Muster statt Logik

Horst Wildemann

Wenn Maschinen lernen, verändern sie das Problemlösen von uns Menschen. Dass sie uns ersetzen, ist dabei trotzdem ein unrealistisches Szenario. Vielmehr schaffen wir mit algorithmengestützter Problemlösung ein wichtiges Instrument, das uns Menschen zu besseren Entscheidungen verhilft.

Einfach gesagt bedeutet maschinelles Lernen, dass der Computer sinnvolle Dinge tut, ohne explizit darauf programmiert worden zu sein. Der Schachcomputer, der damals Garri Kasparow schlug, war nicht künstlich intelligent. Obgleich es eine beeindruckende Leistung war, war er einzig und alleine darauf programmiert, Wahrscheinlichkeiten anhand der momentanen Spielsituation zu ermitteln. Deep Blue, so hieß der maschinelle Gegenspieler, war einfach ein Rechengenie.

Maschinelles Lernen heißt, dass der Computer keine Logik einprogrammiert hat, sondern die Umweltdaten erfasst und dann versucht, in den Daten bestimmte Muster und Gesetzmäßigkeiten zu erkennen [1]. Ziel ist, Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen, Rückschlüsse zu ziehen und Vorhersagen zu treffen – und jetzt kommt‘s: Zunächst einmal ohne die Logik dahinter zu kennen. Überspitzt gesagt, könnte man eine lernende Maschine mit einem Kleinkind vergleichen: Das Kind lernt, Herdplatten zu meiden. Wenn Maschinen lernen, verändern sie das Problemlösen von uns Menschen. Beide kennen weder Hintergründe noch die tiefere Logik hinter dem Muster Schmerz und Herdplatte oder Bellen und Ruck an der Leine. Aber sowohl Hund wie auch Kleinkind haben verstanden, dass beide Phänomene irgendwie zusammen auftreten. Hätte das Kind in frühen Jahren schon ein tieferes Logikverständnis, würde es verstehen, dass das Herdplatten-Phänomen aufgrund der Hitze auch für das Bügeleisen gilt und der Familienhund würde bei Menschenansammlungen nie bellen, um das Herrchen nicht in Verlegenheit zu bringen.


Logik hat ihre Grenzen

Logikentscheidungen basieren auf bekannten Ursache-/Wirkungszusammenhängen. Schlussfolgerungen auf Basis angewendeter Logik haben den Vorteil, dass sie in den meisten Fällen mit einer hohen Glaubwürdigkeit verbunden sind, denn die Begründungszusammenhänge dienen gleichzeitig als Plausibilisierung und Erklärung. Statistiker sprechen in dem Zusammenhang auch von Validität. Naturwissenschaftler nutzen teilweise schon immer komplexe Formeln, um neue Phänomene auf der Basis bekannter physikalischer Zusammenhänge zu erklären. Das hat auch Sinn, denn wenn Sie verstanden haben, warum
Newton damals ein Apfel auf dem Kopf gefallen ist, können Sie als Entwicklungsingenieur mit diesen mathematischen Werkzeugen grundsätzlich auch berechnen, wie sich der Schwerpunkt eines Fahrzeuges bei Kurvenfahrten auf die Fahrzeugstabilität auswirkt.

