Wie man Robotern beibringt, etwas menschlicher zu werden

29. Juli 2016, 06:00
30 Postings

Was genau ist Machine-Learning? Anwendungen dafür sehen jedenfalls auch Großkonzerne wie Google. Ein Überblick

Graz/Wien – Die Namen der Unternehmen, die Machine-Learning für sich entdeckt haben, sind keine Überraschung: Amazon, Facebook, Microsoft, Apple heißen sie. Google ist natürlich auch dabei und hat vor kurzem angekündigt, in Zürich eine Forschungsgruppe zum Thema Machine-Learning aufbauen zu wollen. Die drei Kernbereiche: Maschinenintelligenz, das Verstehen natürlicher Sprache und Machine-Perception – das ist die Ausstattung von Computern mit einer Art Wahrnehmungsvermögen, um beispielsweise Fotos und Videos analysieren zu können.

Google-Forscher Greg Corrado sagt dazu: "Machine-Learning ist keine Magie, sondern ein praktisches Werkzeug." Tatsächlich kommt dieses Werkzeug bereits in Produkten des Konzerns zum Einsatz, etwa bei der Suchfunktion, beim Erkennen von Spam durch den E-Mail-Dienst Gmail sowie bei der Sprachsteuerung von Mobilgeräten.

In der Wissenschaft setzt man derzeit vor allem auf Deep Learning. Hinter diesem Schlagwort steckt ein Rechenmodell, bei dem künstliche neuronale Netze verwendet werden, um bestimmte Aufgaben zu lösen: etwa Bilder unterscheiden und analysieren zu können. "Das ist im Prinzip gar nichts Neues, doch jetzt haben wir die Schwelle überschritten, ab der es gut funktioniert", freut sich Christoph Lampert vom IST Austria in Maria Gugging.

Die Kombination von riesigen Datenmengen und erhöhter Rechnerleistung war Innovationstreiber – zum Beispiel werden heute Grafikprozessoren für das maschinelle Lernen eingesetzt. Davon hat man, als die Künstliche Intelligenz (KI) zum Thema der Forschung wurde, noch nicht einmal träumen können.

"Die KI-Forschung der 1980er-Jahre hat das Blaue vom Himmel versprochen" , meint Lampert. Bei Machine-Learning sei man bescheidener und habe mehr die mathematischen Prozesse im Blick. Unterschieden wird dabei etwa zwischen Supervised Learning und Unsupervised Learning (überwachtes bzw. nicht überwachtes Lernen): Bei Ersterem handelt es sich um das Lernen aus Beispielen. "Da sind wir schon weit, etwa, was das Erkennen von Objekten betrifft", sagt Lampert. Beim Unsupervised Learning geht es dagegen um das Erkennen von Mustern und Anomalien in großen Datenmengen. Die Ähnlichkeit mit dem menschlichen Gehirn ist gering, sagt Lampert. "Eine Parallele ist schon zu erkennen: dass nämlich die Verknüpfung vieler kleiner Einheiten sinnvoll sein kann."

Wenn Maschinen tatsächlich lernen können, muss man sich dann vor Computern auch ein wenig fürchten? Lampert verneint: "Computer können zielgerichtete, klar definierte Aufgaben lösen. Hingegen sind wir noch keinen einzigen Schritt weitergekommen, Kreativität oder gar Bewusstsein im Computer zu erschaffen." Was den Menschen von der Maschine unterscheidet, ist außerdem die Fähigkeit, seine Umwelt in einen Kontext zu setzen: Jedes Kleinkind weiß schon, dass eine Kuh nicht fliegen kann. Für einen Computer ist das alles andere als selbstverständlich.

Kein Basiswissen

Maschinen verfügen außerdem über kein Wissen, auf dem sie aufbauen können. Wissen, das sich Menschen im Laufe ihres Lebens aneignen, ohne einen Sinn für die Zukunft zu erkennen. In einem EU-Forschungsprojekt versucht Lamperts Forschungsgruppe genau das zu ändern und den Computern dieses menschliche Lernen beizubringen.

Ein Bereich, der mit Machine-Learning in Zusammenhang steht, ist Computer-Vision: das Sammeln, Auswerten und Verstehen von Bildern durch Computer. Die TU Graz wird in Kooperation mit dem Onlinehändler Amazon Drohnen das Sehen lehren, damit die Lieferung von Büchern und Spielzeug möglichst nicht schon am nächsten Baum endet.

Horst Bischof, Vizerektor der TU und Professor am Institut für Computergrafik und Vision, jubelt über den Auftrag: "Computervision wurde schon in den 1980ern gefördert." Man sei Vorreiter beim Verknüpfen von Computervision und Computergrafik (Visual Computing) gewesen. Bischof spricht auch von erfolgreichen Unternehmensgründungen – das Start-up Vexcel etwa wurde von Microsoft gekauft.

Forschungsbereiche am Institut sind heute eben die Steuerung von Drohnen mithilfe von Kameras, Objekterkennung, also die semantische Interpretation von Bildern, die Objektverfolgung in Videos und Augmented Reality. Für die Industrie gibt es Forschungsarbeiten im Bereich Bildverarbeitung bei Industrie 4.0, der vielbesprochenen Automatisierung der industriellen Fertigung.

Praxistaugliche Anwendung

Für die geplante Forschungsgruppe des Internetkonzerns in Zürich sei sein Institut ein potenzieller Kooperationspartner, zumal mit Schweizer Forschungseinrichtungen bereits zusammengearbeitet wird. "Früher war Computervision ein Randthema der IT, heute ist es in den Mittelpunkt gerückt, nicht zuletzt durch Smartphones mit Kameras und leistungsfähigen Prozessoren." Das werde viele Anwendungen praxistauglich machen, die heute noch abwegig erscheinen, beispielsweise die Hautuntersuchung mit dem Handy. "Derartige Entwicklungen im Consumer-Bereich können uns sicher helfen." Und die Akzeptanz für lernende Maschinen deutlich verbessern.

Dass es bei Anwendungen von Machine-Learning noch genug zu tun gibt, beweisen die jüngsten Unfälle mit selbstfahrenden Autos von Tesla, meint Bischof abschließend: "Hier reicht eben keine Genauigkeit von 99,9 Prozent, es müssen wirklich stets 100 Prozent sein." (Robert Prazak, 29.7.2016)

  • So schaut es aus, wenn Roboter Kismet sich fürchtet: Entwickelt wurde die Maschine, um mit Gesichtsausdrücken auf das zu reagieren, was in ihrem Umfeld passiert. Kismet kann natürlich auch glücklich wirken, selbstverständlich nur dann, wenn Spiel und Spaß im Vordergrund stehen. Entwickelt wurde das gefühlvolle Ding im Artificial Intelligence Laboratory des renommierten MIT (Massachusetts Institute of Technology) in Boston, USA.
    foto: science photo library / picturedesk

    So schaut es aus, wenn Roboter Kismet sich fürchtet: Entwickelt wurde die Maschine, um mit Gesichtsausdrücken auf das zu reagieren, was in ihrem Umfeld passiert. Kismet kann natürlich auch glücklich wirken, selbstverständlich nur dann, wenn Spiel und Spaß im Vordergrund stehen. Entwickelt wurde das gefühlvolle Ding im Artificial Intelligence Laboratory des renommierten MIT (Massachusetts Institute of Technology) in Boston, USA.

Share if you care.