Was ist maschinelles Lernen? Wie eine neue Technologie den menschlichen Erfindergeist fördert
- Maschinelles Lernen erschließt branchenübergreifend radikal neue Ansätze zur Problemlösung, Vernetzung von Systemen und effizienteren Umstrukturierung der Betriebsabläufe
- Was ist mit Unternehmen, die diese Veränderungen proaktiv mitgestalten, um neue digitale Ökosysteme aufzubaue? Sie verschaffen sich einen deutlichen Wettbewerbsvorteil
- Effizientere Methoden zur Vorhersage von Kundenbedürfnissen ermöglichen bessere Projektergebnisse und stärken die Markenbindung
Können Maschinen denken lernen? Mit dieser Frage legte der britische Mathematiker Alan Turing in den 1950er Jahren das wissenschaftliche Fundament für die Entwicklung von Künstlicher Intelligenz (KI). Wenig später wurde am renommierten Massachusetts Institute of Technology (MIT) in Boston mit der Eröffnung des ersten Artificial Intelligence Laboratory ein neues Forschungsfeld begründet. In den folgenden Jahrzehnten arbeiteten Wissenschaftler an der Entwicklung von Computersystemen, die menschliche Denkprozesse modellieren können und über Fähigkeiten zum logischen Argumentieren, Verarbeiten natürlicher Sprache und maschinellen Sehen verfügen. Diese Projekte stießen jedoch immer wieder an Hindernisse und Grenzen, die zumeist damit zu tun hatten, dass die verfügbare Rechenleistung nicht ausreichte, Daten nicht in den erforderlichen Volumen vorlagen, die wissenschaftliche Methodik noch nicht ausgereift war oder den Forschenden schlicht und einfach das Budget ausging.
Mitte der 2000er Jahre änderte sich das schlagartig: Die Konvergenz rapider Fortschritte auf verschiedenen Gebieten – von der Mathematik über Mikrochip- und Datentechnologie bis zur Cloud-Konnektivität – schaffte die Voraussetzungen für hochkomplexe Computersysteme, die die Entwicklung maschineller Lernmodelle um Lichtjahre voranbrachten.
Inwieweit maschinelle Lernalgorithmen unser Alltagsleben bereits durchdrungen haben, lässt sich am Beispiel von Google Maps gut verdeutlichen. Die raumbezogenen Daten, aus denen die angezeigten Straßenkarten generiert werden, enthalten immer wieder falsche oder veraltete Informationen, die aber mithilfe von ML anhand der in Google Street View bereitgestellten 360-Grad-Ansichten schnell berichtigt werden. Wenn etwa in der Straßenperspektive ein Stoppschild zu sehen ist, das auf der entsprechenden Karte fehlt, kann das System den Fehler erkennen und automatisch beheben.
Das Zauberwort zur Erschließung des vollen Potenzials maschineller Lernalgorithmen lautet: Big Data. Die Effektivität eines ML-Systems hängt wesentlich von der Menge, Qualität und Relevanz der eingespeisten Daten ab. Die zunehmende Verbreitung von Cloud-Computing sowie der Einsatz von Milliarden Sensoren im Rahmen des industriellen Internet der Dinge (IIoT) haben der Weiterentwicklung dieser Technologie daher erheblichen Vorschub geleistet.
Auf dem heutigen Entwicklungsstand erzielen maschinelle Lernsysteme etwa bei der Gesichtserkennung und Diagnose von Krebssymptomen bereits eine höhere Zuverlässigkeitsrate als qualifizierte menschliche Fachkräfte. Es ist davon auszugehen, dass die weitere Entwicklung der Technologie und der entsprechenden Tools in mehreren Schüben erfolgen, zur sukzessiven Optimierung der Planungs- und Produktionsverfahren in zahlreichen Branchen führen und dabei die gesamte Arbeitswelt grundlegend verändern wird. Die Symbiose zwischen Mensch und Maschine, menschlicher und Künstlicher Intelligenz erschließt uns neue Spielräume als Gestalter, Kuratoren und Moderatoren einer Zukunft, in der unserer Kreativität keine Grenzen gesetzt sind. Bereits heute werden durch den Einsatz maschineller Lernmodelle u. a. in der Gesichtserkennung und Krebsdiagnostik sehr vielversprechende Ergebnisse erzielt.
