Das Denken von Computern nähert sich mittlerweile immer stärker dem des Menschen an. © Pixabay

Wenn nichts mehr hilft, hilft KI

Seit Kasparows Niederlage gegen Deep Blue hat sich viel getan. Auch wenn noch keine künstliche Intelligenz den ­berühmten Turing-Test bestanden hat – das Denken von Computern nähert sich schrittweise dem des Menschen an. Mustererkennung und Deep Learning helfen dabei, immer komplexere Probleme zu ­lösen. Das Spektrum möglicher Anwendungen könnte breiter nicht sein.

Vor 20 Jahren gelang es dem Schachcomputer Deep Blue von IBM, den Weltmeister Garri Kasparow in einem Wettkampf zu besiegen. Im gleichen Jahr registrierte ein junges Start-up aus Kalifornien die Domain google.com, und Barnes & Noble verklagte Amazon, weil der Onlinedienst – damals frecherweise – behauptet hatte, der weltgrößte Buchhändler zu sein. Vor zehn Jahren kam das iPhone auf den Markt, und Microsoft kaufte 1,6 Prozent der Aktien eines vielversprechenden Unternehmens namens Facebook. Seit Kasparows Niederlage gegen Deep Blue hat sich einiges getan – das Denken von Computern nähert sich mittlerweile immer stärker dem des Menschen an.
Dabei helfen unter anderem Mustererkennung und Deep Learning, da sich damit immer komplexere Probleme lösen lassen. Das Spektrum möglicher Anwendungen könnte breiter nicht sein, erklären Ralf Reich, Head of Continental Europe, und Anshuman Singh, Head of Digital Business Group bei Mindtree. „Gmails Smart Reply etwa analysiert unseren E-Mail-Verkehr, um Antworten auf zukünftige E-Mails vorzu­formulieren – sodass wir nur noch auf Senden drücken müssen“, sagt Reich. Gleichzeitig unterstützen selbstlernende Algorithmen Mediziner dabei, Tumore in ihren Patienten aufzuspüren. „Und auch in so gut wie allen Bereichen der Wirtschaft haben Unternehmen angefangen, in maschinelles Lernen zu investieren“, ergänzt Singh.
Gerade im Bereich der Medizin eröffnet maschinelles Lernen neue Möglichkeiten. So wollen ­beispielsweise IBM Watson Health und Pfizer gemeinsam die immunonkologische Forschung beschleunigen, indem Pfizer-Forscher das kogni­tive Computerprogramm „Watson for Drug Discovery“ nutzen, um schneller neue Therapien für Patienten zu entwickeln. Immunonkologie ist ein aufstrebender therapeutischer Ansatz der Krebsmedizin, der das menschliche Immunsystem nutzt, um Krebs zu bekämpfen.

Therapien erforschen
Pfizer gehöre weltweit zu den ersten Unternehmen, die „Watson for Drug Discovery“ einsetzen, und es sei die erste Organisation, für die das Programm individuell angepasst werde. Watsons Fähigkeiten zu maschinellem Lernen, zur Verarbeitung natürlicher Sprache sowie andere kognitive Eigenschaften würden dabei genutzt, um neue Ansatzpunkte für immunonkologische Medikamente zu entdecken, Kombinationstherapien zu erforschen und Patienten zu identifizieren, die von einer immunonkologischen Behandlung ­profitieren können.
Die Kooperation zwischen den beiden Unternehmen Pfizer und IBM soll die Forschung in diesem Bereich nun beschleunigen. Konkret würden Pfizer-Krebsforscher „Watson for Drug Discovery“ nutzen, um große Datenmengen, sowohl aus öffentlichen Quellen als auch aus dem Unternehmensbestand, für die immunonkologische Forschung zu analysieren. Watson analysiere große Datenmengen, verstehe komplexe, in natürlicher Sprache formulierte Fragen und liefere evidenz­basierte Antworten. Die Software lerne durch die bereits durchgeführten Interaktionen ständig dazu und gewinne dadurch an Wissen und Wert. Mit dem Programm könnten Wissenschaftler medizinische Hypothesen prüfen, evidenzbasierte Erkenntnisse gewinnen und effiziente Sicherheitsbewertungen durchführen.
„Pfizer forscht intensiv im Bereich der Immun­onkologie. Mittlerweile sind große Mengen von Daten und Literatur in diesem sehr komplexen Forschungsgebiet verfügbar. Wir denken daher, dass die Nutzung moderner Technologien unseren wissenschaftlichen Experten dabei helfen kann, schneller neue Therapien für Patienten zu ent­wickeln“, betont Mikael Dolsten, President Worldwide Research & Development bei Pfizer.

