Interaktiv-Trends 2018/2019 (6): Deep Learning - Jenseits der künstlichen Intelligenz

Künstliche Intelligenz hat 2017 eine nie zuvor gekannte, mediale Allgegenwart erfahren: Von öffentlich-rechtlichen Talkshows, die die Problematiken autonomen Fahrens diskutierten bis zum hochtrabenden Versprechen der Software-Hersteller vom Chatbot, der den Kundenservice revolutioniert. Lernende Algorithmen sind der Schlüssel zu diesen Technologien - vom Selbstfahrer-Pkw bis zum Assistenten in Smartphone und Smart-Home-Lautsprecher.

Die Technik hinter der neuen Generation künstlicher Intelligenz zerfällt in zwei aufeinander aufbauende Disziplinen:

1. Beim Machine Learning impft man Maschinen Entscheidungsfähigkeit ein - etwa einen lernenden Spam-Filter: Man gibt dem Filter 1.000 Mails und sagt ihm: "Das ist Spam" und dann nochmal 1.000: "Das ist keiner!"
   Mit Machine Learning kann der Filter Muster erkennen und verstehen, wie man eigentlich die beiden Mail-Typen unterscheidet, ohne dass ihm das ein Mensch ausdrücklich beigebracht hat.
2. Noch eine Stufe weiter geht Deep Learning. Hier kann eine Maschine alleine auch unbekannte Dinge erkennen und in Kategorien einteilen - prominentes Beispiel dafür ist ein von Google programmierter Computer, der 2012 von sich reden machte. Der Algorithmus sortierte Fotos und legte selbstständig einen Ordner mit Katzenbildern an - ohne jemals beigebracht bekommen zu haben, was Katzen sind und woran man sie erkennt. Die banale Wahrheit ist: Die Maschine hat schlicht die Gemeinsamkeiten der Objekte 'Katzen' erkannt (etwa: klein, vier Beine, Fell etc.) und dann in eine Kategorie gepackt.

Anwendungsszenarien für Deep Learning

Die Fortschritte auf dem Feld künstlicher Intelligenz werden in den kommenden Jahren zahlreiche Bereiche unseres Lebens prägen - in manchen sind sie, ohne dass dies den meisten Nutzern bewusst ist, schon längst angekommen. Beispiele für aktuelle und künftige Anwendungsmöglichkeiten gibt es genug.

• Digital Signage: Intelligente Außenwerbeformate werden dynamisch auf Passanten und ihr Verhalten zugeschnitten. Dabei lernt die Außenwerbung, wie man die Ansprache optimiert.
  
• Lead-Marketing: Systeme lernen, die Grenzen eines Leads auszuloten: Wie reagieren Besucher eines Shops auf ein komplexes Maßnahmenbündel aus dynamischem Design, Coupon-Angeboten oder Produkt-Vorschlägen?
  
• Logistik: Fahrverhalten, Verkehrs- und Wetterlage, Fracht werden miteinander in Korrespondenz gebracht. Algorithmen lernen, wie sich diese Faktoren bedingen - droht eine Fracht zu verderben, weil die Sonne heiß brennt?
  
• Dynamisches Pricing: Elektronische Preisschilder können in Verbindung mit Gesichtserkennung auslesen, wie Kunden auf attraktive oder zu teure Angebote reagieren und dynamisch individualisiert anpassen.
  
• Sortimentsoptimierung: Intelligente Algorithmen können die Warenaufstellung im Laden buchstäblich perfektionieren helfen, indem sie Heatmaps von Besucherströmen zeichnen.
  
• Servicebots : Lernende Bots verstehen die Probleme und Emotionen von Kunden deutlich besser und machen als automatisierte Lösungen den 24-Stunden-Echtzeit-Service auch für kleine Shops erschwinglich.
  
• Schadensprognostik: Die Ausfälle von Maschinen und Ersatzteilen lassen sich künftig immer öfter vorhersagen: Mit Deep Learning lässt sich das, was sich als Laune des Materials tarnt, ursächlich auf komplexe Wechselwirkungen zurückführen.
  
• Ressourcenoptimierung: Lassen sich Reparaturen vorhersagen, so muss kaum noch ein Notdienst am Wochenende ausrücken, weil ein Lift defekt ist. Der Techniker plant zum Beispiel eine Wartung noch vor dem prognostizierten Defekt ein.
  
• Assistenzsysteme: Allein in der Krebsforschung erscheinen 700.000 Publikationen pro Jahr - intelligente Systeme können diese Daten lesen, nur relevantes Wissen extrahieren und zur Unterstützung verfügbar machen.
  
• Dolmetscher: Algorithmen können Sprachen nicht nur in relativ kurzen Zeiträumen eigenständig erlernen, die großen heute verfügbaren Rechenleistungen machen Übersetzungen in Echtzeit bis in Dialekte hinein möglich.
  

Und es werden noch mehr Anwendungsfelder folgen: Mit der Vernetzung alltäglicher Gegenstände vom Badezimmerspiegel bis zum Auto fallen vollkommen neue Datenbestände an. Die Umwelt wird zum Endgerät - damit liefert theoretisch jeder Gegenstand Dateninput für das Targeting und eignet sich als Ausgabegerät für Werbebotschaften. Herren über diese Datenkosmen sind die Hersteller der Endgeräte und Lösungen. Es ist kein Zufall, dass Google und Amazon verstärkt auf Technologien setzen, die sie tief ins Heim der Nutzer führt: Smart Speaker oder vernetzte Alltagsgegenstände vom Türschloss bis zum Rauchmelder. Der Kampf um die Herrschaft über die Daten ist ein Kampf um die Präsenz im Zuhause des Nutzers. Hier fallen die meisten Daten an, die intelligente, lernende Lösungen füttern werden.

Doch eine Reihe von Hemmnissen macht es den neuen Technologien schwer, ihr volles Momentum zu entfesseln: All diese Trends werden nicht ungebremst in der Gesellschaft ankommen. Die Hemmnisse liegen in Prozessen und Strukturen.

• Analoge Bollwerke
  Es gibt noch riesige Wissensgebiete, in denen die Daten nicht digital abrufbar sind: In Medizin und Justiz etwa liegt Wissen häufig in Papierform vor.
• Mittelstands-Skepsis
  Im Mittelstand bestehen große Vorbehalte gegenüber der Nutzung von Cloud-Diensten, die als Grundlage für Deep- und Machine-Learning-Lösungen fungieren.
• IT-Widerstände
  In den IT-Abteilungen gewachsener Unternehmen gibt es häufig Widerstände gegen neue Lösungsansätze - anders als in den technologiegetriebenen Internetfirmen und Start-ups.
• Nutzer-Widerstände
  Nicht jeder wird sein Heim zum smarten Home machen und sowohl der einzelne Nutzer als auch die Politik stehen der Daten-Thematik zunehmend mit dem Bewusstsein gegenüber, dass man den Internetkonzernen dieser Welt nicht die Hoheit über eine grenzenlose Datenexegese überlassen darf.

Am Ende erscheinen als die wahrscheinlichen Profiteure des zu erwartenden Hypes um Deep Learning vor allem große Internetkonzerne: Firmen, die in der Lage sind gewaltige Datenbestände nicht allein zu analysieren, sondern überhaupt erst anzulegen, indem sie Kunden in Ökosysteme lotsen, in denen diese ihre Informationen hinterlassen. Doch ebenfalls gute Chancen am Hype mitzuverdienen, haben Agenturen, die sich rechtzeitig die notwendige computerlinguistische Expertise ins Haus holen und in der Lage sind, Anwendungen und Dienstleistungen mit Deep Learning anzubieten.