Katharina Morik, Professorin für Informatik und Leiterin des Lehrstuhls für KI an der TU Dortmund, im Interview.
Analyze IT

„Nadel im Heuhaufen“

Vom Online-Shop bis zur Stahlproduktion: Wie Künstliche Intelligenz unser Leben verändert. Warum sie uns außerdem hilft, dem Ursprung des Universums auf die Spur zu kommen. Aber das Nachdenken nicht ersetzen kann. Ein Gespräch mit KI-Expertin Katharina Morik.
Interview: Manfred Engeser, Nils Klute
Foto: Palmer Hargreaves GmbH
​​​​​​
Podcast
Analyze IT
Podcast: Gastbeitrag
Frau Professor Morik, der Internet-Händler Zalando hat vor kurzem angekündigt, bis Mitte 2019 jedem Kunden einen individuellen Online-Shop einrichten zu wollen – mithilfe Künstlicher Intelligenz. Ist das realistisch?
Realistisch? Na klar! Aber bestimmt nicht revolutionär.
Nein? Immerhin hat Zalando schon heute 22 Millionen Kunden, Tendenz vermutlich steigend. Jeden einzelnen Kunden bei seinen individuellen Vorhaben abzuholen, ist doch ein komplexes Vorhaben …
Schon bei jeder Suchanfrage bei Google wird eine individuelle Webseite mit personalisierter Werbung erzeugt, in Echtzeit. Warum? Weil die Suche unmittelbar eine Auktion auslöst, um die zur Suche passende Werbung in der Seitenleiste des Browsers anzuzeigen. Dafür werden, mit Hilfe maschinellen Lernens, hunderttausende Profile mit hunderttausenden Produkten abgeglichen. Das ist schon sehr raffiniert, gerade wegen der Geschwindigkeit. Es will ja niemand nur deshalb auf seine Suchergebnisse warten, weil die dazu passende Werbung noch zusammengestellt werden muss. Da gibt es in Sachen Künstlicher Intelligenz ganz andere Herausforderungen.
Welche?
Intelligente Lernverfahren auf all die kleinen Geräte zu bringen, die überall um uns herum sind im Internet der Dinge, Stichwort: Edge Computing. Daten werden von Geräten mit beschränkten Rechen-, Energie- und Speicherressourcen gesammelt. Manche sind, um Energie zu sparen, sogar so stark eingeschränkt, dass sie nicht mal Kommazahlen verarbeiten können. Solche Ultra-Low Power Devices werden beispielsweise als intelligente Frachtbriefe in der Logistik gebraucht.
Prof. Dr. Katharina Morik im Interview
Ob eine Googlesuchanfrage, Amazons Alexa im heimischen Wohnzimmer oder kürzere Arbeitszeiten dank mehr Effizienz im Unternehmen: Menschen nutzen die Vorteile künstlicher Intelligenz gerne – solange sie nicht „Künstliche Intelligenz“ heißt. Prof. Dr. Katharina Morik ist fasziniert von dieser ambivalenten Einschätzung, die ihr jenseits der Hochschule regelmäßig begegnet. Im Interview stellt sie klar, dass Angst vor der Technologie kaum gerechtfertigt ist. 
Und was machen da die intelligenten Lernverfahren?
Ohne Analyse nützen Daten nicht. Maschinelles Lernen muss erst einmal den Sensorstrom eines kleinen Gerätes vorverarbeiten. Das Ergebnis wird dann fortlaufend an einen zentraleren Rechner gesendet. Dort wird aus den vielen Sensorströmen ein Vorhersagemodell gelernt. Und das kann dann auf einem kleinen Gerät ausgeführt werden.
Wie weit ist die Forschung da?
Wir haben genau dafür Lösungen entwickelt – also maschinelles Lernen auf stark beschränkten Geräten anzuwenden. Es ist uns sogar gelungen, sehr komplexe Vorhersagemodelle auf Ultra Low Power Devices zu lernen und das mit theoretischen Garantien! Ein Durchbruch. 
Warum?
Weil so das Gerät einen Teil der Datenanalyse vor Ort selbst übernehmen kann, also am Ende weniger Daten senden muss, was wiederum Energie spart. Aber vor allem, weil wir das nicht irgendwie programmiert haben, sondern eine klare theoretische Grundlage dafür erreicht haben, so dass Anwender wissen, wie zuverlässig und genau das gelernte Modell ist.
Wie ließen sich solche Lösungen einsetzen?
Zum Beispiel in der Astrophysik, auf der Suche nach der Nadel im Heuhaufen: Also der Antwort auf die Frage, wie wir in den riesigen Mengen von Daten, die Cherenkov-Teleskope sammeln, die überaus seltenen Gammastrahlen finden, um auf dieser Basis Ereignisse zu bestimmen, die vor Tausenden von Jahren und auch außerhalb unserer Galaxie stattgefunden haben.
Katharina Morik ist Professorin für Informatik und leitet den Lehrstuhl für KI an der Technischen Universität Dortmund.
Katharina Morik, 63, ist Professorin für Informatik und leitet den Lehrstuhl für Künstliche Intelligenz an der Technischen Universität Dortmund. Sie promovierte 1981 über Überzeugungssysteme der Künstlichen Intelligenz in Hamburg, habilitierte 1988 an der TU Berlin über maschinelles Lernen und nahm 1991 den Ruf an die Universität Dortmund an. Heute gehört sie zu den weltweit renommiertesten Experten für Künstliche Intelligenz, ihre Forschungsschwerpunkte liegen in den Bereichen Machine Learning und Data Mining.
