Trends in der Künstlichen Intelligenz

Seit jeher versuchen Wissenschaftler die Geheimnisse des extrem energieeffizienten und leistungsfähigen menschlichen Gehirns zu entschlüsseln. In unserer vierteiligen Blogreihe rund um das Thema Künstliche Intelligenz (KI) wollen wir einige der aktuellen Trends und Meilensteine aufzeigen, mit denen sich Menschen von überall auf der Welt derzeit beschäftigen.

19.01.2021 I Von Joshua Joost I Ehemaliger Werkstudent im IT Lab

Themen: Zukunftstrends

KI hinterlässt schon längst keine kleinen Fußabdrücke mehr

Wir starten mit ein paar allgemeinen Trends der KI, in den anschließenden Blogposts behandeln wir der Reihe nach die Themen Natural Language Processing (NLP), Biologie und Computer Vision (CV). Schon gewusst? Eine KI hat völlig autonom erstmals ein Breitbandantibiotikum "Halicin" entdeckt. Nein? Dann lohnt es sich auf jeden Fall dran zu bleiben.

Wenn wir mal im Bereich der Biologie bleiben, haben neuromorphe Ingenieure inspiriert durch das biologische Design eine Reihe neuronaler Netzwerkarchitekturen entwickelt, die das menschliche Gehirn in Modularität und Hierarchie nachbilden sollen. Das sich entwickelnde maschinelle Lernen, allem voran das Deep-Learning, kann gerade heutzutage durch die Verfügbarkeit großer, beschrifteter Datensätze und hoher Rechenkapazität große Fortschritte in den unterschiedlichsten Bereichen vorweisen.

Zurück zu aktuellen KI-Trends

Kommen wir aber mal zurück zu den aktuellen KI-Trends. Als wissenschaftliche Grundlage orientieren wir uns dazu stark am State of AI Report 2020. Und als Appetizer vor unserem Forschungsblock gibt es einige Einblicke in die KI-basierten Lösungen des "Accelerator Demo Day Batch #20". Hier zeigen wir Euch erstmal einige der aktuellen Trends in der Industrie, speziell aus dem Versicherungsbereich.

Junge Startups haben sich das Ziel gesetzt, den gesamten Abwicklungsprozess im Schadensfall mit den Versicherten automatisiert zu betreuen und zu begleiten. Ein auf KI basierter Chatbot namens "claimBuddy" analysiert die Schadenfotos und Texte und übernimmt anschließend die Schadendiagnose, die dann zur weiteren Verarbeitung an den Sachbearbeiter übermittelt werden kann.

Aktuelle Neuigkeiten und Trends

KI ist traditionell und aktuell leider immer noch ein sehr verschlossenes Thema. Gerade einmal 15 % aller Forschungsarbeiten auf dem Gebiet veröffentlichen ihren Quellcode und machen das Ergebnis damit nachvollziehbarer und vor allem reproduzierbar. Ein Grund dafür, gerade mit Blick auf die Technologiegiganten ist, dass der Code mit Unternehmensinfrastruktur so sehr verflochten ist, dass er gar nicht ohne weiteres veröffentlicht werden kann.

Studien, die ihren Quellcode veröffentlichen, zeigen einen sehr deutlichen Trend für die Nutzung von Facebooks KI-Bibliothek PyTorch auf, die mehr und mehr Googles Bibliothek TensorFlow ablöst. Gründe dafür sind größere Flexibilität und dynamische Berechnungsgraphen, die das Experimentieren vereinfachen sollen. Um das Ganze nochmal in Zahlen auszudrücken, Studien, die ihr KI-Modell via GitHub geteilt haben, setzen zu 47 % auf PyTorch und zu 18 % auf TensorFlow (Juni 2020).

Vernetztes Lernen

Es gibt aber nicht nur Neuigkeiten für Trends zu KI-Bibliotheken, auch in der Infrastruktur tut sich einiges. Das Open-Source Unternehmen OpenMined hat kürzlich eine Web-, Server- und IoT-Plattform vorgestellt, die vernetztes Lernen beliebiger neuronale Netze ermöglicht und das auch datenschutzfreundlich mit sensiblen, privaten Daten. Derzeit läuft das 5P-Projekt an, hinter dem neben dem Unternehmen OpenMined unter anderem auch die technische Universität München und das Imperial College London stehen.

In dem Projekt wird das verteilte Lernen im klinischen Umfeld eingesetzt, um ein Modell auf Trainingsdaten unterschiedlicher Kliniken zu trainieren. Innerhalb des nächsten Jahres stehen dann weitere Tests und die erste Produkteinführung an.

Gauß'sche Prozessmodelle schneller als Neuronale Netze

Gauß'sche Prozessmodelle (GP-Modelle) sind im Aufbau von Neuronalen Netzen (NN) inspiriert, verzichten aber auf aufwendiges Invertieren großer Matrizen, das ihre Trainingszeit im Vergleich zu Neuronalen Netzen deutlich verringert. Beispielsweise hat ein GP-Modell für die Vorhersagen von Verspätungen kommerzieller Flüge auf einem recht großen Trainingsdatensatz nur 40 Sekunden Trainingszeit gebraucht, wohingegen ein vergleichbares Neuronales Netz 15 Minuten gebraucht hätte.

Fragen zu unseren Beiträgen?

Wir freuen uns über deine Kontaktaufnahme. Schreibe unserer Redaktion gerne eine E-Mail.

E-Mail schreiben

Bist du neugierig geworden?

Entdecke deine Jobmöglichkeiten bei uns - egal ob mit oder ohne Berufserfahrung.

Zu den Karrieremöglichkeiten

Dieser Beitrag hat dir gefallen?

Dann stöbere gerne durch unseren weiteren Blogartikel und erfahre mehr über die SV Informatik.

Zu der Themenübersicht