Dieser Beitrag liefert eine Einführung in Künstliche Intelligenz und maschinelles Lernen und beleuchtet den aktuellen Entwicklungsstand sowie die zukünftigen Perspektiven dieser transformativen Technologien.
Was ist maschinelles Lernen?
Die Begriffe „maschinelles Lernen“ und „Künstliche Intelligenz“ werden im täglichen Sprachgebrauch häufig synonym verwendet. Genau genommen ist maschinelles Lernen jedoch eine Unterkategorie von Künstlicher Intelligenz. Das Verständnis der Perspektiven, die diese Technologien für die Zukunft aufzeigen, setzt eine präzise Definition ihrer bisherigen Entwicklung und aktuellen Kapazitäten voraus.
Herkömmliche Computer können weder aus den Daten lernen, die sie verarbeiten, noch ihr Verhalten entsprechend korrigieren bzw. optimieren. Stattdessen speichern sie lediglich Informationen und machen immer wieder dieselben Fehler oder scheitern bei jedem erneuten Versuch, ein Problem zu lösen. Als „maschinelles Lernen“ wird die Fähigkeit bezeichnet, Computer so zu trainieren, dass sie ohne vorige gezielte Programmierung Daten auswerten und Ergebnisse verstehen und umsetzen können. Die Maschinen „lernen“ also, eigenständige Entscheidungen auf der Basis vorheriger Erfahrungen zu treffen – und zwar mit unglaublicher Geschwindigkeit und für eine quasi unbegrenzte Anzahl unterschiedlicher Szenarien.
Wie funktioniert maschinelles Lernen?
Maschinelle Lernmodelle sind in der Lage, innerhalb weniger Minuten oder Stunden Muster in riesigen Teilmengen von Daten zu erkennen, in einem Bruchteil der Zeit, die Menschen dafür benötigen würden. Anhand der daraus gewonnenen Erkenntnisse kann das Computersystem dann Voraussagen über zukünftige Ergebnisse treffen und teilweise auch Empfehlungen für intelligentere, effizientere Ansätze ausgeben. Der Kernpunkt ist, dass ein maschinelles Lernsystem diese Funktionen ohne vorherige Programmierung oder Anweisung von Menschen, sondern durch eigenständiges „Lernen“ ausführen kann.
Bereits heute sind Alltagstätigkeiten wie Online-Shopping oder Recherchen im Internet von Interaktionen mit maschinellen Lernsystemen geprägt. Suchmaschinen oder E-Commerce-Websites beobachten unser Verhalten und zeigen uns dann gezielte Empfehlungen an, die auf unseren bisherigen Aktivitäten basieren – welche Produkte wir angesehen, angeklickt oder in den Warenkorb gelegt haben, auf welchen Seiten wir uns am längsten aufgehalten haben usw.
Diese Art von maschinellem Lernen wird als „beaufsichtigtes Lernen“ bezeichnet. Ein Algorithmus erfasst Daten und Feedback aus einer bestimmten Quelle und wertet sie aus, um zu identifizieren, welche Beziehungen zu einem bestimmten Ergebnis führen. Die daraus gewonnenen Erkenntnisse werden dann auf neue Daten angewandt, um Voraussagen darüber zu treffen, wie sich zukünftig bessere Ergebnisse erzielen lassen. Diese Technologie wird u. a. von Unternehmen eingesetzt, die verstehen wollen, welche Eigenschaften eines Produkts es für Kunden besonders attraktiv machen, um diese Eigenschaften dann in ihren Marketingkampagnen hervorzuheben.
Als „unbeaufsichtigtes maschinelles Lernen“ wird die Durchsuchung von Datensätzen nach Beziehungen, Mustern und Ergebnissen ohne vorherige Festlegung eines bestimmten Ergebnisses bezeichnet. Diese Technologie ist vor allem für ergebnisoffene Fragestellungen nützlich und wird von Unternehmen z. B. eingesetzt, um Kundendaten in kleinere Cluster zu unterteilen, denen dann jeweils eigene Marketing- oder Kommunikationsstrategien zugewiesen werden.
