Author: Alexander Bresk

#MLDD – Das 3. Dresdens Machine Learning Meetup – Startup Edition

Am 26.10.2017 fand in den Räumen der LOVOO GmbH das 3. Meetup der MLDD (Machine Learning Meetup Dresden) statt. Diesmal präsentierten sich 3 Startups aus Dresden, deren Produkte auch Machine Learning einsetzen.

IMG_7611

Polylith zeigt, welche Aufgaben Machine Learning bei ihnen löst.

Diese 3 Startups haben sich präsentiert:

  • Evomo: Fitness 5.0 ist die Devise von Evomo. Das Startup entwickelt eine App, die eure Workouts überwacht. Nach dem Workout kann euch die App direkt sagen, wieviele Kniebeuge, Liegestütze und weitere Übungen ihr in diesem Workout gemacht habt. Ihr wollt mehr Infos zu Evomo? Klickt hier!
  • Polylith: Aktuell gibt es einige Firmen, die Probleme durch einen “Crowd-Based” Ansatz lösen wollen. Polylith lagert die (test-driven) Software-Entwicklung an die Crowd aus. Sie nutzen Machine Learning, um die Qualität des Codes (und damit auch die Qualität der Crowd-Worker) festzustellen. Dafür haben sie clevere Annotations-Tools entwickelt. Klingt spannend? Hier erfahrt ihr mehr zu Polylith!
  • Amonilyzer: Die Jungs vom Amonilyzer sind in der Halbleiter-Industrie unterwegs. Sie wollen die Standzeiten / Reparaturzyklen der kleinen Transporter optimieren, die in einer Fabrik von A nach B fahren. Dafür nutzen sie historische Daten. Amonilyzer ist aktuell nur ein Projektname. Man wird von den Jungs in der Zukunft noch viel mehr hören.

IMG_7609

75 Teilnehmer waren zur 3. Auflage des Machine Learning Meetups (MLDD) gekommen. Neben einigen akademischen Teilnehmern waren auch viele Teilnehmer aus der Wirtschaft dabei. Auch Studenten und technisch-interessierte Menschen haben den Weg zum Meetup gefunden.

Ihr wollt das Machine Learning Meetup in Dresden auch besuchen? Tragt euch auf Meetup ein und erhaltet alle Neuigkeiten über das MLDD.

SocializerHub – Harvey sorgt für A.I. Driven Marketing

Marketing Automation ist ein spannendes Anwendungsgebiet für Machine Learning. Unternehmen nutzen es, um Zeit und Aufwand zu sparen. Ein Unternehmen aus Bayern arbeitet daran. Wir haben sie interviewt.

Bildschirmfoto 2017-09-29 um 16.17.17

Ihr seid 4(+1) Gründer. Wie und wo habt ihr euch kennengelernt?

Wir, die 4 jungen Gründer, haben gemeinsam Abitur am Gymnasium Tegernsee gemacht. Wir haben uns täglich in den Pausen über Themen wie Unternehmertum, Innovationen und Marktpotenziale von eigenen Ideen unterhalten. Während unserer Diskussionen hat Johann Ebert, der Vater unseres CEOs Fabian Ebert und Senior im Gründerteam bereits im Bereich Künstliche Intelligenz in Dubai entwickelt. Nach Diskussionen mit seinem Sohn Fabian Ebert, wie man denn die KI aus Dubai weiterentwickeln könnte um in Deutschland eine Technologie auf den Markt zu bringen, war für Fabian Ebert das Team für dieses Projekt sofort klar, seine Schulfreunde.

Welches Problem habt ihr gesehen, dass euch zur Entwicklung von Harvey X motivierte?

