© Klaus Rainer Krieger / Fotolia

Auf dem Gebiet der künstlichen Intelligenz schreitet die Forschung mit großen Schritten voran. Im Fokus stehen neue Architekturen für neuronale Netze, neue Verfahren des maschinellen Lernens, die Nachvollziehbarkeit von Entscheidungen der KI und die Frage, ob es eine nicht mehr auf spezielle Aufgaben beschränkte, allgemeine künstliche Intelligenz geben kann.

Die neuesten wissenschaftlichen Erkenntnisse auf dem Feld der Künstlichen Intelligenz werden fortlaufend auf einschlägigen Konferenzen und der Plattform arXiv [1] veröffentlicht. Die wichtigsten KI-Konferenzen nennt die Tabelle “Bedeutende KI-Konferenzen”. Die meisten von ihnen haben eine lange Tradition.

Die Zahl der Veröffentlichungen auf diesem Gebiet nimmt rasant zu; für zwei große Konferenzen zeigt das Abbildung 1. Das große Interesse fördert den wissenschaftlichen Wettbewerb und beschleunigt so die Entwicklung von Innovationen. Die Erfolge sind beeindruckend, wie ein kurzer Rückblick auf ausgewählte Meilensteine der KI-Forschung seit der Jahrtausendwende zeigt (Tabelle “KI-Erfolge im 21. Jahrhundert”).

Abbildung 1: Die Anzahl der Publikationen, die im Lauf der Zeit allein auf zwei großen Konferenzen veröffentlicht wurden.

Klarer aktueller Forschungsschwerpunkt der KI-Forschung sind neuronale Netze, gefolgt von Verfahren des bestärkenden Lernens (Reinforcement Learning). Beide Techniken lassen sich miteinander kombinieren. Mit der Objekterkennung ist auch eine konkrete Anwendung unter den Top-Themen.

Seit 2016 gewinnt der Begriff Selbstüberwachung an Bedeutung. Eng damit einher gehen Forschungsarbeiten zu feindlichen Angriffen (Adversarial Attacks) auf neuronale Netze. Dabei werden Eingaben an ein Netz so manipuliert, dass es falsche Ergebnisse liefert. Für Menschen sind derartige Angriffe oft nicht zu erkennen. Häufig genügt ein nicht wahrnehmbares Rauschen oder ein kleines Artefakt für derartige Manipulationen.

Forschungstrends

Man kann davon ausgehen, dass in Zukunft weitere sehr nützliche Architekturen für neuronale Netze entdeckt und mit ihnen neue Anwendungen erschlossen werden. Unter dem Begriff verkörperte KI (Embodied AI) gehen Forscher der Frage nach, ob sehr große Modelle ein Bewusstsein entwickeln könnten oder es eine physische Einbettung braucht.

Während Konzerne an immer größeren Modellen arbeiten, stehen insbesondere kleine und mittelständische Unternehmen vor der Herausforderung, dass sie oft nur über einen begrenzten Datenumfang verfügen. Gleichzeitig gibt es Anwendungsfälle, in denen die Erhebung von Daten sehr aufwendig, teuer und langwierig ist.

Diesen Herausforderungen kann man mit verschiedenen Ansätzen begegnen. Ist ein Grund-Modell erst einmal trainiert, genügt oft ein Nachtrainieren mit relativ wenigen Daten, um es an eine spezifische Aufgabe anzupassen. In der Wissenschaft bezeichnet man dieses Vorgehen als Transfer Learning.

Noch einen Schritt weiter geht das Few-Shot-Learning, bei dem man von vorneherein versucht, aus wenigen Daten zu lernen. Physics Informed Neural Networks (PINNs) zielen darauf ab, Naturgesetze tiefer in den Modellen zu verankern, um damit den Bedarf an Trainingsdaten reduzieren. Angesichts der schieren Größe aktueller KI-Modelle versteht niemand mehr, wie diese im Detail arbeiten.

Forschung zu Transparenz und erklärbarer KI (Explainable Artificial Intelligence) versucht auf vielfältige Weise Modelle oder deren Entscheidungen zu erklären. Zu den weiteren spannenden Themen aktueller Forschung zählen die Fairness und Sicherheit von KI-Systemen. Hier geht es darum, wann ein System als fair gelten darf und wie sich Fairness messen oder noch besser direkt sicherstellen lässt.

Mit dem Ziel, KI leichter zugänglich zu machen, arbeiten Forscher an Low-Code- und No-Code-Plattformen. Dahinter steckt die Idee, Programme zu entwickeln, die es erlauben; mit wenig oder ganz ohne Code KI-Modelle zu entwickeln. Das soll dabei helfen, den Anwenderkreis deutlich zu vergrößern. Hinter dem Schlagwort MLOps (Machine Learning Operations) verbergen sich Methoden für einen zuverlässigen und effizienten Einsatz in der Praxis.

Galt Kreativität noch vor wenigen Jahren als menschliche Domäne, ist spätestens seit der Vollendung von Beethovens 10. Sinfonie durch eine KI jedem klar, dass sich so auch Kunst erschaffen lässt. Inzwischen haben selbst alltägliche Dialoge mit variablen Pausen und Füllwörtern wie “ähem” ein so hohes Niveau erreicht, dass Menschen eine KI nur noch erkennen, wenn sie sich als solche outet.

Ausblick

Trotz des enormen Fortschritts innerhalb weniger Jahre bleibt die zentrale Frage weiter offen, was es für eine allgemeine künstliche Intelligenz braucht. Inzwischen ist unter Wissenschaftlern eine lebhafte Diskussion darüber entbrannt, ob sich eine solche mit den aktuellen Verfahren überhaupt erreichen lässt, wenn lediglich die Modelle immer größer werden. (jcb/jlu)