Als „bestärkendes“ bzw. „verstärkendes Lernen“ (engl.: Reinforcement Learning) werden vereinfachte Lernalgorithmen bezeichnet, die darauf abzielen, individuelle Aktionen zu identifizieren und auszuführen, die die höchste Belohnung versprechen. Diese Methodik kommt z. B. beim Gaming zum Einsatz, indem ein Lernalgorithmus anhand der erlernten Spielregeln im iterativen Verfahren eine Gewinnstrategie entwickelt, die die höchste Wahrscheinlichkeit hat, zum Erfolg zu führen. Dabei ist denkbar, dass der Algorithmus letztlich in der Lage sein könnte, das Computersystem zu schlagen, das das Spiel ursprünglich entwickelt hat.
Wie können Unternehmen von maschinellem Lernen profitieren?
Der menschliche Verstand kann vieles, was über die Fähigkeiten von Computern hinausgeht. In einer Hinsicht sind leistungsstarke Rechner ihm jedoch weit überlegen: Sie können jedes denkbare Szenario modellieren. Menschen müssen sich auf die ihnen vorliegenden Informationen verlassen, um Entscheidungen und Annahmen zu treffen. Die zunehmende Verbreitung und Verfügbarkeit KI-gestützter Tools hat das Potenzial, diese Einschränkung aufzuheben und dadurch Entscheidungsprozesse radikal zu vereinfachen. Branchenübergreifend können sich daraus einschneidende Veränderungen in Bezug auf Betriebsabläufe, Aufbau und Pflege von Kundenbeziehungen sowie Ansätze zur Problemlösung ergeben.
Mehr freie Kapazitäten für Ideen und Innovation
Unter bisherigen Voraussetzungen kommen Kreativität und Innovation im Arbeitsalltag allzu oft zu kurz. Mithilfe von KI lassen sich viele monotone Routineaufgaben automatisieren, eliminieren oder beschleunigen, sodass Produktdesigner mehr freie Kapazitäten haben, um mit neuen Ideen zu experimentieren. Auch beim Bau und Testen von Prototypen sind erhebliche Effizienzgewinne möglich, weil maschinelles Lernen Daten schneller auf Prototypen anwenden kann als jede reale Testmethode. Das Ergebnis ist ein besseres Produkt mit einer höheren Erfolgswahrscheinlichkeit.
Erschließung neuer Marktchancen
KI hat das Potenzial, Unternehmen komplett zu transformieren. Einmal angenommen, ein Bauunternehmen hat sich seit Jahrzehnten auf einen bestimmten Bereich spezialisiert. Die in diesem Zeitraum erfassten digitalen Daten stellen eine wertvolle Informationsquelle für andere Unternehmen dar, die sich mit den Best Practices für diesen Spezialbereich vertraut machen wollen. Für das Traditionsunternehmen bietet sich hier die Möglichkeit, diese Daten als Modell zu veröffentlichen und Lizenzen für die Nutzung zu verkaufen, die ihm eine neue Einnahmequelle erschließen.
Schnelle Lösungen für hochkomplexe Probleme
Designprobleme haben oft viele miteinander zusammenhängende Facetten, deren Berücksichtigung den menschlichen Verstand schlicht überfordern würde. Maschinelles Lernen eröffnet neue Möglichkeiten zum Umgang mit Datenkomplexität und setzt zugleich kreative Kapazitäten zur Ideenfindung und Innovation frei, die sowohl Mikro- als auch Makroentscheidungen – von der Konstruktion einzelner Maschinenteile bis zur Stadtplanung – optimieren können.
Zukunftsfähige Geschäftsmodelle
Die Zukunft gehört denjenigen Unternehmen, denen es gelingt, das Erfolgsrezept für die optimale Kombination menschlicher und maschineller Kapazitäten zu entwickeln. Digitalisierung ist mehr als die Vernetzung von Dingen mithilfe von Computern und Kabeln. Zur Digitalisierung gehört auch, Systeme aufzubauen, die in den vorgesehenen Umgebungen funktionieren, damit die betreffende Fabrik, Baustelle oder Medienproduktionspipeline ihr tatsächliches Potenzial realisieren kann. Unternehmen, die sich dieses Potenzial erfolgreich zunutze machen, profitieren von neuen Möglichkeiten zur Transformation ihres Geschäftsmodells: Aus herkömmlichen Fertigungs- oder Bauunternehmen werden Wegbereiter neuartiger digitaler Ökosysteme.