Für uns gehören Social Networks zum täglichen Gebrauch, egal ob morgens früh nach dem Aufstehen, zwischendurch oder vor dem Schlafengehen. Mit dem Großwerden der Influencer-Netzwerke und des Affiliate Marketings ist uns aufgefallen, dass der Online-Auftritt eines Unternehmens nicht nur noch aus einer Webseite besteht, sondern aus der Kombination von Social Media und Webseite. Dadurch ist uns auch klar geworden, dass Unternehmen einen neuen Sales-Weg über die sozialen Netzwerke bilden können, indem sie qualitativ hochwertige Follower und potenzielle Kunden als Follower und Leser auf ihre Profile bekommen. Da haben wir unsere Lücke gesehen, die meisten Unternehmen- vor allem Klein- und mittelständische Unternehmen – haben massive Defizite im Bereich Social Media. Oftmals fehlt das Geld für einen Social Media Manager oder die Zeit die Profile zu pflegen und regelmäßig qualitativ hochwertige Posts zu erstellen. In den großen Unternehmen können sich die Social Media Manager kaum noch wirklich kreativ mit Social Media Kampagnen beschäftigen, sondern sind nur am Suchen von qualitativ hochwertigem Content, den sie regelmäßig posten können um ein Grundrauschen auf den Profilen zu erzeugen. Auf dieser Basis haben wir unseren Harvey X entwickelt, um jedem Unternehmen die Möglichkeit zu geben auf den sozialen Medien effektiv auftreten zu können. Unsere Preisstruktur (ab 79,90€ monatlich) wollten wir auch so setzen, dass sich wirklich jedes Unternehmen unseren Service leisten kann und somit Zugriff auf Technologien bekommt, auf die sonst nur große Unternehmen Zugriff haben („software as a service“). Vor allem die Content-Generierung fällt Klein- und mittelständischen Unternehmen sehr schwer. Meistens fehlt der Content oder das Wissen über die Verarbeitung des Contents. In der Hinsicht übernimmt Harvey X die Generierung und Verarbeitungen und sorgt für das perfekte Grundrauschen auf den sozialen Profilen von unseren Nutzern.

Wie funktioniert Harvey X im Kern? Könnt ihr uns kurz durch den Prozess führen?

Zuerst muss man mal sagen, dass unser Harvey X ständig unser Mitarbeiter des Monats ist. Er arbeitet 365 Tage im Jahr, 7 Tage die Woche und 24 Stunden am Tag. Ein Mitarbeiter wie er im Buche steht. Wenn ein neuer Kunde zu uns kommt, dann gibt dieser Kunde uns Keywords, die speziell an das Unternehmen angepasst sind. Gleichzeitig analysiert Harvey das Unternehmen und fügt relevante Keywords zu den bereits bestehenden hinzu. Bezüglich dieser Keywords und Themen die Harvey nun zu dem Unternehmen hat, filtert er News, Artikel und Quellen aus dem Internet – derzeit filtert Harvey X über 1 Millionen News, Artikel und Quellen täglich und es werden stetig mehr.socializerhub-overview Die qualitativ hochwertigsten News oder Artikel filtert er heraus und überprüft sie nochmal auf Echtheit, Quelle und Qualität. Gleichzeitig führt Harvey Echtzeitanalysen zu jedem relevanten sozialen Netzwerk durch, um die individuelle Leserschaft des Kunden zu analysieren und um zu wissen, wann dieser online ist und kommuniziert. Basierend auf diesen Analysen postet er vollautomatisch die gefilterten News mit der höchsten Qualität zur idealen Zeit in das perfekte Netzwerk. Er optimiert unter anderem die dazugehörigen Hashtags und die Beiträge, wenn er merkt, dass die Leserschaft über andere Themen ebenfalls stark kommuniziert. Ziemlich viel zu tun für einen Mitarbeiter auf eine Vielzahl von Kunden, aber unser Harvey X schafft das problemlos und hat noch massig Potential. Er ist einzigartig und das bleibt er auch für uns – Die Basis Von Harvey X ist patentiert und somit weltweit geschützt.

