Der Robotermarkt befindet sich in einer Phase des Umbruchs: Als persönliche Assistenten, autonome Fahrzeuge, Chirurgieassistenten oder Flugdrohnen erobern Roboter jetzt auch Bereiche außerhalb ihres angestammten Einsatzes in der Industrie. Laut dem Marktforschungsinstitut Tractica wurde im Jahr 2016 zum ersten Mal mehr Geld mit nichtindustriellen Robotern verdient als mit solchen, die in den Fabriken arbeiten.
Das bedeutet allerdings nicht, dass weniger Industrieroboter zum Einsatz kommen: Der Weltbranchenverband International Federation of Robotics (IFR) rechnet bis zum Jahr 2019 mit einem globalen Zuwachs von durchschnittlich mindestens 13 Prozent im Jahr. Bis dahin werden dann in der Summe mehr als 1,4 Millionen neue Industrieroboter in den Fabriken rund um den Globus installiert worden sein. Bis 2022 soll das Marktvolumen für industrielle Roboter insgesamt bei 79,58 Milliarden US-Dollar liegen, so die Marktanalysten von MarketsandMarkets. Die stärksten Wachstumsimpulse für die Roboterbranche kommen laut IFR aus China: 40 Prozent des weltweiten Marktvolumens an Industrierobotern werden 2019 alleine im Reich der Mitte verkauft.
Neben den Industrierobotern erobern Serviceroboter den Roboter-Markt: Für professionelle Anwendungen, zum Beispiel in Medizin, Landwirtschaft oder Logistik, lag der Verkaufswert 2015 laut IFR bei 4,6 Milliarden Dollar. Für 2016 bis 2019 wird mit einer weiterhin stark dynamischen Nachfrage gerechnet. Der akkumulierte Wert steigt auf 23 Milliarden US-Dollar. Zusätzlich zum bereits etablierten Geschäft mit professionellen Service­robotern wächst jetzt auch verstärkt das Consumer-Segment heran – vom Staubsauger bis zum technischen Unterhaltungskünstler. Derartige privat genutzte Serviceroboter erzielten laut IFR 2015 ein Absatzplus von 16 Prozent und stiegen auf einen akkumulierten Verkaufswert von 22 Milliarden US-Dollar. Interessant in diesem vergleichsweise neuen Marktsegment ist die Frage, wie sich die Start-up-Szene entwickelt – denn für innovative junge Firmen bieten sich hier einmalige Chancen, einen Markt zu erobern, auf dem sich noch keine großen Roboterhersteller etabliert haben.
In der Summe prognostiziert Tractica für die gesamte Roboterindustrie – inklusive autonomer Fahr- und Flugzeuge – einen wahren Boom: Von 34,1 Milliarden Dollar in 2016 soll der globale Robotermarkt auf 226,2 Milliarden Dollar bis zum Jahr 2021 ansteigen – das entspricht einer durchschnittlichen jährlichen Wachstumsrate von beeindruckenden 46 Prozent.

The post Boomender Roboter-Markt appeared first on Future Markets Magazine.

Intelligente Maschinen und selbstlernende Computer eröffnen auch der Elektronikbranche spannende Chancen.

Lange war die Idee von denkenden, ja sogar fühlenden Maschinen nur eine Vision von Science-Fiction-Autoren. Doch dank rasanter Entwicklungen bei den Halbleitern und neuer Ideen bei der Programmierung selbstlernender Algorithmen ist die Künstliche Intelligenz (KI; im Englischen Artificial Intelligence, AI) heute ein sehr reeller Markt, der Unternehmen spannende Perspektiven eröffnet.

Laut der Unternehmensberatung McKinsey wächst der globale Markt für KI-basierte Dienstleistungen, Software und Hardware jährlich um bis zu 25 Prozent und wird bis 2025 voraussichtlich 130 Milliarden US-Dollar erreichen. Entsprechend boomen die Investitionen in Künstliche Intelligenz, so die Ergebnisse der Studie „Artificial Intelligence: the next digital frontier“ des McKinsey Global Institutes. Im vergangenen Jahr gaben danach Unternehmen, allen voran große Technologiekonzerne wie Google und Amazon, bis zu 27 Milliarden Dollar für interne Forschung und Entwicklung intelligenter Roboter und selbstlernender Computer aus. Weitere zwölf Milliarden Dollar flossen 2016 extern in KI – also durch Private-Equity-Gesellschaften, Risikokapitalgeber oder im Rahmen von Fusionen und Übernahmen. In Summe waren dies rund 39 Milliarden Dollar, was eine Verdreifachung im Vergleich zu 2013 bedeutet. Der Großteil der derzeitigen externen Investitionen (rund 60 Prozent) fließt in maschinelles Lernen (bis zu sieben Milliarden Dollar), weitere wichtige Felder sind Bilderkennung (2,5 Milliarden bis 3,5 Milliarden Dollar) und Spracherkennung (600 Millionen bis 900 Millionen Dollar).