Effizientere Projektabwicklung
Angefangene Projekte, die nicht erfolgreich abgeschlossen werden, stellen für Unternehmen aller Größen und Branchen eine erhebliche Belastung und Verschwendung von Ressourcen dar. Das gilt erst recht angesichts der zunehmenden Komplexität vieler Projekte und des eklatanten Mangels an Fachkräften mit den entsprechenden Qualifikationen. Eine Fülle von Daten und digitalen Tools kann dann eher zu einer Fragmentierung als zur Optimierung der Arbeitsabläufe führen.
Eine KI-gestützte Modernisierung des Projektmanagements verspricht hier Abhilfe und kann Unternehmen bei der Entwicklung effizienterer Workflows mit weniger Verschwendung unterstützen. Dadurch sind sie in der Lage, insgesamt mehr Projekte in Angriff zu nehmen und einen größeren Anteil ihrer Projekte erfolgreich zum Abschluss zu bringen. In der heutigen projektorientierten Wirtschaftswelt gilt die Formel: mehr Projekte gleich mehr Wachstum. KI-gestützte Prozesse können eine deutliche Beschleunigung der Projektabwicklung in sämtlichen Phasen von der Ideenfindung bis zur Ausführung ermöglichen.
Höhere Kundenzufriedenheit
Insbesondere für Unternehmen in kundenorientierten Branchen bietet der Einsatz von maschinellen Lernmodellen hohes Potenzial zur Verbesserung des Geschäftserfolgs. Im Vergleich zu herkömmlichen Methoden ermöglicht die ML-gestützte Datenanalyse eine sehr viel präzisere Vorhersage von Kundenerwartungen und Kaufverhalten.
Unternehmen erhalten aussagekräftige Erkenntnisse, die sie beispielsweise in die Lage versetzen, Kunden genau zum richtigen Zeitpunkt an die Nachbestellung von Maschinenteilen zu erinnern und diese Benachrichtigungen mit zusätzlichen relevanten Angeboten oder Inhalten anzureichern.
KI-gestützte Chatbots unterstützen Unternehmen durch Echtzeit-Interaktionen bei der Pflege von Kundenbeziehungen, indem sie Fragen beantworten und die Behebung von Problemen beschleunigen. Anfragen, die die Kapazitäten von Chatbots übersteigen, werden automatisch an Kundenberater weitergeleitet. Umfrageergebnissen zufolge sehen Unternehmen die Vorteile von Chatbots vor allem in der ständigen Erreichbarkeit und der Verkürzung von Wartezeiten.
Maschinelles Lernen, Künstliche Intelligenz, Deep Learning
Dass das ungeheure Potenzial maschineller Lernsysteme zur Transformation ganzer Branchen bislang noch teilweise ungenutzt bleibt, liegt unter anderem daran, dass KI-Modelle auf ihrem aktuellen Entwicklungsstand längst nicht an die Vielfalt des menschlichen Erfahrungsspektrums heranreichen und nicht über die Kapazitäten verfügen, um Eigenschaften wie Kreativität, Wissbegier und Empathie zu modellieren. Entsprechend lassen sich die besten Ergebnisse erzielen, wenn diese menschlichen Stärken mit der Fähigkeit maschineller Lernmodelle zur unbeaufsichtigten Auswertung komplexer Datensätze kombiniert werden.
Das wissenschaftliche Fachgebiet der Künstlichen Intelligenz befasst sich mit der Entwicklung von Computersystemen, die Aufgaben ausführen können, für die nach bisherigen Maßstäben menschliche Intelligenz und Programmierung erforderlich gewesen wären. Letztlich besteht das Ziel darin, Modelle zu schaffen, die anhand von Datensätzen zuverlässige Vorhersagen für Szenarien treffen können, deren Komplexität die menschlichen Kapazitäten übersteigen würde.
Maschinelles Lernen als Unterkategorie dieser Wissenschaft zielt konkret darauf ab, „lernfähige“ Modelle zu entwickeln, die ohne Programmierung oder anderen Input von Menschen eigenständig aus Datensätzen neue Erkenntnisse gewinnen und unmittelbar umsetzen können.