Machine Teacher mögen Zahlen und Fakten. Könnt ihr etwas zu der Intelligenz hinter Harvey X verraten? Welche Modelle benutzt ihr?

Unsere Basis-KI die wir nutzen ist das OpenAI-Framework von Elon Musk. Zu Anfangszeiten haben wir noch mit IBM Watson gearbeitet, allerdings dann schnell unsere Vorteile in der OpenAI gefunden. Wie jede Künstliche Intelligenz wird auf den Prinzipen des Machine Learnings und des Deep Learnings gearbeitet, allerdings gibt es bei Harvey noch eine Besonderheit: Er hat eine liquide Informationsmembran, die man als ein Echtzeit-System bezeichnen kann. Sie passt sich immer den Gegebenheiten an, wie es schon das Wort „liquide“ verrät. In Verbindung mit der OpenAI kann er somit verschiedene Filter extrem schnell auf unvorstellbare Mengen an Echtzeitinformationen anwenden. Derzeit sind es über 1 Millionen Informationen am Tag und es werden täglich mehr.

Warum sollten Unternehmen euer Produkt einsetzen? Was ist euer USP?

socializerhub-logoWir – die fiveinnovations GmbH – können mit unserer SocializerHub-Technologie Social Media für Unternehmen so effektiv machen, wie es keine Person von Menschenhand kann. Ein guter Online-Auftritt zeichnet sich durch Social Media und Webseite aus. Wir optimieren Kosten, wenn es um Social Media geht. In großen Unternehmen bieten wir den Social Media Managern wieder die Zeit um kreativ zu denken und uns das Grundrauschen zu überlassen, mit dem wir qualitativ hochwertige Follower und Leser auf die Profile ziehen. Auf dieser Basis können Social Media Kampagnen viel effektiver geschaltet und genutzt werden. Für Klein- und mittelständische Unternehmen bieten wir die Möglichkeit Social Media perfekt zu betreiben, dabei keine großen Kosten zu haben und die Zeit für Social Media auf ein Minimum zu reduzieren. Von Einzelperson bis hin zur Aktiengesellschaft können wir jeden Kunden betreuen, unabhängig von Themengebiet oder Branche.

Ihr seid sehr ambitioniert und kündigt weitere Innovationen an. Was können wir in der Zukunft von euch erwarten?

Genaues darf ich noch nicht verraten, aber ich kann sagen, dass Harveys Potential noch lange nicht ausgeschöpft ist und wir jetzt schon viele Innovationen in der Tasche haben, mit denen wir Unternehmen unterstützen können. Blockchain, SmartContacts und weiterhin Künstliche Intelligenz sind Stichworte zu denen man in Zukunft ein Auge auf uns haben sollte.

Danke für das Gespräch! Folgt SocializerHub auf Twitter!

Wann wird die Maschine den Mensch überholen?

Katja Grace, John Salvatier, Allan Dafoe, Baobao Zhang und Owain Evans haben in ihrer Arbeit: “When Will AI Exceed Human Performance? Evidence from AI Experts” verschiedene KI Experten auf dem gesamten Globus um Schätzungen zu verschiedenen Fragestellungen gebeten. Die Hauptfrage dabei war:

Wann wird die KI stärker sein als der Mensch?

oder auf englisch:

When will AI exceed human performance?

Figure 1: Wann wird die Künstliche Intelligenz stärker sein als der Mensch?

Die Wissenschaftler sollten das Jahr 2016 als Anfangspunkt nehmen und versuchen, für die kommenden 100 Jahre jeweils eine Wahrscheinlichkeit abzugeben, wann sie damit rechnen.

Die grauen Linien in Figure 1 zeigen alle Messpunkte der verschiedenen Forscher. Die aggregierte Vorhersage überschreitet in circa 50 Jahren die “50% wahrscheinlich, das die KI den Menschen überholt” Marke. In 100 Jahren ist die Wahrscheinlichkeit bei knapp 75%.