Versteckte Muster
Denn während ein Wissenschaftler im Durchschnitt rund 200 bis 300 Artikel pro Jahr liest, habe „Watson for Drug Discovery“ direkten Zugriff auf eine Datenbank mit 25 Millionen medizinischen Abstracts, mehr als einer Million vollständigen Artikeln aus medizinischen Fachzeitschriften sowie vier Millionen Patenten. Das Programm werde regelmäßig aktualisiert und könne mit den unternehmenseigenen Daten, zum Beispiel aus dem Labor, angereichert werden. Die Lösung könne Wissenschaftler so bei der Analyse von Daten aus unterschiedlichen Quellen unterstützen und durch eine dynamische Visualisierung versteckte Muster und Zusammenhänge erkennbar machen.
„Wir analysieren eine Vielzahl neuer Technolo­gien und digitaler Lösungen, die uns bei der dynamischen Interpretation von internen und externen Datenquellen helfen können. Unser Ziel ist es, dadurch neue Verknüpfungen in der Wissenschaft zu finden sowie ein besseres Verständnis für das Fortschreiten von Krankheiten und potenzielle Behandlungsmöglichkeiten zu entwickeln“, sagt Laurie Olsen, Executive Vice President Stra­tegy, Portfolio and Commercial Operations bei Pfizer. „Indem wir die Stärken von kognitiven Computersystemen nutzen und mit unserer Kernkompetenz – der Entwicklung von Medikamenten – vereinen, können wir schneller herausfinden, welche immunonkologischen Therapien die Gesundheit von Patienten wesentlich verbessern können.“
„Wir denken, dass die nächste Generation von medizinischen Innovationen entstehen kann, da Forscher und Wissenschaftler nun neue Muster in bestehendem Wissen erkennen können. Damit das gelingt, brauchen sie Zugang zu Tools, die sie bei der Navigation durch global verfügbare Daten unterstützen“, ergänzt Lauren O’Donnell, Vice President Life Sciences bei IBM Watson Health.
TrademarkVision hilft indes mit maschinellem Lernen beim Schützen von Logos. Das australische Start-up vereinfacht das Schützen von Handelslogos für Unternehmer deutlich, indem ein Algorithmus via Bilderkennung sofort heraus­findet, ob ein ähnliches Logo bereits im Umlauf ist und wie dieses konkret aussieht.

Suchrahmen
Im Moment sei es laut den Entwicklern noch besonders schwierig herauszufinden, ob ein Logo andernorts bereits verwendet wird, denn alte Analysesysteme von Behörden beruhen lediglich auf der Abfrage von Buchstaben, Zeichen und ganzen Wörtern, also Markennamen. Bilder werden in diese Suche jedoch nicht ausreichend inkludiert, was Tausende von neuen Logos der vergangenen Jahre komplett aus dem Suchrahmen fallen lässt.
Dank maschinellen Lernens könne TrademarkVision jedoch jetzt ganz genau überprüfen, ob ein ähnliches Handelszeichen bereits vermerkt oder sogar bereits geschützt sei. Das Erkennen von Gesichtern und Orten sei „bekannterweise nicht neu“, aber die gleiche Technologie auf die Markeneintragung zu übertragen schon, erklärt TrademarkVision-CEO Sandra Mau. „Wir sind die Ersten auf der Welt, die erkennen können, was in einem Logo ist.“ Ähnlich wie die bekannte ­Google-Bildersuche durchstöbere Trademark­Vision seine Datenbank der Tausenden eingetragenen Handelszeichen und gleiche Gefundenes mit der Vorgabe ab. Von Vorteil sei vor allem, dass der Algorithmus nicht nur erkenne, ob ein Logo schon existiert, sondern auch, ob ein anderes dem neuen Bild besonders ähnlich sehe. Dies könne vor großen Rechtsstreitigkeiten schützen.
Machine-Learning (ML) und künstliche Intelligenz (KI) treiben aber auch die Industrie sowie die IT-Sicherheitsbranche um. Vor allem, um die Cloud-Sicherheit zu verbessern und um sich gegen automatisierte Angriffe zu schützen. So rät etwa der Sicherheitspezialist Palo Alto Networks, die Potenziale von KI und Machine-Learning im kommenden Jahr und darüber hinaus zu nutzen. In den letzten Jahren habe sich die digitale Präsenz von Unternehmen über die Grenzen des lokalen Rechenzentrums und der privaten Cloud hinweg zu einem Modell erweitert, das nun SaaS und öffentliche Clouds umfasse.