Intelligente Maschinen und selbstlernende Computer eröffnen der Elektronikbranche neue Marktchancen. Die Marktanalysten von TrendForce erwarten, dass die weltweiten Einnahmen aus Chip-Verkäufen zwischen 2018 und 2022 um jährlich 3,1 Prozent wachsen werden. Doch nicht nur die Nachfrage nach Prozessoren steigt – der Einsatz von KI beflügelt auch neue Lösungen in Elektronik-Sparten wie Sensorik, Hardware-Beschleunigern oder digitalen Speichermedien. So soll beispielsweise der Markt für Next-Generation-Memory-Bauelemente laut dem Marktforschungsinstitut marketsandmarkets von 2,35 Milliarden Dollar in 2017 bis zum Jahr 2023 auf 9,68 Milliarden Dollar anwachsen – unter anderem wegen Big Data, des Internets der Dinge und Anwendungen rund um die Künstliche Intelligenz. Zusätzlich führt die Etablierung von KI-basierten Dienstleistungen zu einer steigenden Nachfrage nach leistungsfähigeren Netzwerk-Infrastrukturen, Daten-Centern und Server-Systemen.

KI ist also auch für die Elektronikindustrie ein wichtiger Zukunftsmarkt. Gerne unterstützen wir Sie mit unseren Halbleiterlösungen, Experten und unserem Partnernetzwerk dabei, hierfür spannende Produkte zu entwickeln.

The post Von reiner Fiktion zur realen Marktchance appeared first on Future Markets Magazine.

Systeme mit Künstlicher Intelligenz brauchen Daten. Je mehr Daten, umso besser die Ergebnisse. Diese Daten können entweder aus Datenbanken stammen – oder sie werden mit Hilfe von Sensoren gewonnen: Sensoren messen zum Beispiel Schwingungen, Ströme und Temperaturen an Maschinen und liefern einem KI-System damit Informationen, um fällige Wartungen zu prognostizieren. Andere erfassen – integriert in Wearables – Puls, Blutdruck und vielleicht Blutzuckerwerte beim Menschen, um Rückschlüsse auf den Gesundheitszustand zu ermöglichen.

Viele Impulse hat die Sensorik in den letzten Jahren aus den Bereichen der mobilen Robotik und des autonomen Fahrens erhalten: Damit ein Fahrzeug sich autonom durch eine Umgebung bewegen kann, müssen die Fahrzeuge das Umfeld erkennen und die genaue Position bestimmen können. Dazu werden sie mit den unterschiedlichsten Sensoren ausgestattet: Ultraschallsensoren erfassen Hindernisse in kurzer Distanz, zum Beispiel beim Parken. Radarsensoren messen die Position und Geschwindigkeit von Objekten in größerer Entfernung. Lidar-Sensoren (light detection and ranging) scannen mit unsichtbarem Laser-Licht die Umgebung und liefern ein exaktes 3D-Abbild. Kamera-Systeme erfassen wichtige optische Informationen wie Farbe und Kontur eines Objektes und können über die Laufzeit eines Lichtimpulses sogar die Entfernung messen.

Mehr Informationen sind gefragt

Dabei steht heute nicht mehr nur die Positionsbestimmung eines Objekts im Vordergrund, sondern auch Informationen wie beispielsweise die Orientierung, die Größe oder auch Farbe und Textur werden immer wichtiger. Um das sicher zu bestimmen, müssen mehrere Sensoren zusammenarbeiten: Denn jedes Sensor-System bietet zwar spezifische Vorteile. Doch erst die Kombination der Informationen verschiedener Sensoren – die sogenannte Sensor-Fusion – liefert ein exaktes, vollständiges und verlässliches Bild der Umgebung. Ein einfaches Beispiel hierfür sind Bewegungssensoren, wie sie unter anderem in Smartphones Verwendung finden: Erst aus der Kombination von Beschleunigungsmesser, Magnetfelderkennung und Gyroskop können sie Richtung und Geschwindigkeit einer Bewegung messen.