Figure 2: Hat die optimistische/pessimistische Schätzung eventuell kulturelle Hintergründe?

Sehr spannend sind die “Ausreißer” – die sehr optimistischen und sehr pessimistischen Schätzer. Figure 2 illustriert, das asiatische Forscher sehr optimistisch geschätzt haben. Nordamerikanische Forscher hingegen schätzen sehr pessimistisch. Welche Einflüsse die Autoren der Studie dafür verantwortlich machen, wird nicht genannt.

 

Wir können allerdings festhalten, dass wir in 50 Jahren eine 50% Chance und in 100 Jahren eine 75% Chance haben, das eine KI stärker sein wird, als ein Mensch.

Figure 3: Berufe, Kreativität und Computerspiele. Wann wird eine Maschine das beherrschen?

 

Diese Aussage ist natürlich sehr wage. Aktuell existieren Systeme, die effizienter arbeiten als der Mensch – beim Verpacken von Kisten, beim Schweißen von großen Metallflächen und weiterem mehr. In der Frage, welche die Autoren stellten, ging es um eine komplette Intelligenz, die mit HLMI (Human Level Machine Intelligence) bezeichnet wird.

Die Umfrage beschäftigte sich aber auch mit weiteren Fragestellungen. Unter anderem wurden die Forscher danach gefragt, wann eine Intelligenz spezifische Sachen besser kann als ein Mensch.

Figure 3 zeigt verschiedene Aufgaben mit den Schätzungen in Jahren, die es noch dauern könnte, bis eine Intelligenz diese Aufgabe, besser als ein Mensch, erledigen kann. Bis eine Intelligenz eine bessere Vertriebsperson ist, soll es im Mittel noch 14 Jahre dauern (die Linie zeigt die Abweichung aller Schätzungen an, es handelt sich hier nicht um einen Roboter, sondern um eine Software).

Sogar mathematische Forschung soll eine Intelligenz irgendwann besser können als der Mensch. Mit diesen schwereren Tasks beschäftigt sich Figure 4.

Figure 4: Nichts ist unmöglich. Etwas kompliziertere Aufgaben brauchen länger, bis sie automatisiert sind.



Dank dieser Studie von Katja Grace et al. haben wir nun eine ungefähre Vorstellung, wann uns die Künstlichen Intelligenzen gefährlich werden können. Allerdings wird sich unser Bild auf die Menschheit, auf Roboter und der Welt in der wir leben in diesen vielen Jahren auch grundsätzlich verändert haben.

Wir dürfen gespannt sein, was uns in den kommenden Jahren und Jahrzehnten noch erwartet! Übrigens, weitere Prognosen rund um das Thema “Technologie in der Zukunft” sammeln wir hier auf dem Blog.

Hier gehts zur Studie

Was passiert in Unternehmen die KI einsetzen?

Wir hören oft grausame Dinge, über die Unternehmen die sich mit Künstlicher Intelligenz befassen oder sie einsetzen wollen. Eine Studie von Capgemini Consulting zeigt jetzt, was sich für diese Unternehmen geändert hat.




Figure 1: Was hat sich verbessert? Credits: Capgemini Consulting

In einer Studie, die Capgemini Consulting zusammen mit dem Digital Transformation Institute durchgeführte, wird gezeigt, wie es den Unternehmen geht, die bereits Künstliche Intelligenz (AI) einsetzen. Für diese Studie wurden rund 1000 Firmen weltweit interviewt. 75% der Unternehmen verzeichneten einen Uplift von mindestens 10% ihrer Vertriebs. Operationale Kosten konnten gesenkt werden, wobei die operationale Effektivität signifikant stieg. Mit dem Net Promoter Score (NPS) wird die Kundenzufriedenheit gemessen. In 3 aus 4 Unternehmen stieg sogar der NPS signifikant an. Das konnte auf eine effizientere Kontaktaufnahme der Kunden und einer verbesserten Auswertung von Kundendaten zurückgeführt werden (Figure 1).