​​​​​​​Geht’s auch etwas näher an unserem Alltag?
Klar: Wir untersuchen in Dublin und Warschau den Verkehr. Die Sensoren sind da Messungen des Verkehrsflusses in den Straßen, in Warschau auch in Straßenbahnen, und die Zählung der gerade in einer Funkzelle angemeldeten Mobiltelefone. Wir haben auch aktuelle Social Media-Posts ausgewertet. Also etwa, wenn jemand postet, wo er gerade im Stau steht. Oder wenn sich Menschen auf Twitter über bevorstehende Konzerte oder Sportveranstaltungen austauschen, deren Besuch sich ja aufs Verkehrsaufkommen auswirkt.
Was haben Sie aus diesen Informationen gemacht?
Durch maschinelles Lernen sind wir in der Lage, vorauszusagen, wann wo Staus entstehen. Dabei geht es nicht nur um Autos, sondern auch um Straßenbahnen. So können wir zu jedem Zeitpunkt den Verkehr an jeder Stelle in der Stadt voraussagen. Und Verkehrsteilnehmer in Echtzeit so lotsen, dass Staus vermieden werden.
Wenn alle die gleiche Umleitung nutzen, verlagern sich Staus doch nur …
Richtig. Hier arbeiten wir gerade an einer Art Auktionsmodell, das unterschiedliche Routenempfehlungen verteilt, also jedem Fahrer eine individuelle Route zukommen lässt, um nicht über eine Umleitung für alle neue Staus zu provozieren.
Warum genügt es nicht mehr, sich auf die Berechnungen klassisch ausgebildeter Ingenieure zu verlassen?
Ingenieure planen Prozesse nach Naturgesetzen. Heißt: Unter bekannten Bedingungen ist das Verhalten einer Maschine oder eines Verfahrens fest definiert. Wir dagegen nehmen die Daten jedes einzelnen Ablaufs. Bei Industrie 4.0 zum Beispiel, um den Erfolg im Hinblick auf ein Fertigungsergebnis zu prognostizieren. Dabei spielen viele Faktoren hinein, die nicht vollständig bekannt und kontrollierbar sind – etwa Wetter, Raumtemperatur und Luftfeuchtigkeit. Wie sich all diese Parameter etwa auf ein Fertigungsverfahren auswirken, ist nur über Daten der einzelnen Abläufe zu erkennen. Das aus den Daten maschinell gelernte Modell ergänzt also das Ingenieurmodell und kann in Echtzeit nachjustieren und steuern. 
„Kaum jemand weiß, was mit Künstlicher Intelligenz möglich ist. Und fast jeder stellt sich darunter etwas Falsches vor: Roboter!“
KATHARINA MORIK,
Leiterin des Lehrstuhls für Künstliche Intelligenz, TU Dortmund
Gibt es auch Branchen, in denen das maschinelle Lernen an Grenzen stößt?
Branchen? Nein, es gibt immer Möglichkeiten, Prozesse in Echtzeit zu verbessern – wie am Beispiel Dublin im Verkehr und der Logistik beschrieben, aber natürlich auch in der Produktion, wo Datenanalysen helfen, frühzeitig Anomalien zu erkennen und Qualitätsprognosen zu erstellen, um den Ressourcenverbrauch zu senken. Oder in der Medizin, wo wir genetische Daten auf Therapieprofile hin untersuchen – etwa beim Kampf gegen das Neuroblastom, einer Krebserkrankung, die vor allem im sehr frühen Kindesalter auftritt. Und selbst in einer so analogen Branche wie der Stahlproduktion hilft das maschinelle Lernen, Prozesse zu verbessern.
KÜNSTLICHE INTELLIGENZ
1959 in Dartmouth als Fach ausgerufen, hat die Künstliche Intelligenz (KI) durch die Beherrschung von Spielen, die Intelligenz erfordern, für öffentliche Furore gesorgt. Teilgebiet der KI sind Spiele, Planung, automatisches Beweisen, Robotik, Verstehen und Generieren natürlicher Sprache, Bildern und Videos. Das Teilgebiet „Maschinelles Lernen“ kann alle diese Fähigkeiten von Rechnern verbessern und ist innerhalb der KI das am stärksten wachsende Gebiet.
Wie denn?
Wir haben einen bestimmten Ofentyp, in dem Stahl hergestellt wird, unter die Lupe genommen – und vier Zielgrößen untersucht: die Abstichtemperatur des Roheisens, den Gehalt von Kohlenstoff und Phosphor am Ende in der Schmelze und von Eisen in der Schlacke. Mithilfe eines maschinellen Lernverfahrens haben wir einen Zusammenhang hergestellt zwischen unterschiedlichen Kombinationen mehrerer Messgrößen auf der einen und den Zielgrößen auf der anderen Seite. Damit konnte der Moment noch genauer bestimmt werden, an dem der Schmelzvorgang beendet werden soll. Das spartungeheure Mengen an Energie – und damit Geld – pro Tag!
Und wie sind Sie darauf gekommen, dass ausgerechnet die von Ihnen gewählte Werte-Kombination die richtige ist?
Auch die Merkmalsauswahl gehört zum maschinellen Lernen. Dafür gibt es Algorithmen. Aber tatsächlich hat in diesem Fall ein neu konstruiertes Merkmal das Modell entscheidend verbessert und da hilft nur eines: Nachdenken.

Weitere Informationen