Künstliche Intelligenz ist nicht gleich Künstliche Intelligenz – denn es existieren verschiedene Ansätze, wie die Systeme ihr Wissen abbilden: Unterschieden wird vor allem zwischen den beiden methodischen Ansätzen der neuronalen Netze und der symbolverarbeitenden Künstlichen Intelligenz.

Wissen wird durch Symbole repräsentiert

Klassische KI beschäftigt sich vor allem damit, eine Aufgabe logisch zu analysieren und zu planen. Diese symbolische, auch regelbasierte KI ist die ursprüngliche, bereits in den 1950er Jahren entwickelte Herangehensweise. Dabei wird versucht, menschliche Intelligenz durch die Verarbeitung abstrakter Symbole und mit Hilfe formaler Logik nachzubilden. Das bedeutet, dass Fakten, Ereignisse oder Aktionen durch konkrete und eindeutige Symbole repräsentiert werden. Auf Basis dieser Symbole lassen sich dann mathematische Operationen definieren wie zum Beispiel das unter Programmierern bekannte Paradigma „wenn X, dann Y, sonst Z“. Das Wissen, also die Summe an Symbolen, ist in großen Datenbanken hinterlegt, mit denen sie ihre Inputs abgleichen. Diese Datenbanken müssen vorab von Menschen „gefüttert“ werden. Klassische Anwendungen der symbolischen KI sind zum Beispiel Textverarbeitung und Spracherkennung. Das wohl berühmteste Beispiel für symbolische KI ist DeepBlue: Der von IBM entwickelte Schachcomputer schlug 1997 mit Hilfe symbolischer KI den damaligen Schachweltmeister Garri Kasparow.

Die symbolische KI kann mit steigender Computer-Rechenleistung immer komplexere Probleme lösen. Allerdings arbeitet sie nach festen Regeln – soll sich eine Maschine außerhalb eines eng eingegrenzten Bereichs zurechtfinden, muss sie eine deutlich flexiblere KI haben, die auch mit Unsicherheiten und neuen Erfahrungen zurechtkommt.

Das Wissen über Neuronen selbstständig erweitern

Diese Flexibilität bieten künstliche neuronale Netze, die derzeit im Fokus der Forschung stehen. Mit ihnen wird die Funktionsweise des menschlichen Gehirns nachgebildet: Wie in der Natur bestehen künstliche neuronale Netze aus Knotenpunkten, die Neuronen oder auch Units genannt werden. Sie nehmen Informationen aus der Umwelt oder von anderen Neuronen auf und leiten sie in modifizierter Form an andere Units oder an die Umwelt (als Ergebnis) weiter. Dabei wird zwischen drei verschiedenen Arten von Units unterschieden:

Input-Units nehmen von der Außenwelt verschiedene Informationen auf. Das können zum Beispiel Messdaten oder Bildinformationen sein. Die Auswertung dieser Daten, zum Beispiel dem Foto eines Tieres, erfolgt über mehrere Schichten von Hidden-Units. Am Ende des Prozesses geben Output-Units das Ergebnis an die Außenwelt: „Das Foto zeigt einen Hund.“ Die Auswertung erfolgt über die Kanten, über die die einzelnen Neuronen miteinander verbunden sind. Die Stärke der Verbindung zwischen zwei Neuronen wird durch ein Gewicht ausgedrückt. Je größer das Gewicht ist, desto größer ist der Einfluss einer Unit auf eine andere Unit. Das Wissen eines neuronalen Netzes ist also in seinen Gewichten gespeichert. Lernen erfolgt in der Regel über eine Veränderung des Gewichts, wie bzw. wann sich ein Gewicht verändert, ist in Lernregeln definiert. Bevor ein neuronales Netzwerk in der Praxis eingesetzt werden kann, muss es also zunächst mit diesen Lernregeln trainiert werden. Anschließend können neuronale Netze dann mit ihrem Lernalgorithmus selbstständig dazulernen und eigenständig wachsen – das macht neuronale Künstliche Intelligenzen zu sehr dynamischen, anpassungsfähigen Systemen, die auch Herausforderungen meistern, bei denen die symbolische KI versagt.

Kognitive Prozesse als Basis einer neuen KI

Eine weitere neue Form der Künstlichen Intelligenz haben Informatiker der Universität Tübingen entwickelt: Ihr Computerprogramm „Brain Control“ simuliert sowohl eine 2D-Welt als auch darin eigenständig handelnde, kooperierende und lernende virtuelle Figuren – oder Agenten. Die Simulation zielt darauf ab, moderne Theorien der Kognitionswissenschaft in ein Modell zu überführen und neue Varianten Künstlicher Intelligenz zu erforschen. Brain Control verzichtet bisher auf den Einsatz neuronaler Netze, folgt aber auch nicht dem klassischen KI-Paradigma. Die theoretische Kernidee hinter dem Programm entstammt einer kognitionspsychologischen Theorie, nach der kognitive Prozesse im Wesentlichen prognostizierbar agieren und auf sogenannten „Events“ basiert sind. Solche Events, beispielsweise eine bestimmte Bewegung, wie das Greifen nach einem Stift, und die Verkettung von Events, wie das Zusammenpacken, wenn man Feierabend hat, bilden demnach den Grundstock der Kognition, mittels dem zielorientiert Interaktionen und Interaktionsketten mit der Welt ausgewählt und kontrolliert werden. Diese Hypothese wird von Brain Control gespiegelt: Die Figuren planen und entscheiden, indem sie Events und ihre Verkettung simulieren und damit relativ komplexe Handlungsfolgen ausführen können. So können die virtuellen Figuren sogar kooperativ handeln. Zuerst bringt eine Figur eine andere auf eine Plattform, damit diese dort den Weg freimachen kann, woraufhin beide vorankommen. Die Modellierung kognitiver Systeme wie in Brain Control ist allerdings noch immer ein ambitioniertes Vorhaben, soll aber langfristig zu besserer Künstlicher Intelligenz führen.

The post Neuronale Netze simulieren das Gehirn appeared first on Future Markets Magazine.

Viele Funktionen intelligenter Informationssysteme basieren auf Verfahren der Mustererkennung: Die Unterstützung von Diagnosen in der Medizin, die Spracherkennung von Assistenzsystemen und Übersetzungstools, die Objekterkennung aus Kamerabildern und Videos oder auch die Vorhersage von Aktienkursen. Bei allen Anwendungen geht es darum, bestimmte Muster – oder Regeln – in großen Datenmengen zu erkennen. Ob es sich bei diesen Daten um die in einer Datenbank gespeicherten Informationen, um Pixel eines Bildes oder die Betriebsdaten einer Maschine handelt, ist dabei gleich. Mit klassischen Computersystemen war dies entweder gar nicht oder nur mit sehr langen Berechnungszeiten von bis zu mehreren Tagen möglich.