 

Figure 2: Welche Bereiche können einen signifikanten Uplift verzeichnen? Credits: Capgemini Consulting

Außerdem berichteten die Unternehmen, dass die Produktivität ihrer Mitarbeiter stieg, da sie nun in der Lage waren, sich um wichtige Aufgaben zu kümmern. Die meiste Zeit wird in vielen Betrieben noch mit repetitiven Aufgaben verschwendet, die sich eigentlich sehr gut automatisieren lassen. Ein weiterer Pluspunkt geht an die Aufbereitung und Darstellung von großen Datenmengen. Dort leistet die KI (oder eigentlich Business Intelligence / Analytics) eine wichtige Arbeit. Anhand von Zahlen (data-driven) kann man am besten über sein Business entscheiden. Das veranschaulicht Figure 2.

Figure 3: Wurden im Unternehme neue Jobs geschaffen? Wenn ja, welche Rollen wurden geschaffen? Credits: Capgemini Consulting

Oftmals wird die steigende Arbeitslosigkeit mit dem Einsatz von Künstlicher Intelligenz in Unternehmen in Verbindung gebracht. Ganz unberechtigt ist dieses Argument nicht, allerdings schafft der Einsatz von Künstlicher Intelligenz auch in vielen Bereichen neue Jobs. In 83% der Firmen sind neue Jobs entstanden. Hauptsächlich sind natürlich neue Managerrollen entstanden. Auch Direktoren- und Koordinatoren-Jobs sind entstanden. Maschinen und Technik muss nämlich gewartet und verwaltet werden. Alles in allem ist die Verteilung der neu entstandenen Jobs aber sehr heterogen, wie Figure 3 zeigt.

Figure 4: In welchen Bereichen/Sektoren der Wirtschaft wird bereits Künstliche Intelligenz eingesetzt? Credits: Capgemini Consulting

 

In dieser Studie konnten wir erstmals sehen, wie sich die Anwendung von Künstlicher Intelligenz auf ein Unternehmen auswirken kann. Viele Positionen von Experten waren dabei oft sehr extrem. Hier könenn wir nun erste Zahlen sehen. In Figure 4 illustriert, die Verteilung von KI-gestützten Unternehmen je Sektor.

 




 

 

Adikteev – Dynamische Anzeigen erstellen – Dynamic Creative Optimization

Immer mehr Anzeigen werden dynamisch erstellt. Dabei orientieren sich die Anzeigenmacher an den Informationen, die sie über den Nutzer sammeln konnten. Daten aus der Vergangenheit und seine demographischen Spezifikationen helfen einem Dynamic Creative Optimization (DCO) System dabei, eine Ad für ihn zu generieren.

Dabei geht es vor allem um die Optimierung von:

  • Call to Action
  • Hintergrund
  • Wahl des Produktfotos
  • Animationen
  • Sättigung und Farbgebung

Die Firma Adikteev entwickelt solch ein System. Dieses System soll laut Angaben eine 50% höhere Conversion-Rate gegenüber der Testgruppe erzeugen. Getestet wurde das System bereits bei Gaming-Apps und Content-Portalen. Weitere Infos gibt es hier.

 

Paper Review – Language Modeling, Deep vs. Diverse Architecture und Sentiment Analysis

Wir sind im Sommermodus. Aktuell basteln wir an einem Plan, wie wir euch ab Herbst weiter mit spannenden Artikeln aus der Machine Learning Szene begeistern können.

In unserer Rubrik Paper Review stellen wir euch aktuelle Paper aus dem Bereich Machine Learning vor. Wir fassen für euch das Wesentliche zusammen und ihr entscheidet selbst, ob ihr das Paper lesen wollt oder nicht. Viel Spaß!