Auch Sensoren werden intelligent

Doch moderne Sensorsysteme liefern nicht nur Daten für KI, sondern nutzen sie auch: Derartige Sensoren können so eine Vorverarbeitung der Messdaten durchführen und damit die zentrale Recheneinheit entlasten. Zum Beispiel hat das Start-up AEye einen neuartigen Hybrid-Sensor entwickelt, der Kamera, Festkörper-Lidar und Chips mit KI-Algorithmen kombiniert. Es überlagert die 3D-Punktewolke des Lidar mit den 2D-Pixeln der Kamera und liefert so ein 3D-Abbild der Umgebung in Farbe. Anschließend werden durch KI-Algorithmen die relevanten Informationen aus dem Umfeld des Fahrzeugs herausgefiltert und bewertet. Das System ist nicht nur um den Faktor zehn bis 20 exakter und dreimal schneller als einzelne Lidar-Sensoren, sondern es reduziert auch die Datenflut zu zentralen Prozessoreinheiten.

Sensoren liefern dem KI-System vielfältige Informationen über:

• Vibration
• Ströme
• Temperatur
• Position
• Größe
• Farbe
• Textur
• und vieles mehr…

The post Sensoren als Basis von KI appeared first on Future Markets Magazine.

Smarte Home-Assistenten bestellen auf Zuruf online die gewünschten Produkte. Chat-Bots führen eigenständig Dialoge mit Kunden. Selbstfahrende Autos bringen den Fahrer sicher zum Ziel, auch wenn der sich in seine Zeitung vertieft. All das sind Anwendungen, die schon heute in unserem Alltag anzutreffen sind – und die alle etwas gemeinsam haben: Ohne Künstliche Intelligenz wären sie nicht möglich.

KI ist eine Schlüsseltechnologie, die sich in den kommenden Jahren nicht nur maßgeblich auf unser tägliches Leben, sondern auch auf die Wettbewerbsfähigkeit der gesamten Wirtschaft auswirkt. „Künstliche Intelligenz hat ein enormes Potenzial, unser Leben zu verbessern – etwa im Gesundheits- und Bildungswesen oder in der Verwaltung. Sie bietet große Chancen für Unternehmen und hat bereits heute eine erstaunlich hohe Akzeptanz in der Bevölkerung“, sagt Achim Berg, Präsident des Branchenverbandes Bitkom.

Wie alles begann

Die Entwicklung dieser Technologie begann bereits in den 50er Jahren: Noch bevor es die Technologie wirklich gab, prägte der Computerwissenschaftler John McCarthy 1956 den Begriff „Künstliche Intelligenz“ auf einer Konferenz an der Dartmouth Universität. Die US-Regierung wurde auf das Thema aufmerksam und da sie sich von der KI einen Vorteil im Kalten Krieg versprach, stattete sie McCarthy und seinen Wissenschaftlerkollegen Marvin Minsky mit den notwendigen finanziellen Mitteln zur Entwicklung dieser neuen Technologie aus. Noch im Jahr 1970 war sich Minsky sicher: „In drei bis acht Jahren werden wir eine Maschine mit der generellen Intelligenz eines durchschnittlichen Menschen haben.“ Doch das war zu euphorisch. Die Wissenschaftler weltweit machten kaum Fortschritte, also kürzten die Regierungen die Mittel. Ein regelrechter KI-Winter brach an. Erst 1980 bekamen die Bemühungen, intelligente Maschinen zu entwickeln, wieder Auftrieb. Sie gipfelten in einem spektakulären Kampf: IBMs Supercomputer Deep Blue schlug im Jahr 1997 den Schachweltmeister Garry Kasparov.

Bots sind die besseren Videospieler

Ab da entwickelte sich die KI rasant. Das zeigt sich – um bei Spielen zu bleiben – zum Beispiel an dem Sieg, den ein von OpenAI entwickelter Bot gegen mehrere Profi-Spieler im Multiplayerspiel Dota 2 errang, einem der komplexesten Videospiele überhaupt. Die Besonderheit: Der Bot brachte sich das Spiel innerhalb von nur vier Monaten selbst bei. Durch ständiges Ausprobieren in extrem vielen Runden, die er mit sich selbst spielte, fand er heraus, was nötig war, um zu gewinnen. Allerdings wurde der Bot nur in einem 1-zu-1-Spiel eingesetzt – normalerweise treten zwei Teams mit jeweils fünf Spielern gegeneinander an. Ein entsprechendes Team aus fünf Bots zu kreieren, ist das nächste Ziel der Entwickler von OpenAI – übrigens ein von Elon Musk mitgegründetes Non-Profit-Forschungsinstitut, das sich die Entwicklung einer sicheren KI für die Allgemeinheit auf die Fahnen geschrieben hat.