Daten in Sekundenschnelle klassifizieren

Mit der Entwicklung neuronaler Netze und maschinellem Lernen stehen heute Lösungen zur Verfügung, in der auch komplexe Eingangsdaten innerhalb von Minuten oder sogar Sekunden mit antrainierten Merkmalen abgeglichen und klassifiziert werden können. Dabei werden zwei grundsätzliche Methoden unterschieden: die überwachte und die unüberwachte Klassifikation.

Bei der überwachten Klassifikation von Eingangsdaten in der Mustererkennung wird das System mit Trainingsdaten „gefüttert“, bei denen die Daten mit dem richtigen Ergebnis entsprechend gekennzeichnet sind. Die richtige Antwort muss also während der Trainingsphase vorliegen und der Mustererkennungs-Algorithmus muss die Lücke zwischen dem Input und dem Output füllen. Diese überwachte Mustererkennung wird beispielsweise beim maschinellen Sehen für die Objekterkennung oder für die Gesichtserkennung eingesetzt.

Beim unüberwachten Lernen sind die Trainingsdaten nicht gekennzeichnet, die möglichen Ergebnisse sind also unbekannt. Der Mustererkennungs-Algorithmus kann also nicht trainiert werden, indem ihm die Ergebnisse, auf die er kommen soll, vorgegeben werden. Vielmehr werden Algorithmen genutzt, die die Struktur der Daten erkunden und sinnvolle Informationen aus ihnen bilden. Um beim Beispiel des maschinellen Sehens zu bleiben: Die Techniken der unüberwachten Mustererkennung werden unter anderem für die Objekterkennung verwendet. Grundsätzlich dienen unüberwachte Verfahren auch dem Data Mining, also der Erkennung von Inhalten in großen Datenmengen anhand von sichtbar werdenden Strukturen.

Strukturen in Big Data finden

Bei dieser Analyse von Big Data werden wiederum verschiedene Verfahren eingesetzt. So zum Beispiel die Assoziationsmuster-Analyse. Hierbei wird in einer Trainingsdatenmenge nach Kombinationen von Einzel-Tatsachen oder Ereignissen gesucht, die signifikant oft oder signifikant selten gemeinsam in den Daten vorkommen. Ein anderes Verfahren ist die Sequenzmusteranalyse. Hier wird in einer Trainingsdatenmenge nach zeitgeordneten Abfolgen gesucht, die auffällig oft oder selten nacheinander in den Daten vorkommen. Als Ergebnis der verschiedenen Analyseverfahren erhält man eine Sammlung von Mustern bzw. Regeln. Sie kann auf zukünftige Datensätze angesetzt werden, um herauszufinden, ob eine oder mehrere Regeln in diesen Datensätzen vorkommen. Die Regeln können in operative Softwareprogramme integriert werden, um zum Beispiel Frühwarnkonzepte zu realisieren oder fällige Wartungen zu prognostizieren.

The post Mustererkennung durch KI appeared first on Future Markets Magazine.

Künstliche Intelligenz ist zurzeit ein echtes „Buzz-word“, auch oder gerade außerhalb der Hightech-Industrie. Doch KI ist nicht gleich KI – Experten unterscheiden zwischen drei Formen Künstlicher Intelligenz:

1. Schwache Künstliche Intelligenz
2. Starke Künstliche Intelligenz
3. Künstliche Superintelligenz

Zunächst gibt es die sogenannte schwache Künstliche Intelligenz (engl.: weak AI oder narrow AI). Dieser Typ von Künstlicher Intelligenz kann nur eine bestimmte, klar definierte Aufgabe lösen. Dazu setzt das System Methoden der Mathematik und Informatik ein; die Herangehensweise an die Problemlösung wird nicht variiert und sie erlangen kein tieferes Verständnis hierzu. Schwache Künstliche Intelligenzen können so durchaus Aufgaben besser als der Mensch bewältigen – aber sie können nicht für die Lösung anderer Probleme als der ursprünglich definierten eingesetzt werden. Ein bekanntes Beispiel für schwache Künstliche Intelligenz ist Siri, einige Roboter in der industriellen Fertigung oder auch autonome Fahrzeuge.

Gleiche intellektuelle Fähigkeiten wie der Mensch

Die meisten Menschen verbinden den Begriff Künstliche Intelligenz mit Maschinen, die schlauer als der Mensch sind und all das tun können, was auch der Mensch kann. Diese Art von KI nennt man starke KI (engl.: strong AI oder general AI). Maschinen mit starker KI können die gleichen intellektuellen Fertigkeiten wie der Mensch erlangen oder sie sogar übertreffen. Eine derartige KI kann nicht nur ein bestimmtes Problem lösen, sondern handelt auch aus eigenem Antrieb und ist in der Lage zu planen, zu lernen und in natürlicher Sprache zu kommunizieren. Stand der Dinge heute ist allerdings, dass es noch nicht gelungen ist, eine starke KI zu entwickeln. Wissenschaftler halten es aber für realistisch, dass es innerhalb eines Zeitraums von 20 bis 40 Jahren gelingen wird.

Wenn die Maschinen schlauer werden als ihre Schöpfer

Als dritte Form Künstlicher Intelligenz wird schließlich noch die Künstliche Superintelligenz (engl.: Artificial Superintelligence oder ASI) definiert. Sie wird erreicht, wenn Maschinen die Intelligenz der schlauesten Köpfe der Menschengeschichte übertreffen. Dann, so die Befürchtung, ist ein Stadium erreicht, wo der Mensch nicht mehr länger die dominante Spezies sein wird. Ultraintelligente Maschinen wären in der Lage, noch bessere Maschinen zu bauen, die Künstliche Intelligenz würde sich explosionsartig weiterentwickeln und die menschliche Intelligenz weit hinter sich lassen. Für dieses Szenario wurde der Begriff der technischen Singularität geprägt. Eine besondere Popularität fand der bereits in den 1960er Jahren geprägte Begriff 1998 durch das Buch „The Singularity is near“ von Raymond Kurzweil (deutscher Titel: „Menschheit 2.0“). Hierin sieht Kurzweil die technische Singularität im Jahr 2045 erreicht – dann, so schätzt er, übersteigt die Rechenleistung der künstlichen Intelligenz die der gesamten Menschheit um den Faktor eine Milliarde. Allerdings wurden seitdem immer wieder andere Termine genannt. Aus heutiger Sicht ist eine Künstliche Superintelligenz nicht in Sicht. Doch man darf nicht vergessen, dass die Rechenleistung von Computern sich mit beträchtlicher Geschwindigkeit verbessert – alle 18 Monate verdoppelte sich in der Vergangenheit die Leistungsfähigkeit von Computerchips. Computer entwickeln sich also in einem wesentlich schnelleren Tempo als das menschliche Bewusstsein. Wo Menschen Tausende Jahre benötigen, um sich zu entwickeln, können Computer das in weniger als 100 Jahren. Damit scheint eine Künstliche Superintelligenz nur eine Frage der Zeit zu sein …

The post Formen Künstlicher Intelligenz appeared first on Future Markets Magazine.