In Neural Networks Compression for Language Modeling werden RNNs komprimiert. Hier handelt es sich um RNNs, die verschiedene Text-Klassifizierungen durchführen. Das ist besonders wichtig für Mobile Devices, die dadurch mehrschichtige Netze effizienter abspeichern können. Bereits im Juli haben wir euch im Paper Reivew das Paper Towards Evolutional Compression vorgestellt – dort werden ähnliche Algorithmen verwendet. Hier gehts zum Paper.

Der Autor von Deep vs. Diverse Architectures for Classification Problems vergleicht verschiedene Netz-Architekturen für verschiedene Aufgaben. Es stellt sich heraus, dass sich für einige Aufgaben Deep-Learning-Architekturen besonders eignen. Allerdings lassen sich auch Aufgaben finden, die mit kleineren (unkomplexeren) Architekturen lösen lassen. Deep-Learning ist also nicht die sofort die Allzweckwaffe. Wofür ihr welche Algorithmen benutzen solltet, lest hier hier. Hier gehts zum Paper.

In Sentiment Analysis by Joint Learning of Word Embeddings and Classifier von Prathusha Kameswara Sarma und Bill Sethares wird Supervised Word Embeddings for Sentiment Analysis vorgestellt. Mit dieser Struktur erreichen sie auf verschiedenen Datenbanken in ihren Experiments den State-of-the-Art bezüglich AUC. In einigen Fällen sind sie damit sogar genauer als die aktuell bekannten Ergebnisse. SWESA ist dabei ein sehr flexibles Konstrukt. Hier gehts zum Paper.

 

Am Rand erwähnt

Paper Review – Sentence Generation und Sentiments mit Emojis

In unserer Rubrik Paper Review stellen wir euch aktuelle Paper aus dem Bereich Machine Learning vor. Wir fassen für euch das Wesentliche zusammen und ihr entscheidet selbst, ob ihr das Paper lesen wollt oder nicht. Viel Spaß!

In SenGen: Sentence Generating Neural Variational Topic Model zeigen die Autoren, dass ein Satz die kleinste Einheit beim Topic Modeling ist. Im Gegensatz zu vielen anderen Modellen, die Bag of Words (also Wörter) benutzen, um ein Topic-Modell aufzubauen, verwenden wie einen Satz. in den Experimenten vergleichen sie ihren Ansatz gegen die aktuellen State-of-the-Art Ansätze: LDA, NVDM, NVLDA und ProdLDA. Hier gehts zum Paper.

Die Autoren von Using millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm haben versucht Texte auf Emojis zu mappen. Sie nutzen dabei große Datasets und vergleichen sich mit anderen auch sehr aktuellen Forschungsergebnissen. Hier gehts zum Paper.

 

Am Rand erwähnt

 

 

Text to Emoji mit DeepMoji vom MIT Media Lab

DeepMoji wurde vor ein paar Tagen vom MIT Media Lab gelauncht. Die KI erkennt, wenn ein einem Text Emotionen vorkommen – sogar Sarkasmus. Der geschriebene Text wird auf Emojis gemappt, die am besten zum Text passen. Gelernt wurde DeepMoji auf mehreren großen Corpora.

Hier gehts zum Paper von DeepMoji




5 Sachen die Machine Learning für die Menschheit tun kann

In unserer Rubrik High Five stellen wir euch unsere Top-Liste zu einer bestimmten Machine Learning relevanten Kategorie vor. Diesmal haben wir uns angeschaut, was Machine Learning für die Menschheit tun kann. Wie wir das ganze sehen, lest ihr hier!

work-chinese-industrial-professional1. Uns von sinnlosen Jobs befreien

Viele von uns kennen diesen Moment im Job! Man wünscht sich einen Roboter, der einen monotone Arbeit abnimmt. Sowas kann gelingen. Monotone Arbeiten wie Bandarbeit sind meist nicht nur für unsere Psyche sehr anstrengend, sondern auch für unseren unseren Körper. Abnutzungserscheinungen an Knochen und anderen Körperteilen sind die Folge.