Intelligenz in zwei Jahren verdoppelt

Ist KI also heute schon so schlau wie ein Mensch? Um das herauszufinden, haben chinesische Forscher um Feng Liu an der Chinese Academy of Science in Peking einen Test entwickelt, der die Intelligenz von Maschinen misst und sie mit menschlicher Intelligenz vergleicht. Im Fokus standen dabei digitale Assistenten wie Siri oder Cortana. Das Ergebnis: Der schlaueste Assistent ist danach der Google Assistant. Mit 47,28 Intelligenzpunkten liegt er knapp hinter der Intelligenz eines sechs Jahre alten Menschen (55,5 Punkte). Immerhin. Was aber noch viel mehr beeindruckt, ist die Geschwindigkeit, mit der Google Assistant intelligenter wird: Als Feng Liu in 2014 den Test erstmals durchführte, erreichte Google Assistant gerade einmal 26,4 Punkte – er hat in zwei Jahren seine Intelligenz also fast verdoppelt. Lernt das System in diesem Tempo weiter, wird es nicht mehr weit sein, bis die 1970 von Minsky geäußerte Vision einer Maschine mit der Intelligenz eines Erwachsenen wahr wird.

Den Menschen simulieren

Erstaunlicherweise gibt es trotz der langen Geschichte der Entwicklung intelligenter Maschinen auch heute noch keine wissenschaftlich anerkannte Definition von KI. Allgemein wird der Begriff verwendet, um Systeme zu beschreiben, die menschliche Intelligenz und Verhalten nachbilden und simulieren. Im Grunde passt dazu die Definition von MIT-Professor Marvin Minsky, der KI definiert hat als „die Wissenschaft, Maschinen dazu zu bringen, Dinge zu tun, die als intelligent angesehen werden, wenn sie von einem Menschen ausgeführt würden.“

The post Ist KI schlauer als der Mensch? appeared first on Future Markets Magazine.

Vernetztes Auto für ­J­edermann

Das Start-up German Autolabs bietet mit Chris einen speziell für Autofahrer entwickelten Assis­tenten, der über eine intelli­gente Spracherkennung sowie Gestensteuerung den Zugriff aufs Smartphone auch während der Fahrt einfach und bequem ermöglicht. Chris lässt sich in jedes Fahrzeug – unabhängig von Baujahr und Modell – integrieren. Die Kombination einer flexiblen und skalierbaren Assistenz-Software mit einer Hardware zum Nachrüsten soll Connected Car-Technologie für jeden zugänglich machen.

www.hellochris.ai

Den eigenen Sprach­assistenten kreieren

Snips entwickelt eine neue Sprachplattform für Hardware-Hersteller. Der auf Künstlicher Intelligenz basierende Dienst soll es Entwicklern ermöglichen, Sprachassistenzdienste in ­­beliebige Geräte einzubetten. Gleichzeitig soll über das Internet eine Verbraucherversion zur Verfügung gestellt werden, die auf Raspberry Pi betriebenen Geräten läuft. Die Privatsphäre wird dabei großgeschrieben: Das System sendet keine Daten in die Cloud, es funktioniert vollständig offline.

www.snips.ai

Realistische Simu­lation für Autonome Fahrsysteme

Automotive Artificial Intelligence bietet eine virtuelle 3D-Plattform, die die Fahrumgebung von Autos realistisch nachahmt. Sie soll zum Test von Software für das vollautomatische Fahren eingesetzt werden und dabei die Grenzen der Systeme ausloten. Denn selbstlernende Agenten sorgen für die nötige Realität in der virtuellen Plattform: Aggressive Fahrer kommen dort genauso vor wie übervorsichtige, willkürliche Spurwechsel genauso wie unvorhersehbare Bremsmanöver anderer am Verkehr be­teiligter (simulierter) Fahrzeuge.

www.automotive-ai.com

Haustiere ­intelligenter­ ­füttern

Petnet bietet mit SmartShop Beta einen digitalen Marktplatz, der mit Künstlicher Intelligenz Besitzer von Hunden und Katzen zu passenden Nahrungsmitteln für ihr Tier führt – abhängig von Rasse und spezifischen Bedürfnissen. Zur Fütterung hat das Start-up zudem den Petnet SmartFeeder entwickelt: Über ihn lassen sich die Haustiere automatisch mit individuellen Portionen versorgen. Das System meldet per App die durchgeführte Fütterung oder wenn das Futter knapp wird. Auch eine auto­matische Nachbestellung im SmartShop lässt sich ­einrichten.