Die Lösungsstrategie bei Machine Learning ist im Gegensatz dazu Trial-and-Error und Mustererkennung ohne Logikverständnis [2]. Das hat aber in einer immer komplexer werdenden Welt große Vorteile! Wenn die Anzahl der Entscheidungsvariablen exponentiell zunimmt, können Logikentscheidungen nämlich ineffizient sein. Nehmen wir folgendes Beispiel: Ob sich ein Key-Account-Anruf bei einem Kunden lohnt und was man diesem Kunden am besten anbieten sollte, das lässt sich mit Logik theoretisch herausfinden. Interessant ist in diesem Zusammenhang die Kombination aus dem Gehalt, dem Geschlecht, dem sozialen Milieu, was der Kunde schon im Schrank hat – diese Liste ließe sich beliebig fortführen. Vorausgesetzt der Kunde handelt logisch, existiert eine Masterformel, nach der Logik „wenn x und y, dann z“. Aber wenn nun zu viele Variablen zu berücksichtigen sind, dann scheitert dieser Ansatz schon alleine deswegen, weil niemand diese Masterformel aufstellen kann. Mustererkennung funktioniert da anders: Der Rechner wird einfach mit der gesamten verfügbaren Datenflut aller Kunden gefüttert und beginnt dann, nach Auffälligkeiten zu suchen. Bei genügend Daten aus unzähligen Kaufvorgängen von vielen 1000 Kunden erkennt der Computer plötzlich Muster und kann zukünftige Kaufentscheidungen ziemlich gut vorhersagen. In diesem Fall ist eine Begründung auch zweitrangig – es genügt die Tendenz zur Kaufwahrscheinlichkeit. Maschinelles Lernen bedeutet also: Erkenntnisgewinn durch statistische Zusammenhänge anstatt logischer Schlussfolgerung [3]. Künstliche Intelligenz kann den menschlichen Verstand also immer dann schlagen, wenn viele Einflüsse zu berücksichtigen sind und die Datenmenge groß ist. Und das klappt heute schon in vielen Bereichen. Je lückenfreier das Datengerüst ist, umso robuster ist natürlich dann auch die Mustererkennung [4].

Wer nun denkt, menschliches Erfahrungswissen könnte niemals ersetzt werden, den wird folgende Entwicklung überraschen. Künstliche Intelligenz ist auf dem Weg, menschliche Herzspezialisten zu schlagen. Vor einigen Monaten veröffentlichten kalifornische Wissenschaftler eine äußerst verblüffende Meldung. Ihnen war es zusammen mit Kollegen gelungen, eine KI zu entwickeln, die Ultraschallaufnahmen des Herzens, sogenannte Echokardiogramme, besser lesen kann als die Ärzte im Test. Echokardiogramme sind schwierig zu lesen, da das Herz in viele Schichten und Einzelaufnahmen zerlegt wird. Die Aufgabe des KI-Systems war es nicht, eine Diagnose über den Zustand des Herzens zu erstellen. Die KI sollte im ersten Schritt nur prüfen, welchen Teil des Herzens das Echokardiogramm zeigt und aus welcher Perspektive. Um sich im realen Wettbewerb zu behaupten, durfte die künstliche Intelligenz gegen menschliche Fachärzte antreten. Das digitale neuronale Netz wurde dazu mit über 200 000 Kardiogramm-Ausschnitten von 267 Patienten gespeist. Das Ergebnis hat alle überrascht, die KI konnte nämlich den Bildausschnitt des Herzens bei einem Echokardiografie-Video mit einer Genauigkeit von 91,7 bis 97,8 Prozent korrekt bestimmen. Die menschlichen Doktoren brachten es bei den gleichen Aufnahmen nur auf eine Genauigkeit von 70,2 bis 83,5 Prozent. Das Beispiel ist insofern beeindruckend, da eine Datendruckbetankung in ein neuronales Netz und die angewendete Mustererkennung jahrelanges, menschliches Erfahrungswissen schlagen konnte.

Natürlich finden sich Anwendungsfelder für Mustererkennung auch im Maschinenbau. Predictive Maintenance, also vorausschauende Instandhaltung, ist eine Anwendung mit hohem Reifegrad. Thyssen Krupp schafft es, Ausfallzeiten von Aufzügen durch Echtzeitdiagnostik und einer Mustererkennung aus Betriebsdaten und Ausfallmustern zu reduzieren. Der Computer beobachtet dabei eine große Anzahl an Aufzügen über eine längere Zeit und lernt ziemlich zielsicher, welche Anzeichen auf einen drohenden Ausfall hinweisen. Dabei ist die künstliche Intelligenz nicht schlauer als ein Mensch. Aber kein Service-Team der Welt kann eben tausende Aufzüge parallel über alle Betriebsdaten hinweg beobachten. Der Hebel für diese Schlussfolgerung ist das Erkennen von wiederkehrenden Mustern im Datenmeer. Gerade bei Maschinenausfällen sind es häufig viele Effekte, welche durch Überlagerung einen Fehler auslösen. Bei komplexen elektromechanischen Abläufen ist es dann manchmal äußert anspruchsvoll, das Zusammenspiel vieler Einzeleffekte aus Sicht von Ursache-Wirkung zu deuten. Aber das ist auch nicht immer notwendig. In diesem Fall reicht mir zu wissen, dass gewisse Betriebszustände auf einen drohenden Ausfall hinweisen. Wenn ich aufgrund der Daten von tausenden Aufzügen, die über viele Wochen und Monate hinweg gesammelt wurden, zu dieser Schlussfolgerung komme, ist das auch eine ziemliche robuste Prognose. Der OEM gewinnt durch diese Erkenntnisse etwa die Möglichkeit, eine präventive Prüfung anzustoßen und in Risikobereichen selbst nach Verschleißstellen zu suchen.