pexels-photo-2615012. Unsere Faulheit kompensieren

Ähnlich zu der monotonen Arbeit im Job, kann uns Machine Learning auch von monotonen Arbeiten im privaten Bereich befreien. Dabei sind die Vorlieben diverser als im Arbeitsleben. Während ein passionierter Gärtner lieber selbst gießt, kann der nicht vorhandene grüne Daumen von anderen Personen durch Sensoren und Sensormodelle kompensiert werden. Dabei ist Gärtnern nur ein Beispiel für viele Anwendungsbereiche.

pexels-photo-2481563. Vorhersagen über unsere Gesundheit machen

Durch statistische Verfahren können wir eine bestimmte Anfälligkeit für Krankheiten ermitteln. Das bedeutet, man kann Krankheiten behandeln, bevor sie auftreten. Damit wird unser Leben auch vorhersagbarer – dafür aber sicherer.

 

pexels-photo (3)

4. Unser Leben sicherer machen

Autonomes Fahren und vernetzte Verkehrssysteme werden es uns ermöglichen, sicherer ans Ziel zu kommen. Schon heut ist viel Machine Learning in Verkehrsleitsystemen und sogar Autos verbaut. Nicht nur auf der Straße gibt es dafür Anwendungen. Auch im Luft- und Wasserverkehrt werden smarte Systeme eingesetzt.

 

industry-sunrise-clouds-fog-39553

5. Die Umwelt schonen

Wieviel Müll wird wann und wo produziert? Wieviel Energie wird verbraucht, wieviel Energie muss zeit-/ortsbezogen erzeugt werden? Diese Fragen können uns smarte Netze beantworten, die sehr viele Daten gesammelt haben und somit die Umwelt schonen können. Es wird nur so viel Energie produziert, wie tatsächlich gebraucht wird und der Müll wird ebenfalls smarter entsorgt.




Natürlich gibt es noch weitere Anwendungsfälle. Machine Learning kann uns helfen, den Fokus auf wichtigere und komplexere Fragestellungen zu legen, die uns als Menschheit helfen und uns weiter bringen.

Der Reiz des Utopischen – Was sind Utopien?

Wo geht der Weg der Menschheit hin? Welche Rolle spielen unsere technischen Möglichkeiten dabei? Diese Fragen beschäftigen viele Forscher – nicht nur im Bereich Künstliche Intelligenz. Utopien sind dabei ein beliebtes Genre, den (oft extremen) Rahmen der Möglichkeiten abzustecken. Unser Gastautor Tino Polzin erklärt uns, warum wir mehr über Utopien lesen sollten.

Was sind Utopien?

Jeder von uns kennt den Ausdruck, dass etwas „utopisch“ ist und versucht damit den Umstand zu verdeutlichen, dass etwas unmöglich zu erreichen scheint. Obwohl der Begriff Utopie zu Zeiten der griechischen Hochkulturen so nicht existierte, stammt er doch aus dem Griechischen und bedeutet tópos „Ort“ und ou „nicht“. Wörtlich bedeutet Utopie „Nirgendsland“ oder „Nichtland“.

virtual-city-1589401_1920

In einer Utopie möglich: Eine virtuelle Stadt, die sich von unser Vorstellung einer Stadt sehr weit entfernt hat.

Utopien in der Literatur stellen gemeinhin eine ideelle Gesellschaft dar, die in einem mehr oder weniger isolierten Raum existiert. Diese imaginären Gemeinschaften stellen eine positive oder negative Entwicklung der real existierenden Welt dar. Kurz gesagt sind Utopien die Manifestation einer „möglichen Gesellschaft“ im Text. Die erste Utopie überhaupt stammt vom Philosophen Platon. In seinem Werk „Politeia“ (dt. „Der Staat“) aus dem Jahre 370 v. Chr. versucht er die Gerechtigkeit im Staat und die perfekte Ordnung der Gesellschaft zu entwickeln. In der Literatur gibt es neben den Utopien auch die Anti-Utopien (Dystopien). Romane also,  die sich mit dem Gegensatz einer ideellen Gesellschaft auseinandersetzen. Bekanntestes Beispiel hierfür ist der Roman „1984“ von George Orwell aus dem Jahre 1949.