www.petnet.io

Smarte ­Wasserflasche

Bellabeat hat bereits erfolgreich Healthtracker in Schmuckform für Frauen auf den Markt gebracht. Ergänzend dazu hat das Start-up mit Spring eine intelligente Wasserflasche entwickelt: Das System erfasst über Sensoren, wie viel Wasser die Nutzerin trinkt und wie aktiv sie ist, wie viel sie schläft oder wie ihre Stressempfindlichkeit ist. Mit einer App wird mithilfe von speziellen KI-Algorithmen der individuelle Flüssigkeitsbedarf analysiert und eine Empfehlung zur Trinkmenge gegeben.

www.bellabeat.com

Drohne fürs ­Gefährliche

Hivemind Nova ist ein Quadrocopter für Strafverfolgungs-, Ersthelfer- und Sicherheitsanwendungen. Die Drohne lernt aus Erfahrung, sich in Sperrgebieten oder gefährlichen Umgebungen zurecht zufinden. Ohne einen Piloten, der sie fernsteuert, erforscht sie autonom gefährliche Gebäude, Tunnel usw., bevor Menschen sie betreten. Sie überträgt HD-Videos und eine Karte des Gebäudelayouts live an die Anwender. Hivemind Nova lernt und verbessert sich im Laufe der Zeit kontinuierlich. Je mehr sie benutzt wird, desto fähiger wird sie.

www.shield.ai

Verschleiß im Voraus ­erkennen

Konux verbindet smarte Sensoren und Analytik, basierend auf Künstlicher Intelligenz. Eingesetzt wird die Lösung zum Beispiel bei der Bahn zur Überwachung von Weichen: Felddaten, die bereits im Sensor vorverarbeitet werden, werden drahtlos auf eine Analyseplattform übertragen und mit weiteren Datenquellen wie Fahrplänen, meteorologischen Daten oder Wartungsprotokollen kombiniert. Anschließend werden die Daten mit Hilfe von maschinellen Lernalgorithmen analysiert, um Verhaltensanomalien und kritischen Verschleiß im Voraus zu erkennen.

www.konux.com

Mehr ­Erfolg mit der Stellen­anzeige

Textio ist eine erweiterte Schreibplattform für die Erstellung von hochwirksamen Stellenangeboten. Durch die Analyse der Einstellungsergebnisse von mehr als 10 Millionen Stellenangeboten pro Monat prognostiziert Textio die Wirkung einer Stellenanzeige und gibt in Echtzeit eine Anleitung, wie der Text verbessert werden könnte. Das Unternehmen verwendet dafür eine hochentwickelte ­Predictive­­ Engine und macht sie für jedermann nutzbar –Schulung und IT-Integration sind nicht erforderlich.

www.textio.com

The post Künstliche Intelligenz | Start-Ups appeared first on Future Markets Magazine.

Könnte unser gesamtes Leben nur eine Computer-Simulation, ähnlich der Matrix aus dem gleichnamigen Hollywood-Blockbuster sein? Laut KI-Pionier Marvin Minsky wäre das durchaus denkbar: „Es ist gut möglich, dass wir Produkte irgendwelcher sehr leistungsstarken, komplizierten Programme sind, die auf einem großen Computer irgendwo da draußen laufen. Und es gibt absolut keinen Weg, das von dem zu unterscheiden, was wir Realität nennen.“ Derartige Gedanken waren typisch für den Mathematiker, Kognitions-Forscher, Computer-Ingenieur und großen Pionier der Künstlichen Intelligenz. Minsky verband wie kaum ein anderer Naturwissenschaften und Philosophie, stellte konventionelle Ansichten in Frage – das alles aber immer mit einem ausgeprägten Sinn für Humor:

„Es wurde noch nie ein Computer designet, der sich jemals bewusst über sein Tun war; aber die meiste Zeit sind wir uns das auch nicht.“

Minsky, 1927 in New York geboren, studierte Mathematik in Harvard und promovierte in Princeton. Mit kaum 20 Jahren begann er, sich für das Thema Intelligenz zu interessieren: „Genetik erschien recht interessant, weil noch niemand wusste, wie es funktioniert“, erinnerte sich Minsky in einem 1981 im „New Yorker“ erschienenen Artikel an jene Zeit. „Aber ich war nicht sicher, ob das profund war. Die Probleme der Physik erschienen profund und lösbar. Es wäre vielleicht nett gewesen, sich mit Physik zu beschäftigen. Aber viel tiefsinniger schien das Problem der Intelligenz. Ich kann mich nicht erinnern, jemals einen größeren Wert in etwas anderem gesehen zu haben.“