Viele Experten sehen in Deep Learning aktuell das Gebiet innerhalb der KI mit dem größten Potenzial.

Deep Learning dominiert aktuell die ­Lernverfahren

Eine Methode des maschinellen Lernens ist Deep Learning: Viele Experten sehen hier aktuell das Gebiet innerhalb der KI mit dem größten Potenzial. Deep Learning nutzt komplexe neuronale Netzwerke, um eigenständig zu lernen, wie etwas klassifiziert werden kann. Dazu nimmt das System große Mengen an bekannten Informationen – zum Beispiel Bilder oder Geräusche – in eine Datenbank auf und vergleicht sie mit unbekannten Daten.

Das Verfahren macht viele Arbeitsschritte des klassischen Maschinenlernens überflüssig. Denn der Trainingsaufwand ist deutlich geringer: Der „Trainer“ muss dem neuronalen Netzwerk nur noch Daten wie zum Beispiel Bilder präsentieren – wie die darauf zu sehenden Dinge zu klassifizieren sind, findet das System von allein heraus. Der Mensch muss einzig markieren, ob der Gegenstand, dessen Erkennung gelernt werden soll, auf dem Bild zu sehen ist (also zum Beispiel ob das Bild einen Fußgänger zeigt oder nicht). Das Deep-Learning-Programm verwendet die Informationen aus den Trainingsdaten, um typische Merkmale eines Fußgängers zu definieren und daraus ein Vorhersagemodell zu erzeugen. Dabei arbeitet sich das System von Ebene zu Ebene immer tiefer in das neuronale Netz vor – daher der Name Deep Learning. So registrieren die Knoten der ersten Ebene zum Beispiel nur Helligkeitswerte der Bildpixel. Die nächste Ebene erkennt, dass einige der Pixel Linien bilden. Die dritte unterscheidet dann zwischen horizontalen und vertikalen Linien. Dieser iterative Prozess geht so lange, bis das System Beine, Arme und Gesichter erkennt – und gelernt hat, wie ein Mensch auf dem Bild zu klassifizieren ist. Dieser Lernprozess benötigt allerdings große Rechenleistung und stellt damit hohe Anforderungen an die Prozessortechnik. Forscher und Hersteller arbeiten daher intensiv daran, spezielle KI-Chips zu entwickeln, die noch mehr Rechenprozesse in noch kürzerer Zeit durchführen können.

Erlerntes Wissen einfach weitergeben

Gleichzeitig wird überlegt, wie das Wissen, das sich ein System aufwändig angeeignet hat, auch anderen Systemen verfügbar gemacht werden kann. Denn so müsste zum Beispiel nicht jedes autonome Auto für sich allein lernen, wie ein Fußgänger aussieht, sondern könnte auf die Erfahrungen von Fahrzeugen, die schon länger auf der Straße unterwegs sind zurückgreifen. Die Khronos Gruppe, ein offenes Konsortium führender Hardware- und Software-Firmen, hat daher Ende 2017 ein Austauschformat für neuronale Netzwerke vorgestellt. Mit dem Neural Network Exchange Format 1.0 sollen Wissenschaftler und Ingenieure bereits trainierte Netzwerke von der Training-Plattform auf viele andere Systeme übertragen können – also ähnlich funktionieren wie das PDF-Format in der Textverarbeitung.

The post Deep Learning in Künstlicher Intelligenz appeared first on Future Markets Magazine.

Verstopfte Straßen, steigende Emissionen und fehlende Parkmöglichkeiten – urbane Logistik wird zur immer größeren Herausforderung. Getrieben durch E-Commerce, wächst der Paketmarkt in reifen Märkten wie Deutschland oder den USA um sieben bis zehn Prozent jährlich. Bis 2025 wird sich das Volumen in Deutschland damit verdoppeln: Rund fünf Milliarden Pakete werden dann jährlich verschickt. „Während Lieferungen an Verbraucher früher etwa 40 Prozent ausmachten, wird inzwischen mehr als die Hälfte aller Pakete an Privathaushalte geliefert. Zeitnahe Zustellung wird immer mehr verlangt“, sagt Jürgen Schröder, McKinsey-Seniorpartner und Experte für Logistik und Postdienste. „Neue Technologien wie autonomes Fahren und die Zustellung durch Drohnen müssen noch weiterentwickelt werden. Die bieten Möglichkeiten zur Kostensenkung und Vereinfachung der Zustellung. Wir erwarten, dass 2025 rund 80 Prozent der Pakete automatisiert ausgeliefert werden können.“

Paketdrohnen, wie sie Amazon 2013 erstmals vorstellte, wurden zunächst als verrückte Idee belächelt. Heute experimentieren viele Unternehmen mit der Belieferung per Drohne. Wie auch Mercedes-Benz mit seinem „Vans & –Drones“-Konzept, bei dem das Paket nicht direkt per Drohne zum Endkunden, sondern zu einem Verteilfahrzeug geliefert wird. Im Sommer 2017 führte das Unternehmen in Zürich zum ersten Mal autonome Drohneneinsätze in einem urbanen Umfeld durch. Im Zuge des Pilotprojekts konnten Kunden beim Online-Marktplatz siroop ausgewählte Produkte bestellen. Diese waren maximal zwei Kilogramm schwer und für den Transport per Drohne geeignet. Zur Produktpalette gehörten zum Beispiel Kaffee oder Elektronikartikel. Die Kunden erhielten die Waren noch am selben Tag. Der Händler bestückte die Drohnen direkt nach Eingang der Bestellung in den eigenen Räumlichkeiten. Sie flogen daraufhin zu einem von zwei im Projekt genutzten Mercedes-Transportern mit integrierter Drohnen-Landeplattform. Die Vans hielten an einem von insgesamt vier fest definierten sogenannten „Rendez-Vous-Punkten“ im Züricher Stadtgebiet. Dort übernahm der Paketzusteller die Produkte und lieferte sie an die Endkunden aus, während die Drohne zum Händler zurückkehrte. Insgesamt konnten rund 100 Flüge ohne jegliche Zwischenfälle über dem Stadtgebiet durchgeführt werden. „Wir glauben, dass drohnengestützte Logistik-Netzwerke die Art, wie wir tagtäglich auf Produkte zugreifen, grundlegend verändern werden“, so Andreas Raptopoulos, Gründer und CEO von Matternet, dem Hersteller der im Test verwendeten Drohnen.