Warum sollte man Utopien lesen?

Utopien klingen befremdlich oder idyllisch? Unsere Verantwortung ist es, sie zu verhindern oder herbeizuführen.

Utopien klingen befremdlich oder idyllisch? Unsere Verantwortung ist es, sie zu verhindern oder herbeizuführen.

Viele Autoren von Utopien entwickeln eigene Vorstellungen einer ideellen Gesellschaft und beziehen sich dabei meist mit einem satirisch-kritischen Unterton auf vorherrschende Gesellschaftsverhältnisse der jeweiligen Zeit. Damit geben utopische Romane dem Autor vergleichsweise viel Macht in die Hände, vor allem in Zeiten staatlicher Zensur. Für uns als Leser bietet sich hierbei die Möglichkeit, einen Einblick in die Gedanken des jeweiligen Autors zu bekommen. Zudem lassen sich mit dem nötigen Verständnis für die jeweilige Zeitepoche auch die Nuancen von Kritik und Satire an Missständen vergangener Gesellschaften erkennen.

Neben unterschiedlichen Utopien des perfekten Staates bietet auch die fortschreitende, technische Entwicklung genügend Möglichkeiten und Anlässe, sich mit dem Lesen utopischer/ dystopische Romanliteratur den Geist dafür zu öffnen, wo technische Entwicklungen enden können und ob dies im Sinne der Menschheit ist. Als Beispiel für die Auseinandersetzung von Technik in Utopien sei hier nur Aldous Huxleys „Schöne Neue Welt“ genannt. Huxley beschreibt in seinem Buch einen Weltstaat, dessen zentrales Wesensmerkmal die genetische Manipulation von Erbgut und Embryonen ist.

Utopien bieten trotz ihrer oftmals simplen Erzählstruktur ein Fenster in die Zukunft, durch das wir als Leser blicken können. Dabei können wir von dieser Zukunft fasziniert sein oder uns angewidert abwenden, aber wir sollten dabei nicht vergessen, dass jedes Fenster auch ein Spiegel sein kann.

Welche Utopien sind lesenswert?

  • Platon, „Politeia (dt. „Der Staat“), 370 v. Chr. – Warum: Erste Utopie überhaupt und prägender Entwurf für die Ordnung eines Staates und dessen Gesellschaft.
  • Thomas Morus, „Utopia, 1516 – Warum: Namensgeber des Utopiegenres, zudem auch kritische Auseinandersetzung mit der Zeit des 16. Jahrhunderts.
  • Aldous Huxley, „Schöne Neue Welt, 1932 – Warum: Ein Weltstaat, der durch genetische Kontrolle und glücklich machende Rauschmittel im wahrsten Sinne des Wortes glückliche Menschen erschafft.
  • George Orwell, „Nineteen Eighty-Four, 1949 – Warum: Die wohl bekannteste Dystopie überhaupt etablierte den „Big Brother“ und führt dem Leser vor Augen, was passiert, wenn die Überwachung total und absolut wird.
  • Dave Eggers, „The Circle, 2013 – Warum: In gewisser Weise übersetzt diese Mini-Dystopie den Roman „1984“ in unsere Zeit, in der ein Internetkonzern nicht nur das (digitale) Leben seiner Nutzer totalüberwachen will.

Zum Gastautor: Tino Polzin, Jahrgang ’90, studierte Philosophie, Geschichte und Psychologie an der TU Dresden sowie der FU Hagen. Aktuell beschäftigt er sich mit der Klassifikation von Utopien in der Literatur.