Viele dumme Teile ergeben eine große Intelligenz

Schon damals, als blutjunger Wissenschaftler, legte er den Grundstein für eine revolutionäre These, die er während seiner Zeit am Massachusetts Institute of Technology (MIT) ausweitete und die ihn schließlich zum Pionier der Künstlichen Intelligenz werden ließ: Minsky hatte die Vorstellung, dass das Gehirn wie eine Maschine funktioniert und dass man es daher prinzipiell auch in einer Maschine nachbilden kann. „Das Gehirn ist eine Maschine aus Fleisch“, so eine seine vielzitierten Aussagen. „Man kann einen Verstand aus vielen kleinen Teilen aufbauen, von denen jedes für sich ohne Intelligenz ist.“ Marvin Minsky war überzeugt, dass man ein Bewusstsein in viele Teile zerlegen kann. Sein Ziel war es, solche Komponenten des Geistes zu erkennen und zu verstehen. Minskys Vorstellung, dass der Geist aus dem Zusammenspiel vieler einzelner Agenten hervorgeht, ist die Grundlage heutiger neuronaler Netze.

Zusammen mit seinem Princetoner Kommilitonen John McCarthy entwickelte er die These weiter und gab der neuen wissenschaftlichen Disziplin auf der Dartmouth Konferenz 1956 einen Namen: „Künstliche Intelligenz“. Zusammen gründeten McCarthy und Minsky drei Jahre später das MIT Artificial Intelligence Laboratory – von da an das weltweit wichtigste Forschungszentrum für Künstliche Intelligenz. Viele der dort entwickelten Ideen wurden später im Silicon Valley aufgegriffen und in kommerzielle Anwendungen überführt.

KI-Pionier Minsky verantwortlich für Forschungspause

Interessant ist, dass der Pionier der Künstlichen Intelligenz dafür verantwortlich war, dass die Forschung daran über viele Jahre nicht weiterverfolgt wurde: Minsky hatte in den 1960ern selbst mit neuronalen Netzen experimentiert, ihnen aber in seinem Buch „Perceptrons“ abgeschworen: Zusammen mit seinem Co-Autor Seymour Papert zeigte er die Beschränkungen dieser Netze auf – und brachte damit die Forschung auf diesem Gebiet für Jahrzehnte zum Erliegen. Heute gelten die meisten dieser Beschränkungen als überwunden, neuronale Netze sind aktuell eine Kerntechnologie für KI.

Die Forschung an der KI war aber bei weitem nicht das einzige Arbeitsgebiet von Marvin Minsky. Sein Artificial Intelligence Laboratory gilt auch als die Geburtsstätte für die Idee, dass digitale Informationen frei verfügbar sein sollten – woraus später die Open-Source-Philosophie entstand. Auch zur Entwicklung des Internets trug das Institut bei. Minsky interessierte sich darüber hinaus für Robotik, maschinelles Sehen und Mikroskopie – seine Erfindungen auf diesem Gebiet werden heute noch genutzt.

Probleme der Menschheit könnten gelöst werden

Minsky sah die aktuellen Entwicklungen der KI durchaus kritisch, sie konzentrierten sich für ihn zu wenig auf die Schaffung einer wahren Intelligenz. Im Gegensatz zu alarmistischen Warnungen einiger Experten, dass intelligente Maschinen in gar nicht so ferner Zukunft die Herrschaft übernehmen würden, vertrat Minsky zuletzt eine eher philosophische Sicht auf die Zukunft: Maschinen, die echtes Denken beherrschen, könnten Wege aufzeigen, einige der größten Probleme der Menschheit zu lösen. Im Hintergedanken hatte er dabei vielleicht auch den Tod: Er prophezeite, dass Menschen sich unsterblich machen könnten, indem sie ihr Bewusstsein vom Gehirn auf Chips übertragen. „In diesem Sinne wären wir dann unsterblich“, so Minsky. Wenn man alt wird, macht man einfach ein Back-up seines Wissens und seiner Erfahrungen auf einem Computer. „Ich glaube, in hundert Jahren werden die Menschen dazu in der Lage sein.“

Marvin Minsky nur vorläufig tot?

Marvin Minsky starb im Januar 2016 im Alter von 88 Jahren. Wobei – vielleicht nur vorläufig: Kurz vor seinem Tod unterschrieb er einen offenen Brief zur Kryonik – dem Einfrieren von Menschen kurz nach ihrem Tod, in der Hoffnung, mit Technologien der Zukunft wieder zum Leben erweckt werden zu können. Außerdem war er Mitglied des wissenschaftlichen Beirats der Kryonik-Firma Alcor. Es ist also gut möglich, dass Minskys Gehirn schockgefroren darauf wartet, in unbestimmter Zukunft als Back-up auf einem Computer zu neuem Leben erweckt zu werden. 