Hindernissen sicher ausweichen dank Künstlicher Intelligenz

Eine Voraussetzung für derartige Anwendungen sind Drohnen, die sicher zwischen Gebäuden oder im dichten Straßennetz fliegen können, wo Radfahrer und Fußgänger plötzlich ihren Weg kreuzen. Forscher der Universität Zürich und des Forschungszentrums NCCR Robotics haben dazu eine intelligente Lösung entwickelt. Anstatt sich auf komplexe Sensorsysteme zu verlassen, nutzt die Drohne der Schweizer Forscher eine normale Kamera wie die eines Smartphones und den leistungsstarken KI-Algorithmus Dronet. „Dronet erkennt statische sowie dynamische Hindernisse und reduziert das Tempo, um Zusammenstöße zu vermeiden. Mit diesem Algorithmus sind wir dem Ziel einen Schritt nähergekommen, selbstständig navigierende Drohnen in unseren Alltag zu integrieren“, erklärt Davide Scaramuzza, Professor für Robotik und Wahrnehmung der Universität Zürich. Der Algorithmus erzeugt für jedes Eingangsbild zwei Outputs: einen für die Navigation, um Hindernisse zu umfliegen, und einen für die Kollisionswahrscheinlichkeit, um gefährliche Situationen zu erkennen und darauf reagieren zu können. Um ausreichend Daten für das Training des Algorithmus zu erfassen, wurden Informationen zu Fahrten von Autos und Fahrrädern gesammelt, die in städtische Umgebungen navigierten und die Verkehrsregeln respektierten. Durch Imitieren hat die Drohne automatisch gelernt, diese Regeln einzuhalten, wie zum Beispiel „Wie folge ich der Straße, ohne in den Gegenverkehr zu geraten“ oder „Wie halte ich an, wenn Hindernisse wie Fußgänger, Baustellen oder andere Fahrzeuge meinen Weg blockieren“. So trainiert, kann die Drohne nicht nur durch Straßen navigieren, sondern findet sich auch in komplett anderen Umgebungen zurecht, für die sie nie trainiert wurde – so etwa in Gebäuden wie Parkhäusern oder Bürofluren.

KI gesteuerte Drohnen bestehen im Wettbewerb

Wie leistungsfähig von KI gesteuerte Drohnen schon heute sind, zeigte ein Wettrennen, das das Jet Propulsion Laboratory (JPL) der NASA veranstaltete. Dabei trat der Welt–klasse--Drohnenpilot Ken Loo gegen eine Künstliche Intelligenz an. „Wir haben unsere Algorithmen gegen einen Menschen eingesetzt, der viel mehr nach Gefühl fliegt“, sagte Rob Reid von JPL, der Task-Manager des Projekts. Im Vergleich zu Loo flogen die Drohnen vorsichtiger, aber konsequenter. Die Drohnen brauchten rund drei Sekunden länger für den -Parcours, hielten aber bei einer Geschwindigkeit von bis zu -64 Kilometern pro Stunde ihre Rundenzeiten konstant, während der menschliche Pilot stark variierte und schon nach wenigen Runden erschöpft war.

(Bildnachweis: Daimler AG)

The post KI gesteuerte Drohnen appeared first on Future Markets Magazine.

Wir bringen dem Auto bei, sich selbstständig durch den Straßenverkehr zu bewegen“, so Dr. Volkmar Denner, Vorsitzender der Bosch-Geschäftsführung. „Automatisiertes Fahren macht den Straßenverkehr sicherer. Künstliche Intelligenz ist der Schlüssel dazu. Das Auto wird schlau“, ist sich der Bosch-Chef sicher. Dazu entwickelt das Unternehmen zurzeit einen Fahrzeugcomputer mit KI: Mit ihm sollen automatisiert fahrende Autos auch durch komplexe und für das Auto neue Verkehrssituationen lenken können.

Wissen per Update übertragen

Der KI Autocomputer weiß, wie Fußgänger oder Fahrradfahrer aussehen. Neben dieser sogenannten Objekterkennung erleichtert Künstliche Intelligenz auch die Situationserfassung von automatisiert fahrenden Fahrzeugen. Blinkende Autos beispielsweise wechseln mit höherer Wahrscheinlichkeit die Spur als nicht blinkende. So kann ein selbstfahrendes Auto mit KI komplexe Verkehrssituationen wie das Abbiegen eines vorausfahrenden Fahrzeugs erkennen, beurteilen und für den eigenen Fahrweg berücksichtigen. Das beim Fahren erlernte Wissen speichert der Computer auf künstlichen neuronalen Netzen. Experten überprüfen das Wissen im Labor auf ihre Richtigkeit. Nach weiteren Tests auf der Straße lassen sich die künstlich erzeugten Wissensstrukturen per Update auf beliebig viele andere KI Autocomputer übertragen.

Assistenten erkennen Sprache, Gesten und Gesichter

Beim Bau des zentralen Fahrzeugcomputers will Bosch auch mit dem US-amerikanischen Technologieunternehmen Nvidia kooperieren. Nvidia soll Bosch einen Chip liefern, auf dem die mit maschinellen Lernverfahren erzeugten Algorithmen für die Fahrzeugbewegung gespeichert sind. Wobei laut Nvidia-Gründer Jensen Huang KI im Auto nicht nur für das automatisierte Fahren eingesetzt werden wird: „Schon in wenigen Jahren wird jedes neue Fahrzeug über KI-Assistenten für Sprache und Gesten-, Gesichtserkennung oder Augmented Reality verfügen.“ So hat der Chip-Hersteller auch mit Volkswagen bei der Entwicklung eines intelligenten Co-Piloten für den Elektro-Microvan I.D.Buzz zusammengearbeitet: Er soll Sensordaten sowohl vom Inneren des Autos als auch von dessen Umgebung für Komfort- sowie Assistenzsysteme verarbeiten. Diese Systeme können sich im Zuge weiterer Entwicklungen beim autonomen Fahren neue Fähigkeiten aneignen. Dank Deep Learning kann das Auto der Zukunft lernen, sowohl Situationen präzise einzuschätzen als auch das Verhalten von anderen Verkehrsteilnehmern zu analysieren.

Mit 2D-Kameras das Umfeld dreidimensional erkennen

Voraussetzung des automatisierten Fahrens ist ein möglichst exaktes Abbild der Umgebung. Neue Kamerasysteme nutzen dazu auch KI. So hat ein Projektteam von Audi Electronics Venture eine Monokamera entwickelt, die durch Künstliche Intelligenz ein hochpräzises 3D-Modell der Umgebung generiert. Als Sensor dient eine handelsübliche Frontkamera. Sie erfasst den Bereich vor dem Auto in einem Winkel von etwa 120 Grad und liefert 15 Bilder pro Sekunde mit 1.3 Megapixel Auflösung. Diese Bilder werden daraufhin in einem neuronalen Netz verarbeitet. Dort findet auch die sogenannte semantische Segmentierung statt. Dabei wird jedem Pixel eine von 13 Objektklassen zugeordnet. Dadurch kann das System andere Pkw, Lkw, Häuser, Fahrbahnmarkierungen, Menschen und Verkehrsschilder erkennen und unterscheiden. Auch für die Abstandsinformationen nutzt das System neuronale Netze. Die Visualisierung erfolgt hier über sogenannte ISO-Linien – virtuelle Begrenzungen, die einen konstanten Abstand definieren. Mit dieser Kombination aus semantischer Segmentierung und Tiefenschätzung entsteht ein präzises 3D-Modell des realen Umfelds. Mithilfe von „unsupervised learning“ wurde das neuronale Netz im Vorfeld trainiert: Das neuronale Netz bekam zahlreiche mit einer Stereokamera aufgenommene Videos von Straßensituationen zu sehen. Daraufhin lernte das Netz, eigenständig die Regeln zu verstehen, mit denen es aus den Bildern der Monokamera 3D-Informationen erstellt.

