Category: Forschung

Wann √ľberholt die Maschine den Mensch?

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 Sch√§tzungen 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 K√ľnstliche Intelligenz st√§rker sein als der Mensch?

Die Wissenschaftler sollten das Jahr 2016 als Anfangspunkt nehmen und versuchen, f√ľr 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 √ľberschreitet in circa 50 Jahren die “50% wahrscheinlich, das die KI den Menschen √ľberholt” Marke. In 100 Jahren ist die Wahrscheinlichkeit bei knapp 75%.

Figure 2: Hat die optimistische/pessimistische Sch√§tzung eventuell kulturelle Hintergr√ľnde?

Sehr spannend sind die “Ausrei√üer” – die sehr optimistischen und sehr pessimistischen Sch√§tzer. Figure 2 illustriert, das asiatische Forscher sehr optimistisch gesch√§tzt haben. Nordamerikanische Forscher hingegen sch√§tzen sehr pessimistisch. Welche Einfl√ľsse die Autoren der Studie daf√ľr 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 nat√ľrlich sehr wage. Aktuell existieren Systeme, die effizienter arbeiten als der Mensch – beim Verpacken von Kisten, beim Schwei√üen von gro√üen Metallfl√§chen 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 ungef√§hre Vorstellung, wann uns die K√ľnstlichen Intelligenzen gef√§hrlich werden k√∂nnen. Allerdings wird sich unser Bild auf die Menschheit, auf Roboter und der Welt in der wir leben in diesen vielen Jahren auch grunds√§tzlich ver√§ndert haben.

Hier gehts zur Studie

 

Buch-Tipps zum Thema

B√∂sartige K√ľnstliche Intelligenz – Vorhersagen und Schutz

K√ľrzlich wurde der¬†The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation – Report ver√∂ffentlicht. An diesem Report arbeiteten 26 Wissenschaftler, Forscher und Practitioner von verschiedenen Instituten, Firmen und Universit√§ten. Er ist das Ergebnis eines intensiven 2-Tage-Workshops. Haupts√§chlich wurde der Report unterst√ľtzt von:

  • Future of Humanity Institute
  • University of Oxford
  • Centre for the Study of Existential Risk
  • University of Cambridge
  • Center for a New American Security Electronic Frontier Foundation
  • OpenAI

Ein Screenshot aus dem Report. Die Performance von Computer Vision Algorithmen (hier ImageNet) wird immer akkurater. Die Performance des Menschen wird hier mit einer Verbesserung von 0 angenommen. Die Fehlerrate des Menschen (bei 5% gesch√§tzt) wird von den aktuellen Algorithmen qualitativ √ľbertroffen.

Der Report greift verschiedene m√∂gliche Angriffszenarien auf und beschreibt den Schutz davor. Auch im Zusammenhang mit Social Engineering sind diverse Angriffe unter der Nutzung von K√ľnstliche Intelligenz denkbar. F√ľr diese Angriffe sensibilisiert der Report. Allerdings ist er eher politischer Natur und damit zur Referenz f√ľr politische Entscheider gedacht.

Diese Handlungsempfehlungen werden gemacht:

  • Der Gesetzgeber soll eng mit Ingenieuren zusammenarbeiten, um m√∂glichen Dual-Use (Nutzen der Technologie f√ľr kriminelle / unethische Zwecke) zu verhindern.
  • Ingenieure und Forscher sollen sich der Dual-Use Natur ihrer Arbeit immer bewusst sein.
  • In etablierten Bereichen soll es Best Practices geben, die die Dual-Use M√∂glichkeiten einschr√§nken.
  • Das Domainwissen bei AI-Fragen und -Entscheidungen soll maximiert werden, sprich: viele verschiedene Experten werden in Entscheidungen einbezogen.

Hier kann man den ganzen Report lesen!

Wann wird die Maschine den Mensch √ľberholen?

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 Sch√§tzungen 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 K√ľnstliche Intelligenz st√§rker sein als der Mensch?

Die Wissenschaftler sollten das Jahr 2016 als Anfangspunkt nehmen und versuchen, f√ľr 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 √ľberschreitet in circa 50 Jahren die “50% wahrscheinlich, das die KI den Menschen √ľberholt” Marke. In 100 Jahren ist die Wahrscheinlichkeit bei knapp 75%.




Figure 2: Hat die optimistische/pessimistische Sch√§tzung eventuell kulturelle Hintergr√ľnde?