Als Deep Learning wird eine Unterart des maschinellen Lernens bezeichnet, die ein mehrschichtiges Verfahren zur Auswertung von Daten anwendet, das den Strukturen und Kapazitäten des menschlichen Gehirns nachgebildet ist.
Maschinelles Lernen kann neuartige Ansätze zur Problembewältigung erschließen
Die gravierenden Probleme, mit denen die Menschheit heute konfrontiert ist, lassen sich mit den bisher verfügbaren Ansätzen und Technologien nicht lösen.
Die Klimakrise etwa lässt sich weder von Computern noch von Menschen alleine bewältigen. Die Zusammenarbeit zwischen kreativen Köpfen, die den Gesamtzusammenhang überschauen, und leistungsstarker Software, die bei der Planung eines Gebäudes sämtliche klimarelevanten Faktoren berücksichtigen kann, verspricht jedoch die bestmöglichen Voraussetzungen, sowohl Lösungen für akute Probleme zu finden als auch das Potenzial von maschinellem Lernen besser zu erschließen. Dazu müssen zunächst einige Hindernisse überwunden werden, die der Verwirklichung dieser Vision bislang noch im Wege stehen.
Allzu oft scheitert die praktische Umsetzung kreativer Lösungsansätze etwa an unnötig komplexer Software. In vielen Fertigungsbetrieben verhindern veraltete, dateibasierte Prozesse eine effektive und effiziente Kommunikation zwischen den einzelnen Abteilungen. Daten werden voneinander getrennt in inkompatiblen Formaten und Systemen gespeichert und können nur von speziellen Programmen oder Funktionen genutzt werden.
Verdeutlichen lässt sich das am Beispiel einer herkömmlichen Fabrikanlage, deren Maschinen mit Legacy-Software betrieben werden, die nicht mit CAD-Daten kompatibel ist. Produktentwürfe müssen also extra konvertiert werden, damit sie für die Maschinen lesbar sind – und zwar vermutlich nur für diese speziellen Maschinen. Entsprechend brauchen Autohersteller und andere Fertigungsbetriebe teilweise zwölf Monate oder noch länger, um ihre Produktionslinien umzustellen. KI-gestützte Technologien, die mit ganz unterschiedlichen Plattformen und Netzwerken kommunizieren können, eröffnen diesen Betrieben vollkommen neue Möglichkeiten, agil auf Veränderungen der Nachfrage zu reagieren, und stellen daher einen entscheidenden Wettbewerbsvorteil dar.
Bei der Stadtentwicklung gibt es angesichts des weltweit anhaltenden Trends zur Urbanisierung komplexe Herausforderungen zu bewältigen, die sich nur durch die Zusammenarbeit zwischen menschlicher und Künstlicher Intelligenz in den Griff bekommen lassen. Maschinelle Lernmodelle können anhand von Echtzeitdaten komplexe Zusammenhänge modellieren und Zukunftsprognosen erstellen, die menschliche Entscheidungsprozesse unterstützen.
Auch in diesem Bereich werden dringend erforderliche Innovationen immer noch allzu oft durch dateibasierte Workflows und inkompatible Schnittstellen und Softwareprogramme behindert. Cloud-basierte Plattformen bieten hier eine weitaus effizientere Alternative, um sicherzustellen, dass sämtliche Projektbeteiligten jederzeit auf alle aktuellen Daten zugreifen können.
Implementierung KI-basierter Ansätze bei Autodesk
Autodesk hat in jahrzehntelanger Arbeit einen umfassenden Daten- und Wissensschatz aufgebaut und ist hervorragend positioniert, um Unternehmen aus dem Fertigungs- und AEC-Sektor mit innovativen Cloud-basierten Lösungen zu unterstützen. Weltweit intensiviert sich die Nachfrage nach KI-gestützten Tools für Raumplanung und Wohnungsbau, intelligenteren Optionen für das Bauwesen und hochgradig skalierbaren Angeboten für Fertigung und Rendering. Aktuell arbeitet Autodesk an der Implementierung KI-basierter Ansätze in drei Schwerpunktbereichen:
Augmentation
Durch den Einsatz von KI soll die menschliche Kreativität nicht ersetzt, sondern ergänzt werden. Die KI-gestützte Verarbeitung riesiger Datenvolumen kann die Arbeit von Fachkräften unterstützen und ihnen neue Möglichkeiten zur Visualisierung von Szenarien und Ergebnissen erschließen, deren Komplexität das menschliche Fassungs- und Vorstellungsvermögen übersteigt.