Sicherheitsniveau
Bisher agierten Sicherheitsteams in einem reaktiven Modus, während sie versuchten, eine umfassende Sicherheitsstrategie in ihrer hybriden Architektur zu implementieren. Im Jahr 2017 sei jedoch mit konzertierten, proaktiven Anstrengungen zu rechnen, um eine Multi-Cloud-Sicherheitsstrategie aufzubauen. Diese werde darauf ausgerichtet sein, den aufkommenden digitalen Bedürfnissen der Unternehmen Rechnung zu tragen. Die Erhaltung eines konsistenten Sicherheitsniveaus, durchgängige Transparenz und einfache Verwaltung des Sicherheitsmanagements über alle Clouds hinweg würden im Vordergrund stehen. Grenzüberschreitende Datenschutzgesetze spielen heute eine wichtige Rolle bei der Betrachtung von Cloud-Computing-Optionen für Unternehmen auf der ganzen Welt. Mit den jüngsten Entwicklungen wie dem Brexit und dem Ausbau der grenzüberschreitenden Datenflussbeschränkungen im asiatisch-pazifischen Raum würden Sicherheitsverantwortliche im Jahr 2017 Flexibilität und Anpassungsfähigkeit von ihren Cloud-Sicherheitsanbietern fordern. Cloud-Security-Angebote müssten dabei die Vielfalt der Clouds abdecken, eine konsistente Sicherheitspolitik durchsetzen und sich an die Datenschutzgesetze des betreffenden Nationalstaats anpassen.