Sehr spannend sind die “Ausrei√üer” – die sehr optimistischen und sehr pessimistischen Sch√§tzer. Figure 2 illustriert, das asiatische Forscher sehr optimistisch gesch√§tzt haben. Nordamerikanische Forscher hingegen sch√§tzen sehr pessimistisch. Welche Einfl√ľsse die Autoren der Studie daf√ľr 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 nat√ľrlich sehr wage. Aktuell existieren Systeme, die effizienter arbeiten als der Mensch – beim Verpacken von Kisten, beim Schwei√üen von gro√üen Metallfl√§chen 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 ungef√§hre Vorstellung, wann uns die K√ľnstlichen Intelligenzen gef√§hrlich werden k√∂nnen. Allerdings wird sich unser Bild auf die Menschheit, auf Roboter und der Welt in der wir leben in diesen vielen Jahren auch grunds√§tzlich ver√§ndert haben.

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

Hier gehts zur Studie

flyAI – Das Schicksal von Hausfliegen wird berechnet

Wir hei√üen eine der sinnlosesten KI powered Kunst-Installationen auf dem KI-Blog willkommen. Die Rede ist von flyAI. David Bowen hei√üt der K√ľnstler.¬†Er nutzt TensorFlow und das damit vortrainierte Image Recognition Modell, um das Schicksal von Hausfliegen zu bestimmen. Dabei m√ľssen die Fliegen vor einer Kamera landen und von dem Tensorflow-Modell dahinter als Fliege klassifiziert werden, um Sauerstoff und N√§hrstoffe zu bekommen. Falls die Fliegen es nicht schaffen, sich vor der Kamera blicken zu lassen, m√ľssen sie vorerst auf N√§hrstoffe verzichten.




Diese Kunst-Installation zeigt wunderbar, was passiert, wenn unreife K√ľnstler auf Zwang mit der Zeit gehen wollen. Inspiriert wurde er von Nick Bostroms neuem Buch Superintelligence (welches ich hier echt empfehlen kann). Das Buch gibt es hier auf deutsch und hier auf englisch. F√ľr einen Artikel auf Vice hat es dennoch f√ľr Bowen gereicht.

 

 

Zooids – Open Source Hardware – Schwarmintelligenz zum Lernen

Quelle: ShapeLab

Quelle: ShapeLab

Ihr seid von Schwarmintelligenz fasziniert und bastelt gern mit Hardware herum, dann ist Zooid genau das richtige f√ľr euch. ShapeLab, Stanford University und weitere Partner haben die Zooid-Plattform n√§mlich Open Source gemacht. Damit k√∂nnt ihr kleine Roboter ansteuern, programmieren und euer gew√ľnschtes Verhalten damit umsetzen. Neben der Hardware-Plattform gibt es nat√ľrlich auch einiges an Software, die quelloffen ist. Auf Github bekommt man die SwarmUI dazu. Dar√ľber programmiert man die¬†Pfadplannung, das Ziel, die Orientierung und Farbe der Zooids.

Ein kleines Demo-Video gibt es hier. Viel Spaß beim Basteln!

 




[Tiere der Robotik] Festo – Der AquaPenguin

Der AquaPenguin ist ein Unterwasserfahrzeug, welches¬†autonom agieren kann und¬†durch den Einsatz eines 3D-Sonars sogar mit der Umgebung kommunizieren kann. Was den AquaPenguin jedoch einzigartig macht, ist der in alle Richtungen bewegliche Rumpf. Die Technologie dahinter nennt sich Fin Ray und wurde f√ľr den AquaPenguin zum ersten Mal im dreidimensionalen Raum benutzt.

Hier geht es zum Datenblatt des AquaPenguin.

 

[Tiere der Robotik] Der BionicOpter von Festo

Der BionicOpter (eine Mischung aus Hubschrauber und Flugzeug) ist der Libelle nachempfunden. Durch die eingebaute sensible und flexible Mechanik, ist er in der Lage sehr anspruchsvolle¬†Man√∂ver zu fliegen und in der Luft zu stehen. Wie viele nachkonstruierte bionische Tiere, wird die Libelle aufgrund ihrer Flexibilit√§t auch in Krisengebieten eingesetzt werden k√∂nnen. Vielleicht wird sie in der nahen Zukunft die aktuell handels√ľbliche Drohne abl√∂sen ;-).

Hier gehts zum Datenblatt des BionicOpters.

[Tiere der Robotik] Die Festo BionicANT

Festo hat eine Ameise entwickelt, die sich, mit Schwarmintelligenz ausgestattet, mit anderen Individuen absprechen und auf ein Vorgehen verst√§ndigen kann. Die BioANT ist sehr filigran gebaut und findet jederzeit zur√ľck zur Ladestation (wo sie √ľber¬†ihre F√ľhler laden kann). Daf√ľr nutzt die Ameise:

  • Stereo-Kamera
  • Greifwerkzeuge aus Piezoaktorik
  • Positions-Tracking

Hier geht es zum Datenblatt von Festo.