Auch Mitsubishi Electric hat ein Kamerasystem entwickelt, das KI nutzt. Es soll Fahrer in kommenden spiegellosen Fahrzeugen vor möglichen Gefahren warnen und besonders beim Spurwechsel helfen, Unfälle zu vermeiden. Das System nutzt ein neues Rechenmodell für visuelle Erkennung, das das Sehen des Menschen nachahmt: Es erfasst nicht detailliert die gesamte Szenerie, sondern konzentriert sich schnell auf spezifische interessante Bereiche innerhalb des Sichtfelds. Die relativ simplen Algorithmen für visuelle Erkennung der eingesetzten KI schonen die Systemressourcen des On-Board-Rechners. Dennoch kann das System zwischen Objekttypen wie Fußgängern, Pkw und Motorrädern unterscheiden. Im Vergleich zu herkömmlichen kamerabasierten Systemen kann die Technologie die Höchstentfernung der Objekterkennung von heute rund 30 Metern auf 100 Meter deutlich erweitern. Außerdem kann sie die Genauigkeit der Objekterkennung von 14 Prozent auf 81 Prozent verbessern.

KI wird zum Wettbewerbsfaktor

Mit den immer häufiger implementierten intelligenten Assistenzsystemen wird KI zu einem wichtigen Wettbewerbsfaktor für Autohersteller. Das gilt bei der Nutzung Künstlicher Intelligenz für autonomes Fahren ebenso wie in der Entwicklung moderner Mobilitätskonzepte, die auf KI basieren. Fast 70 Prozent der Kunden sind laut McKinsey schon heute bereit, für bessere Features bei assistiertem und autonomem Fahren die Marke zu wechseln. Dominik Wee, Partner im Münchener Büro von McKinsey rät daher: „Insbesondere Premiumhersteller mit ihren anspruchsvollen Kunden sollten einen technischen Vorsprung auch bei KI-basierten Anwendungen demonstrieren, zum Beispiel in der sprachbasierten Interaktion mit dem Fahrzeug oder bei der Parkplatzsuche.“

(Bildnachweis: Volkswagen AG)

The post Autonomes Fahren dank KI appeared first on Future Markets Magazine.

Das Feld der Künstlichen Intelligenz entwickelt sich rasant und verspricht, einige der größten Herausforderungen unserer Gesellschaft zu bewältigen“, so Kate Crawford, Mitbegründerin des AI Now Institutes. „Aber wir benötigen dringend mehr Forschung über die realen Auswirkungen von KI-Implementierungen in unseren sensibelsten sozialen Einrichtungen. Die Menschen sind bereits von diesen Systemen betroffen, sei es in der Schule, auf der Suche nach Arbeit, beim Lesen von Nachrichten im Internet oder beim Umgang mit der Justiz.“ Genau aus diesem Grund wurde das AI Now Institute Ende 2017 an der New York University gegründet: Es ist das erste universitäre Forschungsinstitut, das sich den sozialen Auswirkungen Künstlicher Intelligenz widmet. Dazu will es die KI-Forschung um Experten aus Bereichen wie Recht, Gesundheitswesen, Arbeits- und Sozialwissenschaften ergänzen. Meredith Whittaker, ebenfalls Mitbegründerin von AI Now. „Die Gewährleistung einer sicheren und gerechten KI erfordert ein viel breiteres Spektrum an Fachwissen als nur Technik-Know-how. Genauso wie man einem Richter nicht vertrauen würde, ein tiefes neuronales Netzwerk aufzubauen, sollten wir aufhören zu glauben, dass ein Ingenieursabschluss ausreicht, um komplexe Entscheidungen in Bereichen wie der Strafjustiz zu treffen. Wir brauchen Experten aus den Bereichen Recht, Gesundheitswesen, Bildung, Wirtschaft und darüber hinaus.“

Eine sichere und gerechte KI erfordert ein viel breiteres Spektrum an Fachwissen als nur Technik-Know-how.

KI-Systeme mit Vorurteilen sind Realität

„Wir haben einen wichtigen Wendepunkt in der Entwicklung und Implementierung von KI-Systemen erreicht“, so Kate Crawford. „Wenn diese Systeme nicht richtig gemanagt werden, können sie auch weitreichende soziale Folgen haben, die schwer vorhersehbar und kaum umkehrbar sind. Wir können es uns einfach nicht leisten abzuwarten, wie sich die Künstliche Intelligenz auf die verschiedenen Bevölkerungsgruppen auswirkt.“ Das AI Now Institute will dazu Methoden zur Messung und zum Verständnis der Auswirkungen von KI in der Gesellschaft entwickeln.

Schon heute zeigt sich, dass unausgereifte oder voreingenommene KI-Systeme sehr real sind und Folgen haben: Das bewies unter anderem ein Team von Journalisten und Technikern bei Propublica, einem Non-Profit-Newsdesk für investigativen Journalismus. Sie testeten einen Algorithmus, der von Gerichten und Strafverfolgungsbehörden in den USA verwendet wird, um Rückfälle bei Kriminellen vorherzusagen. Das Ergebnis: Er war messbar gegenüber Afroamerikanern voreingenommen. Derartige vorurteilsbehafteten Entscheidungen entstehen, wenn die Datengrundlage, mit denen die KI arbeitet, nicht neutral ist. Wenn sie zum Beispiel soziale Ungleichheiten enthält, ist auch die Auswertung tendenziös. Werden als Grundlage für ein Analyseverfahren beispielsweise nur Daten von Männern genutzt, werden Frauen möglicherweise benachteiligt.

Gefährlich ist es auch, wenn den KI-Systemen nicht alle relevanten Kriterien beigebracht wurden. So stellte zum Beispiel das Medical Center der University of Pittsburgh fest, dass einem KI-System zur Ersteinschätzung von Lungenentzündungs-Patienten ein Hauptrisikofaktor für schwerwiegende Komplikationen fehlte. Und es gibt viele andere relevante Bereiche, in denen KI-Systeme derzeit verwendet werden, ohne dass sie auf Voreingenommenheit und Ungenauigkeit geprüft und bewertet werden.