Automatisiert
2016 kamen zudem erstmals, wenn auch nicht unumstritten, selbstfahrende Autos und leistungsfähige private Drohnen auf den Markt. Die Technologie hinter diesen Innovationen wurde stark von künstlicher Intelligenz und maschinellem Lernen angetrieben. Die Nutzung von KI und ML innerhalb der Cybersicherheit sei nicht neu, vor allem in der Bedrohungsanalyse und -erkennung. Die durchgängige Verfügbarkeit von Open-Source-AI/ML-Frameworks und damit verbundene einfache Automatisierung würden diese Ansätze, prophezeit Palo Alto Networks, aber neu definieren. Heute gehe es bei der Sicherheitsautomatisierung um die Vereinfachung und Beschleunigung monotoner Aufgaben zur Definition und Durchsetzung von Sicherheitsrichtlinien. Bald würden aber künstliche Intelligenz und maschinelles Lernen eingesetzt werden, um prädiktive Sicherheit in öffentlichen, privaten und SaaS-Cloud-Infrastrukturen zu implementieren. Open-Source-Projekte wie etwa „MineMeld“ ermutigen Sicherheitsteams, externe Bedrohungsdaten für eine selbstkonfigurierende Sicherheitspolitik zu nutzen. Anwendungsprogrammierschnittstellen (API) seien etwa die Hauptstütze für den Zugriff auf Dienste innerhalb von Clouds. Da Cloud-Anbieter die potenziellen Probleme mit herkömmlichen Authentifizierungsmethoden und Credential-Storage-Praktiken, wie hartcodierten Passwörtern, realisiert hätten, würden sie nach Alternativen suchen. So würden Authen­tifizierungsmechanismen (API-Schlüssel) und ­Meta­datendienste (temporäre Kennwörter) ­implementiert.
Auch der Zahlungsverkehranbieter Mastercard setzt auf maschinelles Lernen. Das Unternehmen bietet den Autorisierungs- und Betrugserkennungsservice Decision Intelligence an, ein Tool, welches Kartenherausgeber mithilfe künstlicher Intelligenz dabei unterstützen soll, die Genehmigung von Transaktionen zu optimieren und damit überflüssige Ablehnungen von Transaktionen, die zu Unmut bei Kreditkarteninhabern führen, zu reduzieren. Dabei handle es sich um die erstmalige Nutzung künstlicher Intelligenz direkt über das globale Netzwerk von Mastercard. Bisherige Produkte zur Autorisierungsentscheidung fokussierten sich primär auf die Risikobewertung und arbeiteten mit vorprogrammierten Regeln. Decision Intelligence reiche deutlich weiter. Der neue Service prüfe und werte umfassender aus und lerne so mit jeder Transaktion. Dies ermögliche dem Kartenherausgeber, das Gelernte auf nachfolgende Transaktionen anzuwenden.
„Durch die Nutzung künstlicher Intelligenz helfen wir Kartenherausgebern und Händlern, die Autorisierungsentscheidungen, und damit auch das Einkaufserlebnis der Konsumenten, zu verbessern. Damit verhindern wir das ärgerliche Erlebnis, wenn Kunden fälschlicherweise ein Einkauf verweigert wird“, erklärt Ajay Bhalla, President of Enterprise Risk and Security bei Mastercard.

Alarm auslösen
Decision Intelligence nutze hoch entwickelte Algorithmen, um Kartenherausgebern eine vo­rausschauende Bewertung zur Verfügung zu stellen, die auf vielschichtigen Analysen beruhe. Anschließend würden die so generierten Informationen in die bestehenden Betrugsvorbeugungsmaßnahmen eingespeist. Integriert in das gesamte Mastercard-Betrugspräventionstool würden dann datenbasierte Echtzeitentscheidungen getroffen. Dazu könnten beispielsweise Schwellenwerte definiert werden, die einen Alarm auslösen.
Die Technologie hinter Decision Intelligence untersuche, wie die jeweilige Mastercard über die Zeit genutzt wird, um normales und abnormales Einkaufsverhalten zu unterscheiden. Dafür nutze sie Informationen wie Risk-Profiling, Standorte, Händler, Endgerätedaten, Tageszeiten und die Art des Einkaufs. Während der vergangenen Jahre habe sich, betont Bhalla, die Industrie immer stärker auf den Schutz von Zahlungsvorgängen und auf die Bekämpfung von betrügerischen ­Aktivitäten fokussiert. Daher sei es heute besonders wichtig, die richtige Balance zwischen der Zulassung von Transaktionen und der Kenntnisnahme von Betrugsfällen zu finden. „Wir schätzen, dass der Wert von falschen Ablehnungen allein in den USA mehr als 13-mal so hoch ausfällt wie der Verlust durch effektiven Kartenbetrug“, erklärt Al Pascual, Senior Vice President, Research Director und Head of Fraud and Security bei Javelin Strategy & Research. „Maschinelles Lernen für die Entscheidungsprozesse einzusetzen, ist ein neuartiger Ansatz, um ein positives Kundenerlebnis zu garantieren und gleichzeitig betrügerische Aktivitäten zu minimieren.“