The post KI-Pionier Minsky: Vorläufig tot? appeared first on Future Markets Magazine.

Gerade kleineren Unternehmen, die Produkte für das Internet der Dinge realisieren möchten, fehlen oftmals die Ressourcen in der Elektronik- und Software-Entwicklung. Zudem kostet es viel Zeit, die erforderlichen Bausteine – Konnektivität, KI, Sensorik-Integration usw. – von Grund auf neu zusammenzustellen. So liegt bei typischen IoT-Projekten die Time-to-Market zwischen 18 und 24 Monaten – eine sehr lange Zeit in der schnelllebigen Welt des Internets.

Hilfreich ist hier eine neue, von Octonion angebotene Lösung: Das Schweizer Unternehmen entwickelte eine Software-Plattform, mit der sich beliebige Objekte und Geräte vernetzen und mit KI-Funktionen ausrüsten lassen.

Mit der Komplettlösung kann ein IoT-Projekt mit integrierter Künstlichen Intelligenz in nur sechs bis acht Monaten realisiert werden.

Vom Gerät bis zur Cloud

Octonion bietet eine echte End-to-End-Software-Lösung, vom im Gerät eingebetteten Layer bis zu cloud-basierten Diensten. Dazu gehört auch Gaia, ein hochintelligentes, autonomes Software-Entscheidungs-Framework, das moderne Methoden des maschinellen Lernens zur Mustererkennung nutzt. Das System kann für die unterschiedlichsten Anwendungen in verschiedenen Branchen eingesetzt werden. Dabei gewährleistet die Lösung, dass die über das IoT-Gerät generierten Daten allein dem Kunden gehören und auch er alleine sein IoT-Projekt betreibt.

Kosten und Entwicklungszeit reduzieren

So entsteht ein komplettes IoT-System mit Künstlicher Intelligenz, die eine Lösung vom IoT-Gerät oder Sensor über das Gateway bis zur Cloud bietet. Weil die einzelnen Ebenen der Plattform geräteunabhängig und mit jeder Hosting-Lösung kompatibel sind, lassen sich beliebige Anwendungsfälle realisieren. Dabei können Entwickler in jeder Ebene die für sie erforderlichen Funktions-Module auswählen. Damit lässt sich die Plattform individuell an die eigenen Anforderungen anpassen und eine eigene IoT-Lösung schnell entwickeln und einfach betreiben. Eine eigene IoT-Lösung ist mit der Octonion-Plattform in nur sechs Monaten marktreif.

The post Schneller zu smarten IoT-Produkten appeared first on Future Markets Magazine.

Kliniken und Arztpraxen verfügen über Unmengen an Daten: Röntgenbilder, Befunde, Laborwerte, digitale Patientenakten, OP-Berichte und vieles mehr. Bislang werden sie meist noch getrennt voneinander behandelt. Doch nun geht der Trend dahin, all das in einem einheitlichen Software-Rahmen unterzubringen. Diese Datenintegration ermöglicht nicht nur einen schnelleren Umgang mit medizinischen Informationen und bildet die Grundlage für ein effizienteres Zusammenwirken der verschiedenen Fachrichtungen. Sie verspricht auch einen weiteren Mehrwert: Neue, selbstlernende Rechenalgorithmen können verborgene Muster in den Daten aufspüren und den Medizinern wertvolle Unterstützung für ihre Diagnose- und Therapieentscheidungen geben.

Bessere Diagnose dank Künstlicher Intelligenz: 30-mal schneller als ein Arzt mit einer Fehlerrate von 1 %.
Quelle: PwC

Gewebe schneller und genauer untersuchen

„Die Künstliche Intelligenz und die Robotik bieten für unsere tägliche Arbeit enorme Vorteile“, betont Prof. Dr. Michael Forsting, Leiter der Klinik für Diagnostische Radiologie des Universitätsklinikums Essen. Hier wurde mit einem selbstlernenden Algorithmus ein System auf Lungenfibrosen trainiert. Schon nach wenigen Lernzyklen stellte der Computer die Diagnose besser als ein Arzt: „So hilft uns beispielsweise die Künstliche Intelligenz, seltene Erkrankungen besser zu erkennen – weil der Computer anders als der Mensch das einmal Gelernte nicht mehr vergisst und beim Vergleichen von Mustern dem menschlichen Auge überlegen ist.“

Besonders bei der Verarbeitung von Bilddaten erweisen sich kognitive Computerassistenten als hilfreich, um Mediziner von langwierigen, monotonen und immer wiederkehrenden Arbeiten zu entlasten – etwa wenn es darum geht, die Umrisse eines Organs auf einer CT-Aufnahme präzise zu bestimmen. Außerdem sind die Assistenten in der Lage, Informationen aus medizinischen Bilddaten herauszudestillieren, die ein Mediziner beim bloßen Blick auf den Bildschirm kaum zu erkennen vermag.