Mechanismen zur Überprüfung benötigt

In seinem Forschungsbericht 2017 fordert das AI Now Institute daher alle wichtigen öffentlichen Institutionen auf, den Einsatz von „Black Box“ KI sofort zu beenden. „Wenn über die Risiken der KI gesprochen wird, gibt es eine Tendenz, sich auf die ferne Zukunft zu konzentrieren“, meint Meredith Whittaker. „Aber diese Systeme werden bereits heute in kritischen Einrichtungen implementiert. Wir sind wirklich besorgt, dass die bisher aufgedeckten Beispiele nur die Spitze des Eisbergs sind. Es ist zwingend notwendig, dass wir die Black-Box-Algorithmen in den relevanten Institutionen nicht mehr verwenden, bis wir Methoden zur Gewährleistung grundlegender Sicherheit und Fairness haben.“ 

The post Ethik und Grundsätze einer KI appeared first on Future Markets Magazine.

KI-gestützte Anwendungen müssen mit rasant wachsendem Datenvolumen mithalten und häufig gleichzeitig in Echtzeit reagieren. Klassische CPUs, wie man sie in jedem Computer findet, sind da schnell überfordert, denn sie wickeln Aufgaben nacheinander ab. Eine deutlich höhere Leistung gerade beim Deep Learning wäre möglich, wenn die einzelnen Prozesse parallel ausgeführt werden.

Hardware für parallele Rechenprozesse

Damit rückten vor einigen Jahren Chips in den Fokus der KI-Branche, die eigentlich für einen ganz anderen Einsatzzweck entwickelt wurden: Grafikprozessoren (Graphics Processing Units oder GPUs). Sie warten mit einer massiv-parallelen Architektur auf, die mit vielen kleineren, aber effizient arbeitenden Computer-Einheiten Rechenaufgaben stark parallelisiert abwickeln können. Also genau das, was das Deep Learning benötigt. Inzwischen bauen die Hersteller von Grafikprozessoren spezielle GPUs für KI-Anwendungen. Ein Server mit einer einzelnen dieser Hochleistungs-GPUs kann über 40-mal mehr Durchsatz als ein reiner CPU-Server bewältigen.

Inzwischen sind aber selbst GPUs für einige KI-Unternehmen zu langsam. Das hat nicht zu unterschätzende Auswirkungen auf den Halbleiter-Markt: Denn neben den klassischen Halbleiter-Herstellern werden zunehmend aus Käufern bzw. Nutzern von Halbleitern – wie Microsoft, Amazon oder eben Google – Hersteller (oder Firmen, die Chips nach eigenen Vorstellungen für sich herstellen lassen). So hat zum Beispiel Alphabet, der Mutterkonzern hinter Google, einen eigenen Application Specific Integrated Circuit (ASIC) entwickelt, der speziell auf das Machine Learning zugeschnitten ist. Die zweite Generation dieser Tensor Processing Unit (TPU) von Alphabet bietet eine Leistung von 180 Teraflops, während Nvidias aktuellste GPU bei 120 Teraflops liegt. Flops (Floating Point Operations Per Second) geben an, wie viele einfache mathematische Berechnungen wie Addition oder Multiplikation ein Rechner pro Sekunde durchführen kann.

Unterschiedliche Anforderungen an die Leistung

Doch Flops sind nicht der einzige Maßstab für die Leistungsfähigkeit eines Chips. So wird bei KI-Prozessoren unterschieden zwischen der Leistung in der Trainings-Phase, wo besonders parallele Rechenprozesse gefragt sind, und der Leistung in der Applikations-Phase, in der das Gelernte angewendet wird – der sogenannten Inferenz. Hier liegt der Fokus darauf, durch Schlussfolgerung neue Fakten aus einer bestehenden Datenbasis abzuleiten. „Im Gegensatz zur KI-Komponente des massiven parallelen Trainings, die in Rechenzentren gefragt ist, ist Inferenz grundsätzlich eine sequentielle Kalkulation, die, wie wir glauben, zumeist auf Edge Geräten wie Smartphones oder dem Internet der Dinge ausgeführt werden wird“, meint Abhinav Davuluri, Analyst bei Morningstar, einem führenden Anbieter von unabhängigem Investment-Research. Edge Computing bezeichnet im Gegensatz zum Cloud Computing die dezentrale Datenverarbeitung am „Rand“ des Netzwerks. Dabei spielen KI-Techniken eine immer größere Rolle, denn lernfähige Edge Devices wie Roboter oder autonome Fahrzeuge müssen die Daten zur Analyse nicht erst in die Cloud übertragen. Vielmehr können sie die Daten direkt vor Ort übernehmen – sie sparen sich die Zeit und Energie, die für die Datenübertragung zum Rechenzentrum und zurück erforderlich ist.

Lösungen für das Edge Computing

Gerade für derartige Edge-Computing-Anwendungen etabliert sich aktuell neben CPUs, GPUs und ASICs eine weitere Chip-Variante – die sogenannten Field Programmable Gate Arrays (FPGA). Hierbei handelt es sich um integrierte Schaltkreise, in die nach der Herstellung eine logische Schaltung geladen werden kann. Im Unterschied zu Prozessoren bieten FPGAs mit ihren mehreren programmierbaren Basisblöcken echte Parallelität, so dass verschiedene Verarbeitungsoperationen nicht auf die gleiche Ressource angewiesen sind. Jeder einzelne Verarbeitungs-Task wird einem dedizierten Bereich auf dem Chip zugewiesen und kann so autonom ausgeführt werden. Sie erreichen im Trainingsprozess zwar nicht ganz die Leistung einer GPU, stehen aber im Inferenz-Ranking über Grafikprozessoren. Vor allem aber verbrauchen sie weniger Energie als GPUs – das ist bei Anwendungen auf kleinen mobilen Geräten besonders wichtig. Tests haben gezeigt, dass FPGAs zum Beispiel mehr Bilder pro Sekunde und Watt erkennen können als GPUs oder CPUs. „Wir denken FPGAs sind in punkto Inferenz am vielversprechendsten, da sie ein Upgrade erhalten können, während sie im Feld sind und niedrige Latenz bieten, wenn sie im Edge Device neben einer CPU platziert werden“, so Morning-Star Analyst Davuluri.

Immer mehr Start-ups entwickeln KI-Chips

Immer mehr Unternehmensgründer – und Kapitalgeber – erkennen die Chancen, die in KI-Chips stecken: Mindestens 45 Start-ups arbeiten heute an entsprechenden Halbleiter-Lösungen, wenigstens fünf von ihnen haben jeweils mehr als 100 Millionen US-Dollar von Investoren erhalten. Insgesamt investierten Risikokapitalgeber laut den Marktforschern von CB Insights mehr als 1,5 Milliarden US-Dollar in Chip-Start-ups in 2017 – das ist doppelt so viel wie noch vor zwei Jahren. So hat die britische Firma Graphcore mit ihrer Intelligence Processing Unit (IPU) eine neue Technologie zur Beschleunigung von Anwendungen von Machine Learning und Künstlicher Intelligenz entwickelt. Die KI-Plattform der US-Firma Mythics-AI führt hybride Digital/Analog-Berechnungen in Flash-Arrays durch. Die Inferenz-Phase kann dadurch direkt innerhalb der Speicher ausgeführt werden, in denen das Wissen des neuronalen Netzes abgelegt ist – mit entsprechenden Vorteilen bei Leistung und Genauigkeit. China ist eines der aktivsten Länder bei KI-Chip-Start-ups. Alleine der Wert von Cambricon Technologies wird auf mittlerweile 1 Milliarde US-Dollar geschätzt. Das Start-up hat einen Neuronalen-Netz-Prozessorchip unter anderem für Smartphones entwickelt.

