Künstliche Intelligenz
KI von der Anwendung bis ins Rechenzentrum
Fortsetzung des Artikels von Teil 1
Welche Branchen sind die ersten Anwender von KI?
KI-Methoden kommen vor allem in Bereichen mit klaren Anwendungsfällen, hoher Kaufkraft und der Notwendigkeit von schnellen und datenbasierenden Entscheidungen zum Einsatz. So verwendet beispielsweise die Verbraucherindustrie Chat-Bots, die Gesundheitsbranche profitiert von der Diagnose mittels Bilderkennung und das Transportwesen arbeitet verstärkt am autonomen Fahren.
Auch in der Finanzwelt nutzt man Künstliche Intelligenz. Das Schlagwort hier heißt Risikoanalyse. Die steigende Zahl finanzieller Transaktionen bringt ein gesteigertes Betrugsrisiko mit sich. Existierende, regelbasierende Systeme limitieren die Geschwindigkeit und Flexibilität die nötig sind, um betrügerische Transaktionen zu erkennen. Deswegen hat z.B. Unionpay ein Risikokontrollsystem basierend auf Neuronalen Netzen implementiert, das aus “Apache Spark Compute Clustern“ und der Deep Learning Bibliothek “BigDL” aufgebaut ist. Diese Methode erlaubt eine erhöhte Genauigkeit gegenüber regelbasierenden Systemen und zudem eine effiziente Skalierbarkeit.
Klassisches Machine Learning vs. Deep Learning
Doch wie funktioniert die Datenanalyse durch Künstliche Intelligenz? KI umfasst die Felder Maschinelles Lernen (engl.: Machine Learning, ML) und andere KI Methoden, wie zum Beispiel „Reasoning“ Systeme. Maschinelles Lernen beinhaltet neuronale Netzwerke und Deep Learning (DL) als Untergruppe. Das klassische Maschinelle Lernen ist eine Form der KI: Eine Maschine wird zu Beginn mit Trainingsdaten gefüttert und nutzt KI-Algorithmen, um aus diesen Daten Ergebnisse zu ziehen und sie zu klassifizieren oder zu „clustern“, also in intelligente Gruppen einzusortieren. Sobald die Maschine entsprechend trainiert ist, kann sie neue Daten automatisch in die entsprechenden Kategorien einteilen und sortieren. Auf diese Weise lassen sich enorme Datenmengen schnell sinnvoll strukturieren.
Neuronale Netze sind ein anderer Ansatz. Veranschaulicht erklärt, handelt es sich hierbei um vielschichtige Netze, die zahlreiche Querverbindungen und Beziehungen zwischen Informationen herstellen und so neue Schlussfolgerungen ziehen können, sobald sie trainiert sind. Im Nachgang bildet sich das trainierte Netzwerk durch neue Informationen eigenständig weiter und wird zunehmend präziser. Diesen kontinuierlichen Lernprozess bezeichnet man als Deep Learning. Neuronale Netzwerke können auf mehreren Ebenen abstrahieren und repräsentative Ergebnisse erzielen. Die KI erkennt hier selbst minimale Gemeinsamkeiten und zieht entsprechende Schlussfolgerungen. Außerdem gilt: Je mehr Daten das neuronale Netz verarbeitet hat, desto besser und genauer wird das Ergebnis. Deep Learning ist eine Methode zur schnellen und präzisen Datenanalyse, die zunehmend an Bedeutung gewinnt.
Bei all den Arbeiten zur Optimierung von KI-Methoden, kommt es schließlich doch auf die Gesamtlösung an. Betrachtet man beispielsweise die Fehlererkennung mittels Bildverarbeitung, sieht man die vielen Einzelschritte, die hier notwendig sind: Vom Sammeln und Verarbeiten der Daten, über die eigentliche DL-Trainingsentwicklung, bis hin zur tatsächlichen Anwendung des trainierten Neuronalen Netzwerks (Inferenz).
Verschiedene Projekte unterscheiden sich womöglich in der Zeitaufteilung, die jeweiligen Schritte bleiben aber ähnlich. Die Folge: Das rechenintensive Training bekommt häufig oberste Priorität, wenn es um die richtige KI-Lösung geht. Dabei ist es nur ein Teil des DL-Entwicklungszyklus und macht einen noch geringeren Anteil der Gesamtentwicklungszeit einer „echten“ End-to-End-Lösung aus. Aus diesem Grund sollte man darauf achten, das IT-Budget immer so einzusetzen, dass man möglichst effektiv zur Gesamtlösung kommt.
In Zukunft wird doe Künstliche Intelligenz neue Geschäftsfelder eröffnen bestenfalls sowohl Industrie als auch Gesellschaft positiv beeinflussen.
Stephan Gillich ist Director of Artificial Intelligence and Technical Computing – GTM, EMEA Datacenter Group bei Intel Deutschland
- KI von der Anwendung bis ins Rechenzentrum
- Welche Branchen sind die ersten Anwender von KI?
Lesen Sie mehr zum Thema