Diagnose mit Hilfe Künstlicher Intelligenz – Besser als der Arzt

Inzwischen übertreffen diese Systeme sogar den Menschen, wie eine Studie der Universität Nijmegen (Niederlande) nahelegt: Für den Test zur Erkennung von Krebsgewebe hatten die Forscher zwei Gruppen organisiert. Auf der einen Seite standen 32 Entwicklerteams mit eigenen KI-Software-Lösungen, auf der anderen Seite zwölf Pathologen. Die KI-Entwickler bekamen vorab 270 CT-Aufnahmen, bei denen 110 gefährliche Knoten und 160 gesundes Gewebe zeigten. Damit sollten sie ihre Systeme trainieren. Ergebnis: Das beste KI-System erreichte eine nahezu einhundertprozentige Erkennungsgenauigkeit und färbte die kritischen Stellen zudem gleich ein. Dabei war es erheblich schneller als ein Pathologe, der 30 Stunden benötigte, um die befallenen Proben mit entsprechender Präzision zu erkennen. Unter Zeitdruck übersahen die Mediziner vor allem Metastasen mit einer Größe unter zwei Millimeter. Allerdings waren nur sieben der 32 KI-Systeme besser als die Pathologen-Gruppe.

Dabei sind entsprechende Systeme nicht nur Gegenstand von Forschern, sie werden auch bereits eingesetzt. Zum Beispiel bei der Fibroseforschung in der Berliner Charité: Mit -Hilfe einer Cognitive Workbench des Unternehmens ExB wird hier die sehr aufwändige Analyse von Gewebeproben zur Früherkennung von pathologischen Veränderungen auto-matisiert. Bei der Cognitive Workbench handelt es sich um eine proprietäre cloudbasierte Plattform, mit der Anwender eigene AI-fähige Analysen komplexer unstrukturierter und strukturierter Datenquellen in Text und Bild erstellen und schulen können. Ramin Assadollahi, CEO und Gründer von ExB, betont: „Zusätzlich zur Diagnose von Leberfibrose können wir unsere hochwertigen Deep-Learning-Verfahren bei der Früherkennung von Melanomen und Kolorektalkarzinomen einsetzen.“

Kostensenkung für das Gesundheitssystem

Laut PwC führen KI-Anwendungen bei der Brustkrebs-Diagnose dazu, dass Mammografie-Resultate 30-mal schneller ausgewertet wurden als durch einen Arzt – und das bei einer Fehlerrate von nur einem Prozent. Nicht nur bei der Diagnose winken enorme Fortschritte. So war Künstliche Intelligenz bei einer Pilotstudie in der Lage mit mehr als 70-prozentiger Genauigkeit vorherzusagen, wie eine Patientin auf zwei herkömmliche Chemotherapie-Verfahren reagieren würde. Angesichts der enormen Verbreitung von Brustkrebs geht die PwC-Untersuchung davon aus, dass der Einsatz von Künstlicher Intelligenz immense Kostensenkungen für das Gesundheitssystem brächte. So könnten über die nächsten zehn Jahre kumuliert schätzungsweise 74 Milliarden Euro eingespart werden.

Digitale Hilfsmittel für den Patienten

Aber KI nützt Patienten auch ganz konkret bei verschiedenen Beeinträchtigungen im Alltag wie Sehbehinderungen, Gehörlosigkeit oder motorischen Krankheiten. Die App „Seeing AI“ etwa hilft im Falle einer Beeinträchtigung des Sehvermögens, die Umgebung wahrzunehmen. Die App erkennt auf einem Foto, das der Nutzer per Smartphone macht, Objekte, Personen, Text oder auch Bargeld. Der auf Künstlicher Intelligenz beruhende Algorithmus identifiziert den Inhalt des Bildes und beschreibt ihn in einem Satz, der vorgelesen wird. Auch intelligente Geräte wie die „Emma Watch“ zählen hierzu, die das bei Parkinson-Patienten typische Zittern durch intelligentes Gegensteuern ausgleicht. Microsoft-Entwicklerin Haiyan Zhang hat die intelligente Armbanduhr für die an Parkinson erkrankte Grafik-Designerin Emma Lawton entwickelt. In Zukunft sollen auch weitere Parkinson-Patienten Zugang zu entsprechenden Modellen erhalten.

The post Ist KI besser als der Arzt? 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.