Neue Chip-Architekturen für noch mehr Leistung

Der neueste Technologie-Trend bei KI-Halbleitern sind neuromorphe Chips. Deren Architektur ahmt die grundlegende Funktionsweise des menschlichen Gehirns beim Lernen und Verstehen nach. Ein wesentliches Merkmal ist die Aufhebung der Trennung zwischen Recheneinheit und Datenspeicher. Erste in 2017 vorgestellte neuromorphe Test-Chips können mit über 100.000 Neuronen und mehr als 100 Millionen Synapsen Training und Interferenz auf einem Chip vereinen. Sie sollen selbstständig im Einsatz lernen können, wobei die Lernrate um den Faktor eine Million über der von neuronalen Netzen der dritten Generation liegt. Gleichzeitig sind sie dabei besonders energieeffizient. Im wahrsten Sinne ein Quantensprung für KI-Systeme sind Quantencomputer: Nicht nur die großen Player der IT-Branche wie Google, IBM oder Microsoft, sondern auch Staaten, Geheimdienste, selbst Autohersteller investieren in die Entwicklung dieser Technologie. Diese Computer basieren auf den Lehren der Quantenmechanik. So kann ein Quantencomputer jeden Rechenschritt mit sämtlichen Zuständen zur gleichen Zeit durchführen. Das heißt, er liefert eine besonders hohe Leistung für die parallele Verarbeitung von Befehlen und besitzt das Potenzial, mit einer weitaus höheren Geschwindigkeit zu rechnen als herkömmliche Computer. Auch wenn die Technik noch in den Kinderschuhen steckt – das Rennen um immer bessere und zuverlässigere Quanten-Prozessoren hat längst begonnen.

The post Chips treiben die KI voran appeared first on Future Markets Magazine.

Der Einzelhandel agiert in einem komplizierten Beziehungsgeflecht zwischen Kunden, Herstellern, Logistikern und Online-Plattformen. Um im Wettbewerb zu bestehen, müssen die Kundenbedürfnisse optimal erfasst und möglichst effizient und passgenau erfüllt werden – der Händler muss also die richtigen Entscheidungen zur idealen Einbindung der Akteure treffen. Selbstlernende Algorithmen und Künstliche Intelligenz erschließen dabei neue Dimensionen der Prozessoptimierung, Personalisierung und Entscheidungsgenauigkeit.

Die Händler können mit Hilfe von Künstlicher Intelligenz besser auf die Bedürfnisse ihrer Kunden eingehen und beispielsweise ihre Bestell- und Lieferprozesse weiter optimieren.

Eine Frage der Notwendigkeit

Prof. Dr. Michael Feindt, Gründer des Unternehmens Blue Yonder: „Wer nicht auf KI setzt, stirbt! Wer sich dagegen der neuen Technologie öffnet und diese klug für sich nutzt, hat beste Chancen, um auch in Zukunft im Einzelhandel erfolgreich zu sein. Digitaler Wandel mit KI ist für den Einzelhandel keine Frage der Wahl, sondern der Notwendigkeit. Nur wer sich verändert und die neuen KI-Technologien für sich nutzt, überlebt.“ Blue Yonder bietet dazu zum Beispiel eine Machine-Learning-Lösung, die durch automatisierte Preise und Preisabschläge den optimalen Abverkauf über die gesamte Saison ermöglicht. Das System misst den Zusammenhang zwischen Preisänderung und Nachfrageverhalten in jeder Filiale und jedem Kanal. Auf Basis der Ergebnisse legt die Lösung über den gesamten Verkaufszyklus bis hin zu Preisabschlägen und Schlussverkauf umsatz- oder gewinnsteigernde Preise automatisiert fest. Sie analysiert nicht nur historische, sondern auch aktuelle Umsatz- und Produktstammdaten und ermöglicht die Validierung und Optimierung Hunderter Preise pro Tag. Mit Hilfe derartiger Systeme können Handelsunternehmen die steigenden Erwartungen der Konsumenten an den Handel erfüllen und gleichzeitig ihren Gewinn maximieren. Laut Blue Yonder soll so eine Maximierung des Gewinns um sechs Prozent, eine Steigerung des Umsatzes um 15 Prozent und eine Reduzierung der Lagerbestände um 15 Prozent erreichbar sein.

Prozesse weiter optimieren mit Hilfe der KI

„Die Händler können mit Hilfe von Künstlicher Intelligenz besser auf die Bedürfnisse ihrer Kunden eingehen und beispielsweise ihre Bestell- und Lieferprozesse weiter optimieren“, so Stephan Tromp, Hauptgeschäftsführer des Handelsverbands Deutschland HDE. Retailer können zum Beispiel Daten ihrer Zulieferer zur Performance-Messung und Prozessoptimierung einsetzen. Kombiniert mit den Daten aus den Geschäften und Lagerbeständen lassen sich zudem Angebot und Nachfrage besser ausbalancieren. Intelligente Prognosesysteme lernen zum Beispiel aus vergangenen Bestellungen, bilden Käufergruppen und betrachten saisonale Effekte. Aus den gewonnenen Einsichten prognostizieren sie zum Beispiel den Absatz der Produkte und wissen im Optimalfall noch vor dem Konsumenten, was als Nächstes bestellt wird. So können Händler ihre Webseiten auf die entsprechenden Produktgruppen ausrichten, den Einkauf veranlassen, das Lager entsprechend zu bestücken, und letztendlich die Versandzeiten weiter verkürzen. Engpässe bei bestimmten Produkten sind so vorherzusehen und der Retailer hat frühzeitig die nötigen Einblicke, welcher Zulieferer momentan am schnellsten in der Lage ist, die benötigten Waren nachzuliefern.

