoch komplexer werden und Unternehmen unterschiedliche Faktoren berücksichtigen müssen, wird Reinforcement Learning allmählich zu einer verbreiteten Anwendung finden.
Transfer Learning kann zu einer natürlicheren KI führen
Transferlernen (Transfer Learning) ist etwas, das für den Menschen ganz natürlich ist. Wenn wir einmal gelernt haben, wie man eine Sache macht, fällt es uns leichter, eine zweite, damit zusammenhängende Sache zu lernen, anstatt jedes Element der zweiten Aufgabe von Grund auf neu lernen zu müssen.
Bei Computerprogrammen kommt das nicht von selbst, aber Programmierer von künstlicher Intelligenz (KI) verwenden verschiedene Methoden, um neuen Systemen einen Vorsprung zu verschaffen. Mit den jüngsten Fortschritten bei den neuen Techniken des Deep Learning sind die Möglichkeiten des Wissenstransfers besser geworden.
Die Firma AppTek verwendet zum Beispiel KI-Systeme, um gesprochene Sprache zu verstehen und zu übersetzen. Transferlernen ermöglicht es dem Unternehmen, seine Systeme auf großen, öffentlich zugänglichen Datensätzen zu trainieren, wie zum Beispiel Rundfunk- und Unterhaltungsvideos sowie Audioformate. „Anschließend kann das Erlernte auf andere Situationen angewendet werden, wie zum Beispiel benutzergenerierte Videos oder Telefongespräche, bei denen die Tonqualität schlecht ist“, sagt Mudar Yaghi, CEO von AppTek, Mudar Yaghi.
„Die Ergebnisse sind in allen Fällen genauere Vorhersagen, wie zum Beispiel Chatbots, die nun regionale Dialekte oder Schreibweisen erkennen“, sagt Ken Sanford, Analytics Architect und Sales Engineering Lead beim Datenplattform-Unternehmen Dataiku und Professor am Boston College.
Sanford hat als unabhängiger Experte mit vielen Unternehmen an KI-Projekten gearbeitet, darunter Walmart. Walmart und andere Einzelhändler setzen Transferlernen ein, um Produkte besser kategorisieren zu können, sagt er. „Sie haben zu viele neue Produkte, und das Klassifizierungssystem ist zu komplex, um es manuell durchzuführen. Transferlernen, in Kombination mit Bilderkennung, kann subtile Unterschiede zwischen Produkten identifizieren.“
Cloud-Anbieter, die KI-Modellbildungsdienste anbieten, darunter Google, Microsoft und Amazon, nutzen ebenfalls Transferlernen.
„Sie laden ein Trainigsset hoch, sie beziehen sich auf alle Modelle, die sie haben und damit in Zusammenhang stehen, und sie verwenden das gekennzeichnete Trainingsset, um das Modell weiter zu verfeinern", sagt Sanford.
Neue Deep-Learning-Techniken führen zu natürlicherer KI
In den letzten Jahrzehnten hat sich KI-Technologie dramatisch verbessert und von grundlegenden regelbasierten Systemen zu statistischen Ansätzen entwickelt. „In jüngster Zeit wird sie durch die heute weit verbreiteten Machine-Learning-Algorithmen unterstützt“, sagte Katyal von Deloitte.
Mittlerweile helfen GANs, Reinforcement Learning und Transfer Learning dabei, über Machine Learning hinaus zu einer besseren KI zu gelangen. Das ist der nächste Schritt auf dem Weg zur allgemeinen KI, die menschliche Intelligenz praktisch automatisiert.