Intelligente Anwendungen
Der Softwarekonzern SAP präsentierte bereits im Herbst 2016 drei neue Kurse, die auf der Plattform openSAP angeboten werden und Teilnehmern die Auswirkungen von iOS-Technologie, maschinellem Lernen und SAP S/4HANA auf die täglichen Abläufe in Unternehmen vermitteln sollen. Die openSAP-Kurse zeigen, wie SAP und Apple im Rahmen ihrer Kooperation iOS-Technologie für den Einsatz in durchgängigen Geschäftsprozessen optimieren, und bieten Teilnehmern einen umfassenden Einblick in maschinelles Lernen und daraus resultierende intelligente Anwendungen.
Im Kurs „Enterprise Machine Learning In a Nut­shell“ lernen Teilnehmer in sieben Lektionen, welche Bedeutung maschinelles Lernen für das Enterprise-Computing hat, und sie erhalten einen Überblick über technologische Neuerungen in diesem Feld. Entscheidungsträger in Unter­nehmen könnten dieses Wissen nutzen, um geschäftlichen Mehrwert aus ihren Datenbeständen zu ziehen. „Wir sind überzeugt, dass die neuen Kurse Teilnehmern dabei helfen, ihr Wissen über SAP Fiori für iOS zu erweitern, den Nutzen von maschinellem Lernen für Unternehmen zu verstehen und zu lernen, Erweiterungen für SAP S/4HANA zu entwickeln“, erklärt Bernd Weltz, Executive Vice President des Bereichs Scale, Enablement and Transformation bei SAP. (TM)

www.ibm.com/watsonhealth
www.pfizer.at,
www.mindtree.com
www.trademark.vision
www.utoronto.ca
www.sap.com
www.mastercard.com
www.paloaltonetworks.com

INFO-BOX
Lernen auf Basis menschlicher Instruktionen
Forscher der University of Toronto haben einen neuen Algorithmus entwickelt, der Dinge selbstständig erlernt und damit über das Training durch einen Programmierer hinausgeht. Die Fähigkeiten wurden bereits durch das Identifizieren menschlicher Haare unter Beweis gestellt. Statt der traditionellen Methode des Trainings neuronaler Netzwerke lernt der neue Algorithmus direkt auf Basis menschlicher Instruktionen. Dieses Modell nennt sich „heuristisches Training“.
„Das Problem, das bei diesem neuen Ansatz bestehen bleibt, ist, dass Tendenzen und Vorurteile, die schon in den Daten liegen, aus denen das System lernt, auch die Entscheidungen des Algorithmus dementsprechend beeinflussen“, erklärte Peter Purgathofer vom Institut für Gestaltungs- und Wirkungsforschung der TU Wien gegenüber dem Branchendienst „pressetext“. Hierbei handle es sich um einen Verschleierungsmechanismus, durch den ein Bias, der so in das System hineinkommt, unsichtbar wirkt und unauffindbar sei. Daher lasse sich nicht mehr nachvollziehen, wo er herkommt.
Die Wissenschaftler Parham Aarabi und Wenzhi Guo von der University of Toronto haben für das Training ihres Algorithmus statt bestehenden Datensätzen menschliche Anweisungen herangezogen. Beispielsweise dienen zum Erkennen von Wasser nicht verschiedene Abbildungen davon, sondern Erklärungen wie „Meerwasser hat typischerweise verschiedene Blautöne“, mit denen der Algorithmus gefüttert wird. Die Resultate der Versuche sind verblüffend und wegweisend für die Zukunft künstlicher Intelligenz. Das heuristische Training neuronaler Netzwerke hat traditionelle Algorithmen des maschinellen Lernens zu 160 Prozent übertroffen. Darüber hinaus wurden menschliche Haare zu neun Prozent präziser erkannt als dies im Training erprobt worden war. Dies zeigt, dass der Algorithmus seine eigene Performance selbstständig verbessert hat.
„Unser Algorithmus hat gelernt, schwierige Grenzfälle zu klassifizieren. Dabei ist es um eine Unterscheidung der Haarstruktur von der des Hintergrunds gegangen. Was wir gesehen haben, ist wie ein Lehrer-Schüler-Verhältnis, in dem der Schüler über das ursprünglich Vermittelte hinaus lernt“, meint Aarabi. Diese Experimente zeigen, dass neuronale Netzwerke Daten, die im Vorfeld unbekannt oder nicht klassifiziert waren, korrekt identifizieren können.