Verkürzt gesagt kommt Mustererkennung immer dann zum Zug, wenn es schwierig ist, mit analytischen Formeln aus einem Ereignis ein anderes Ereignis vorherzusagen und Reaktionsmuster abzuleiten [5]. Deswegen hat Machine Learning auch Sinn, wenn Sie die Kooperation zwischen Mensch und Maschine am Montageband verbessern wollen. Sollen in den Werkshallen der Zukunft Roboter mit Menschen zusammenarbeiten, müssen die Cobots lernen können. Bei einer gemeinsamen Montage können sich Menschen auf die Arbeitsgeschwindigkeit und die Bewegungsabläufe des jeweiligen Kollegen aus Fleisch und Blut einstellen. Das läuft ganz automatisch. Bei einer menschlichen Arbeitskette greift eine Hand in die andere. Nur so harmonieren gemeinsame Handgriffe. Je öfter Sie mit Menschen zusammenarbeiten, umso mehr lernen Sie, sich auf diese Individuen einzustellen. Das gilt im Büro genauso wie in der Fabrikhalle. Da menschliche Kooperation in kleineren Gruppen etwas ist, das seit der Steinzeit in unseren Genen verankert ist, fällt uns das auch intuitiv einfach. Roboter müssen das aber lernen und das geht nur durch Mustererkennung und Übung. Sollen Cobots und Menschen ohne Schutzzaun zusammenarbeiten, ist es beispielsweise sinnvoll, dass der Roboter Ermüdungsanzeichen beim Menschen erkennt und folglich etwa die Bewegungsdynamik auf eine neue Risikosituation anpasst.

Auch selbstfahrende Autos benötigen noch eine gute Portion zusätzliche Intelligenz, bevor sie dem menschlichen Fahrzeugführer ebenbürtig sein werden. Um autonom zu fahren, müssen sich Fahrzeuge Wissen über ihre Umwelt aneignen und es richtig deuten können. Mit Logik geht das nicht, aber mit Mustererkennung: ein spielendes Kind am Wegrand erkennen; die Geschwindigkeit reduzieren, wenn ich mich einem Fahrer nähere, der die Spur nur sehr unsauber hält. Wir nennen das vorausschauendes und risikoangepasstes Fahren. Wenn wir uns zukünftig mit Roboter-Autos die Straßen teilen wollen, müssen sich autonome Fahrzeuge genau diese Qualifikationen aneignen. Die Forschung hat sich das als Ziel gesteckt und kann bereits vielversprechende Ergebnisse vorweisen. Das Fraunhofer Institut hat etwa die Softwarebibliothek SHORE entwickelt, welche die Analyse von Personen in Videos hinsichtlich Geschlecht, Alter und gezeigten Emotionen ermöglicht.