Automatisierung
Auch in kreativen Berufen fallen eintönige Routinearbeiten an, die viel Zeit und Mühe kosten. Viele dieser Aufgaben, etwa die Erstellung technischer Zeichnungen, können in Zukunft von ML-basierten Tools übernommen werden, sodass Designer mehr freie Kapazitäten für die wirklich kreativen und innovativen Aspekte ihrer Tätigkeit haben.
Analyse
Mit der Erfassung riesiger Datenmengen ist es nicht getan. Um daraus aussagekräftige Erkenntnisse zu gewinnen, die für das Unternehmen tatsächlich nutzbar sind, müssen die Daten entsprechend ausgewertet und aufbereitet werden. Auch in diesem Bereich wird der Einsatz ML-gestützter Tools zum Erkennen von Mustern und Trends signifikante Skalierungsmöglichkeiten und Effizienzgewinne erschließen.
Teils befinden sich diese neuen technologischen Möglichkeiten und Angebote noch in der Entwicklung, teils bewähren sie sich heute schon in der Praxis. Autodesk Forma unterstützt Gebäudeplaner und Architekten durch Analysen des jeweiligen Tageslichteinfalls sowie der Lärmbelastung und Windexposition für unterschiedliche Szenarien.
In Autodesk AutoCAD stehen mit Markierungsimport und Markierungsassistent zwei neue ML-gestützte Funktionen zum Anzeigen und Einfügen von Zeichnungsrevisionen mit weniger manuellem Aufwand bereit. Die Funktionen unterstützen die Erkennung und Konvertierung handschriftlicher Anmerkungen sowie den Import und die automatische Platzierung und Ausrichtung von Revisionen, die dann bei Bedarf manuell skaliert, verschoben oder rotiert werden können. Auch die 3D-Animationssoftware Autodesk Maya verfügt seit kurzem über einen KI-gestützten Assistenten, der die Eingabe und Verarbeitung von Prompts in natürlicher Sprache ermöglicht.
Dass manche Unternehmen immer noch zögern, das enorme Potenzial dieser innovativen Technologien für sich und ihre Kunden nutzbar zu machen, liegt in vielen Fällen an dem hohen Aufwand, der mit der Umstellung der gesamten IT-Infrastruktur verbunden ist. Indes verspricht KI Effizienzsprünge von 500 oder gar 1.000 %, die mit keiner anderen derzeit verfügbaren Technologie möglich sind, und einen entsprechend hohen ROI.
Gerade im Bauwesen lassen sich hohe Effizienzgewinne realisieren. An einem Bauprojekt sind oft Dutzende verschiedener Unternehmen beteiligt, die jeweils eigene Daten erfassen und in unterschiedlichen Formaten, Programmen und Umgebungen speichern. Ein nahtloser Datenfluss und -austausch ist unter diesen Voraussetzungen nicht möglich – dadurch wird auch die effektive Zusammenarbeit zur Lösung komplexer Probleme deutlich beeinträchtigt.
Eine möglichst zügige Umstellung auf Cloud-Plattformen schafft hier Abhilfe. Sobald Daten durch diese Plattformen fließen, können Erkenntnisse gewonnen werden, die letztlich effizientere Abläufe unterstützen – und zwar weitgehend ohne menschliches Zutun, sodass die Projektbeteiligten sich auf andere Elemente ihrer Arbeit konzentrieren können.
Insgesamt bietet maschinelles Lernen also ein enormes, bislang noch weitgehend unerschlossenes Potenzial, grundlegende Veränderungen in der Arbeits- und Wirtschaftswelt herbeizuführen und wesentlich zur Bewältigung einiger der schwersten Herausforderungen beizutragen, mit denen wir derzeit zu kämpfen haben.
Maschinelles Lernen ist eine Technologie, deren Reifeprozess noch längst nicht abgeschlossen ist. Schon auf ihrem derzeitigen Entwicklungsstand eröffnen sie jedoch realistische Aussichten, uns bei der Bekämpfung der Erderhitzung und Meeresverschmutzung und anderer dringender Probleme zu unterstützen, die sich mit menschlichen Kapazitäten alleine nicht lösen lassen.