Künstliche Intelligenz (KI) werde uns künftig viel Arbeit abnehmen, heißt es. Stimmt. Hier drei Beispiele. Und der Aufruf von Wissenschaftlern der Plattform Lernende Systeme, besser zu verstehen, wie KI funktioniert, um sie effektiver zu nutzen.
Künstliche Intelligenz hilft Physikern bei der Suche nach der optimalen Beschreibung von Quantenphänomenen.
TUM / Annabelle Bohrdt und Christoph Hohmann / MCQST
Künstliche Intelligenz optimiert Prozesse: Seit Anfang 2019 ist eine Künstliche Intelligenz (KI) in die Prozesse des weltweit aktiven Werkstoff-Händlers ThyssenKrupp Materials Services eingebunden. "alfred" (die Namensgebung bezieht sich auf Alfred Krupp) unterstützt die Mitarbeiter des Unternehmens dabei, das globale Logistiknetzwerk mit 271 Lagerstandorten sowie mehr als 150.000 Produkten und Services dynamisch zu managen. Wie seinerzeit bei seinem Namensvetter sollen bei alfred alle Informationen zusammenlaufen. Im ersten Schritt soll die KI dazu beitragen, die Transportwege zu optimieren und so den Transport von tausenden Tonnen Material pro Jahr einzusparen. Zudem sollen Werkstoffe künftig schneller an den richtigen Standorten verfügbar sein. Mittelfristig, heißt es in einer Unternehmensmitteilung, werde Materials Services in der Lage sein, sämtliche Prozesse entlang der Supply Chain flexibler zu gestalten, um so beispielsweise spezifische Kundenanforderungen an die Liefergeschwindigkeit, die Preisgestaltung oder die Materialqualität besser zu berücksichtigen.
Künstliche Intelligenz löst Rätsel: Einige Phänomene in der Physik der kondensierten Materie, die Festkörper und Flüssigkeiten untersucht, sind noch immer voller Rätsel. Um die Physik der Hochtemperatur-Supraleiter zu verstehen wurden beispielsweise Quantensimulatoren entwickelt, die aus ultrakalten Lithiumatomen bestehen. Diese Simulatoren liefern Momentaufnahmen von einem Quantensystem, das sich gleichzeitig in unterschiedlichen Konfigurationen befindet – in einer Superposition –, und jeder Schnappschuss misst eine davon. Nun können künstliche neuronale Netzwerke darauf trainiert werden, Bilder zu analysieren, indem sie nach Mustern suchen, die auf bestimmte Objekte hindeuten. Nach diesem Prinzip können neuronale Netzwerke etwa auf radiologischen Aufnahmen Veränderungen im Gewebe aufspüren. Physiker der Technischen Universität München (TUM) und der amerikanischen Harvard University nutzen die Methode jetzt, um Momentaufnahmen von Quantensystemen zu analysieren und herauszufinden, welche Theorie die dort beobachteten Phänomene am besten beschreibt, wie die Wissenschaftler in Nature Physics berichten.
Künstliche Intelligenz warnt: Elektroautos sollen auf unseren Straßen für saubere Luft sorgen. Die Temperaturentwicklung in deren Elektromotoren kann jedoch aktuell nicht vollständig durch Messtechnik ermittelt werden. Entsprechende Sensoren und deren Einbau seien schlichtweg zu teuer – vor allem im rotierenden Teil des Elektromotors, berichten Forscher des Fachgebiets "Leistungselektronik und Elektrische Antriebstechnik" an der Universität Paderborn. Ihre Lösung des Problems: Mithilfe des Maschinellen Lernens sollen neuartige Ansätze zur Temperaturschätzung in Antrieben und anderen energietechnischen Anwendungen gefunden werden, die sich von den etablierten Methoden der Ingenieurswissenschaften grundlegend unterscheiden.
KI made in Germany
Die angeführten Momentaufnahmen zeigen beispielhaft den Facettenreichtum der KI-Forschungs- und Anwendungsanstrengungen in Deutschland. Um die Innovationskraft durch Künstliche Intelligenz zu erhalten, müsse die KI-Forschung hierzulande jedoch weiter ausgebaut und der Transfer in die Wirtschaft intensiviert werden, fordern die Springer-Autoren und Plattform-Mitglieder Kristian Kersting und Volker Tresp in einem Whitepaper, das sie Anfang Juli auf der Jahreskonferenz der Plattform Lernende Systeme in Berlin vorstellten. Darin benennen sie erforderliche Kompetenzen und strukturelle Maßnahmen für erfolgreiche "KI made in Germany". Die rasche technologische Entwicklung erfordere einen weiteren Ausbau der Spitzenforschung – insbesondere bei den leistungsstarken Verfahren des Maschinellen und Tiefen Lernens (Deep Learning). Das Verständnis der theoretischen Grundlagen sei hier teils noch lückenhaft, so die Autoren des Whitepapers. Zudem würden sich in Zukunft KI-Infrastrukturen voraussichtlich stark von den heutigen unterscheiden. Deutschland solle, so die Autoren des Whitepapers, daher nicht nur auf ausgereifte Technologien setzen, sondern gezielt auch neue Rechenplattformen erforschen.
Leistungsstarke KI-Methoden wachsen zusammen
Maschinelles Lernen werde auch künftig das Fundament der KI bilden, so die Autoren des Whitepapers – allerdings auch in Verbindung mit anderen leistungsstarken KI-Methoden. Neben einem fundierten KI-Fachwissen erfordere dies umfangreiche Programmierkenntnisse, Anwendungswissen sowie ein tiefes Verständnis der statistisch-probabilistischen Grundlagen – also dem Umgang mit Unsicherheiten. "Für die Ausbildung der notwendigen Multiplikatoren und den Wissenstransfer in die Praxis muss die KI-Forschung und -Lehre weiter gestärkt werden – durch unbefristete und adäquat ausgestattete Professuren, die zeitversetzt und kompetitiv besetzt werden", fordert Kristian Kersting. Zudem nötig seien Investitionen in die Infrastruktur sowie eine stärkere Vernetzung der nationalen und EU-weiten KI-Forschung.
Unternehmen müssen selbst KI-Expertise aufbauen
Auch der erfolgreich Wissenstransfer in die Praxis erfordere eine stärkere Vernetzung sowie eine interdisziplinäre Zusammenarbeit entlang der Wertschöpfungskette. "Unternehmen müssen selbst KI-Expertise aufbauen, um neue Technologien einzusetzen und zu entwickeln – und darüber selbständig innovativ zu bleiben. Neben der klassischen Fort- und Weiterbildung braucht es dazu unter anderem den Transfer über KI-Köpfe – also den personellen Austausch zwischen Wissenschaft und Wirtschaft", so Volker Tresp. Neue duale Programme für Doktorandinnen und Doktoranden und insbesondere die Förderung von Gründungen und Start-ups seien hierfür vielversprechende Instrumente.