Das Zeitalter der Künstlichen Intelligenz birgt viele Versprechen. Für viele von uns aber auch berechtigte Ängste. Wir bei MORESOPHY sind überzeugt, dass Künstliche Intelligenz nur dann sinnvoll und im Sinne des Menschen eingesetzt werden kann, wenn Menschen das Wirken der Künstlichen Intelligenz verstehen. Und zwar nicht nur absolute Fachexperten oder Data-Scientists: sondern die Menschen, die wichtige Entscheidungen verantworten und sich auf Intelligenz in Ihrem Umfeld – egal ob Menschen oder Maschinen – verlassen müssen.
In diesem Blog berichten wir über unsere Erfahrungen im Umgang mit Künstlicher Intelligenz. Ganz besonders mit der Stufe von Intelligenz, die uns Menschen wesentlich von anderen Lebewesen unterscheidet: der menschlichen Sprache. Nur wenn Computer Sprache verstehen wie wir Menschen es tun: situativ - im Kontext – und beständig erlernt aus Erfahrung, können wir ernsthaft davon sprechen, dass Computer Daten so verstehen wie wir Menschen.
Computer verarbeiten numerisch kodierte Daten mit hoher Schnelligkeit und in großen Mengen. Wie ist es allerdings möglich, eine natürliche, menschliche Sprache binär abzubilden und dem Computer ein Verständnis für Texte und ihre Bedeutung zu vermitteln?
Weiterlesen
Automatische Entscheidungssysteme, die auf maschinellem Lernen basieren, enthalten oftmals einen sogenannten „Bias“ (deutsch: Vorurteil, Verzerrung). Darunter versteht man Bewertungen, die aufgrund unzureichender Kenntnis und somit einseitiger Einschätzung bestimmter Sachverhalte getroffen werden. Dies kann nicht nur bei ML-Algorithmen vorkommen, denn auch Menschen lassen in ihre Entscheidungen oft Vorurteile einfließen – meist unbewusst. Wesentliche ethische Fragen im Maschinellen Lernen diesbezüglich sind also: Dürfen Machine-Learning-Algorithmen Bias enthalten? Und wenn ja, wann und wie viel „Bias“ ist vertretbar?
Weiterlesen
Kürzlich machte Google Schlagzeilen, weil es innerhalb weniger Monate bereits seine zweite leitende Forscherin zur Ethik in der KI gefeuert hat. Timnit Gebru und ihre Kollegin Margaret Mitchell forschten an dem Paper “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”, in dem es um die Risiken von großen Transformermodellen wie BERT, GTP-3 oder Switch-C geht, die auf extrem umfangreichen aus dem Web extrahierten Textsammlungen trainiert werden. Neben den enormen energetischen Ressourcen, die zum Training benötigt werden, macht das Paper auch darauf aufmerksam, dass bei solch großen Datenmengen oftmals auch Bias (=Vorurteile, statistische Verzerrungen) mitgelernt werden. Zudem ist es schwierig, einen Überblick über die Qualität des Datensatzes zu bewahren und damit solchen ungewollten Begleiterscheinungen entgegenzuwirken.
Weiterlesen
Dr. Christian Maaß sprach auf seinem Blog “Digital Pacemaker” mit moresophy-Mitgründer und CEO Heiko Beier über den aktuellen Entwicklungstand im Bereich Künstlicher Intelligenz, was die heute im Markt dominierenden “schwachen” KI-Lösungen leisten und vor allem (noch) nicht leisten können und weshalb sich Entscheider unbedingt zunächst Grundkenntnisse im Bereich Künstlicher Intelligenz aneignen sollten, bevor sie sich mit der Evaluation passender KI-Lösungen für den Einsatz im eigenen Unternehmen befassen.
Weiterlesen
Können Sie sich noch vorstellen ohne Hilfsmittel durch die Stadt zu navigieren? Was machen Menschen, denen das scheinbar mühelos gelingt anders? Der Schlüssel liegt in einem ungefähren inneren Stadtplan, den erfolgreiche Navigatoren nutzen. In diesem beachten sie vor allem auch Himmelsrichtungen und können so ihren Startpunkt und ihr Ziel auf ihrer inneren Karte in ein Verhältnis setzen.
Menschen, die sich dagegen beim Orientieren schwer tun, versuchen oft nur eine Folge von Abbiegevorgängen und bestimmten Straßennamen auswendig zu lernen. Vergessen sie einen Abbiegevorgang oder ist eine Straße gesperrt, fällt ihre Strategie zusammen wie ein Kartenhaus.
Ähnlich verhält es sich bei effizienter und erfolgreicher agiler Datenanalyse und im Datenmanagement: Echte Information lebt von ihrem Kontext und ihrer Transparenz.