Kundenbewegungen erfassen

Doch nicht nur im Backoffice des Händlers findet KI ihren Einsatz, auch direkt im Ladengeschäft helfen Deep-Learning-Funktionen das Verhalten von Kunden zu messen. So hat zum Beispiel das Unternehmen Retailnext einen All-in-One IoT-Sensor auf den Markt gebracht, der die Bewegungen der Kunden im Laden erfasst: das Abholen von Waren, das Anprobieren von Kleidung, die vom Kunden zurückgelegten Wege im Geschäft. All das wird über eine Kamera erfasst und direkt im Gerät mit Hilfe von Deep-Learning-Funktionen analysiert. Die Daten werden anschließend in Echtzeit an die Cloud übertragen, sodass Marken über alle Filialen der Kette hinweg aussagekräftige Informationen sammeln können. „Gerade diese Projekte ermöglichen es Einzelhändlern, ein tieferes Verständnis für das Kaufverhalten im Laden zu entwickeln und differenzierte Einkaufserlebnisse zu ermöglichen“, ist sich Arun Nair, Mitgründer von Retailnext und technischer Geschäftsführer sicher. „Je mehr der Einzelhändler weiß, was im Laden passiert, desto besser.“

The post Einzelhandel: „Wer nicht auf KI setzt, stirbt!“ appeared first on Future Markets Magazine.

Bisher mussten Roboter aufwändig durch Experten programmiert werden – zukünftig bringen sich die Systeme selbst bei, wie sie ihre Aufgaben erfüllen können. Das ermöglicht den Robotern, sich autonom auf sich verändernde Umgebungsbedingungen einzustellen und sich zu optimieren.

Intuitive Zusammenarbeit

Ein Beispiel hierfür ist das BionicCobot-Konzept von ­Festo: Der Roboter ist mit IT-Systemen aus dem Bereich der Künstlichen Intelligenz verbunden. Diese sind in der Lage, gesprochene Fragen des Menschen zu verstehen und zu interpretieren. So kann der Werker intuitiv mit dem Roboter zusammenarbeiten. Das lernende System kann auch Bilder der angeschlossenen Kamerasysteme sowie Positionsdaten und andere Informationen der übrigen Geräte aus der Arbeitsumgebung verarbeiten und verknüpfen. Es entsteht eine sogenannte semantische Karte, die durch maschinelles Lernen ununterbrochen wächst. Anschließend verteilt das System die Aufgaben sinnvoll auf den Roboter und die anderen Tools, um den Menschen optimal bei seiner Arbeit zu unterstützen.

Greifen lernen wie ein Baby

Eine besondere Herausforderung in der Robotik ist das Greifen von unterschiedlichen Objekten – wie kann der Gegenstand gehalten werden, wie stark müssen die Haltekräfte sein? An der Universität Bielefeld wurden dazu Roboterhände entwickelt, die sich selbständig mit unbekannten Gegenständen vertraut macht. Das neue System funktioniert, ohne vorher die Merkmale von Objekten wie Obst oder Werkzeug zu kennen. „Unser System lernt durch Probieren und eigenes Erkunden – so wie auch Babys sich neuen Objekten widmen“, sagt Professor Dr. Helge Ritter,­ ­der als Neuroinformatiker das Projekt mit leitet. Über Künstliche Intelligenz lernt das System, wie alltägliche Objekte, etwa Obst, Geschirr oder auch Plüschtiere, durch ihre Farben und Formen unterschieden werden können und worauf es ankommt, wenn man sie greifen will. Eine Banane lässt sich umgreifen, ein Knopf muss gedrückt werden. „Das System lernt, solche Möglichkeiten aus Merkmalen zu erkennen und baut sich ein Modell für den Umgang und die Wiedererkennung auf“, sagt Ritter. Das Greifsystem ist Teil einer Grundlagenforschung – die Ergebnisse sollen künftigen selbstlernenden Robotern in Haushalt und Industrie zugutekommen.

Erfahrungen werden unter Robotern ­weitergegeben

Auch das japanische Unternehmen Fanuc arbeitet daran, mittels Deep Learning den Trainingsaufwand für Greif­aufgaben zu reduzieren: Auf der Hannover Messe 2017 demonstrierte das Unternehmen dies anhand einer sogenannten Bin-Picking-Zelle: In dieser Zelle werden zwei mit 3D-Kamera-Sensoren ausgestattete Roboter an eine Kiste mit Teilen gestellt, die die Roboter, ohne eigens angelernt zu werden, aus der Kiste holen soll. Die dabei gemachten Erfahrungen speichert jeder Roboter in der internen, Fog genannten Cloud. Dort stehen diese Informationen auch dem anderen Roboter zur Verfügung. Arbeiten dann beispielsweise vier Roboter an dieser Kiste, profitieren sie von den Erfahrungen der anderen Roboter und räumen die Kiste entsprechend schneller aus. Die Lernkurve sieht so aus, dass der Roboter nach 1.000 Versuchen eine Erfolgsquote von 60 Prozent hat, nach 5.000 Versuchen schon ­90 Prozent aller Teile greifen kann – ohne dass eine einzige Zeile eines Programmcodes geschrieben werden muss.

Bewegungen kontinuierlich verbessern

Die Königsdiziplin der Robotik sind allerdings mobile Systeme: Roboter, die sich in komplexen Umgebungen unabhängig bewegen können, stellen Forschung und Entwicklung immer noch vor große Herausforderungen. Damit ein Roboter autonom agieren kann, muss er seine eigene Bewegung und seine Umgebung über Sensoren wahrnehmen, die Daten seiner Sensoren verarbeiten und neue Aktionsbefehle errechnen und umsetzen. Das Ergebnis dieser Abläufe wird dann wiederum durch die Sensoren überwacht. Diese kontinuierliche Rückkopplung ermöglicht es dem ­Roboter beispielsweise, das Gleichgewicht zu halten oder zu gehen.

Stefan Schaal und sein Team von der Abteilung Autonome Motorik des Max-Planck-Instituts in Tübingen haben dazu eine „kontinuierliche Technologie zur Bewegungsoptimierung und -steuerung“ entwickelt, mit der Roboter erkennen, was sie tun. Diese nutzt einen neuen Algorithmus, der die Bewegungen von Robotern laufend optimiert und die „Hand-Auge“-Koordination verbessert. So können Roboter ihr Verhalten an die Umgebung anpassen und auf unvorhergesehene Situationen im Zusammenspiel zwischen Mensch und Roboter reagieren.

Der amerikanische Roboterspezialist Lula Robotics entwickelt nun die Technologie weiter und will sie voll in bestehende Robotik-Plattformen integrieren. „Unser System optimiert sein Verhalten fast wie ein lebender Organismus kontinuierlich und reagiert ständig auf Veränderungen. Dadurch können Mensch und Maschine besonders eng zusammenarbeiten“, erläutert Nathan Ratliff, Miterfinder und Vorstandsvorsitzender von Lula Robotics. „Momentan konzentrieren wir uns auf das Zusammenspiel zwischen Mensch und Roboter bei der industriellen Fertigung und Montage. Aber die Technologie könnte in Zukunft ebenso­ die Grundlage für Roboter bilden, die zuhause oder im ­Gesundheitswesen eingesetzt werden.“

(Bildnachweis: Festo)

The post Selbstlernende Roboter dank KI appeared first on Future Markets Magazine.