Nutzen wir die selbst geschaffene Technologie richtig, entstehen erdrutschartige Produktivitätsvorteile. Diese Effekte machen sich schon heute zahlreiche Branchen zu Nutze. Mit Hilfe von maschinellem Lernen und neuronalen Netzen lassen sich auch Netzlasten und die Einspeisung regenerativer Energien prognostizieren. Für intelligente Stromnetze, sogenannte Smart Grids, die auf erneuerbaren Energien basieren, müssen viele verschiedene kleine Stromerzeuger orchestriert werden. Es gibt viele Einflussfaktoren zu berücksichtigen: Wetter, voraussichtlicher Strombedarf und Speicherkapazitäten.  Dazu ist die Verarbeitung von großen Datenmengen notwendig und mit Hilfe von künstlicher Intelligenz lassen sich nicht nur viele Faktoren berücksichtigen, sondern auch wiederkehrende Muster erkennen. Wenn erstmal jeder zweite von uns elektrisch unterwegs ist und abends ab 19:00 Uhr dann die Stromer in der Garage zum Laden angesteckt werden, wäre es sinnvoll, wenn das Auftreten dieser Energiebedarfsspitze bereits im Vorfeld bekannt wäre und Kraftwerke oder Energiespeicher schon einmal in Position gebracht würden. Die Vorwegnahme menschlicher Handlungen ist schwer zu berechnen, aber Mustererkennung ist hier ein vielversprechender Ansatz.


Können Daten Erfahrung ersetzen?

Das Beispiel des Echokardiogramms zeigt zwar, dass menschliches Erfahrungswissen keine uneinnehmbare Festung ist, für die absehbare Zeit müssen wir uns aber auch Gedanken machen, welche Herausforderungen auf uns zukommen, wenn Menschen immer stärker mit Maschinen zusammenarbeiten. Wo Entscheidungen anhand von statistischen Erkenntnissen getroffen werden, braucht es menschliche Quality Gates, um die Entscheidungen zu plausibilisieren. Korrelation darf nicht mit kausalen Zusammenhängen verwechselt werden. Das ist wohl der größte Fallstrick der Mustererkennung. Denn es lässt sich beispielsweise auch ein klarer Zusammenhang zwischen dem Champagnerkonsum und der Lebenserwartung feststellen: Leute die älter werden, trinken tendenziell auch mehr Champagner. Das liegt aber nicht an der konservierenden Wirkung des Schaumweines, sondern daran, dass finanzieller Wohlstand neben dem Konsum von teuren Lebensmitteln auch zu einer besseren Gesundheitsversorgung führt. Sie sehen: Dateninterpretation ohne den Logik-Check kann gefährlich sein. Das ist besonders in Branchen interessant, wo Entscheidungen Menschenleben beeinflussen können. Wer trägt die Verantwortung, wenn eine künstliche Intelligenz eine falsche medizinische Diagnose aufgrund automatisierter Auswertung von Patientendaten gestellt hat? Müssen autonome Fahrzeuge eine eigene Versicherung abschließen?

Mustererkennung ist in einer hochkomplexen Welt ein scharfes Werkzeug zur effizienten Entscheidungsfindung. Der Mensch als letztes Quality Gate wird aber auch weiterhin unersetzlich sein, denn die Ergebnisqualität ist ein entscheidender Punkt bei der Fragestellung, wie blind wir den Empfehlungen einer künstlichen Intelligenz vertrauen können. Denn was fehlt, sind eben der gesunde Menschenverstand und die Kontrolle. 


 

 

Schlüsselwörter:

Künstliche Intelligenz, Korrelation, Kausalität, Mustererkennung, Logikverständnis

Literatur:

[1] Wildemann, Horst (2017): Neue Geschäftsfelder, Geschäftsmodelle, Technologien. Müssen sich Unternehmen neu erfinden? München: TCW Transfer-Zentrum GmbH & Co KG (TCW-Report, Nr. 69).
[2] Wildemann, Horst (2018): Produktivität durch Industrie 4.0. 1. Auflage. München: TCW-Verlag (TCW, 34).
[3] Witten, Ian H.; Frank, Eibe; Hall, Mark A. (2011): Data mining. Practical machine learning tools and techniques. Third edition. Amsterdam: Morgan Kaufmann (The Morgan Kaufmann series in data management systems).
[4] Wildemann, Horst (Hg.) (2020): Neue Geschäftsmodelle - Künstliche Intelligenz - Maschinenlernen. Tagungsband des Münchner Management Kolloquiums 2020. 1. Auflage. München: TCW.
[5] Wu, P. J.; Huang, P. C. (2018): Business analytics for systematically investigating sustainable food supply chains. In: Journal of Cleaner Production 203, S. 968-976.