Das Fremde – Die Roboterkolonie

Eine Zivilisation von Robotern unter uns? Das gibt es! Das Fremde ist eine Installation der Visual Artists Supermafia zusammen mit 2 Forschern: Michael Spranger und St√©phane No√ęl. Die Idee hinter Das Fremde ist, die Entwicklung von Sprache (die Erweiterung und Reduktion) in Echtzeit verfolgen zu k√∂nnen. Daf√ľr reist die Ausstellung durch die Welt und bietet den Besuchern damit die M√∂glichkeit mit den Agenten zu interagieren und nat√ľrlich auch ihre eigene Entwicklung zu reflektieren.




DeepMind lernt jetzt StarCraft II

Nachdem Google DeepMinds AlphaGo mit Lee Sedol den weltweit besten Go-Spieler geschlagen hat, versucht das Team¬†hinter der Google-Akquisition nun, die n√§chste Nuss zu knacken. Mit StarCraft II haben sie sich dabei eine besonders schwere¬†Nuss¬†herausgesucht. StarCraft ist nicht rundenbasiert, sondern ein sogenanntes Echtzeitspiel. Die Entscheidungen die DeepMind trifft, m√ľssen also schnell und akkurat sein. Dennoch kann man das Gelernte aus AlphaGo wenigstens teilweise anwenden, denn beide Spiele (Go und StarCraft) haben eine Gemeinsamkeit. Betrachten wir das Spielverhalten von Schach, Go und StarCraft, wird dies deutlicher:

  • ¬†Schach
    • Strukturen sind zum Start gegeben
    • Ziel ist es, die gegnerischen Strukturen zu zerst√∂ren
  • Go
    • Strukturen sind nicht zum Start gegeben
    • Ziel ist es, eine Strukturen so aufzubauen, dass man den Gegner beherrscht
  • StarCraft
    • Strukturen sind nicht zum Start gegeben
    • Ziel ist es, gegnerische Strukturen zu zerst√∂ren und eigene Strukturen stabil zu halten

Vereinfacht gesagt: StarCraft ein Mix aus den beiden anderen vorgestellten Spielphilosophien. Ein möglicher Ansatz des DeepMind-Teams wird im Video deutlich. Der Eindruck vom Spielfeld wird in Feature Layern (Merkmalsebenen) abgebildet. Anhand dieser Darstellung kann DeepMind dann, die Strategien der Gegner abschätzen und daraus eigene Strategien entwickeln.




Uber Elevate – Pendeln in der Zukunft

Zusammen mit NASA, Georgia Tech University, MIT, Nesta und Otto Motor hat Uber ein Konzept f√ľr ein

VTOL (vertical take-off and landing) im Personenverkehr erstellt. Das Projekt läuft bei Uber unter dem Arbeitstitel Elevate. Über den bisherigen Stand von Uber Elevate wird in dem

Quelle: Uber Elevate Report

Quelle: Uber Elevate Report

knapp 100 Seiten umfassenden Bericht kein Wort verloren. √úber die Effizienzsteigerung, welche die¬†Umsetzung dieses Projekts mit sich bringen k√∂nnte, schreibt die Projektgruppe daf√ľr um so detailierter.

Es wird angemerkt, dass die initiale Entwicklung und Herstellung des Produktes zwar teuer w√§ren, eine Massenproduktion k√∂nnte danach aber¬†deutlich kosteng√ľnstiger realisiert werden. Ein gro√üer Bonus im Vergleich zum Fahren auf Stra√üen ist die Dimension, die man im Luftverkehr dazu gewinnt – n√§mlich die H√∂he. Durch die VTOLs k√∂nnte auch der Stra√üenverkehr deutlich entlastet werden. Zur Landung w√ľrden die VTOLs u.a. bereits vorhandene Helikopterlandepl√§tze nutzen k√∂nnen. Eine Reise von San Francisco nach San Jose (sonst 2 Stunden) k√∂nnte man damit in 15 Minuten bewerkstelligen.

Au√üerdem enth√§lt der Bericht einige Passagen, die sich mit dem Thema Markteintrittsbarrieren und -machbarkeit befassen. Einen genauen Zeitplan f√ľr das Projekt liegt nicht vor. Es wird aber angenommen, dass sich Uber nach diesem Proof of Concept um Standards bem√ľht, die helfen w√ľrden, Uber Elevate irgendwann in die Realit√§t umzusetzen.

Hier geht es zum Report.



Demis Hassabis – Ein Kopf hinter Google DeepMind

Demis Hassabis, einer der f√ľhrenden K√∂pfe hinter¬†Google DeepMind redet √ľber die Form von KI, an der DeepMind baut. Demis hat nach der Uni an verschiedenen Startups mitgewirkt – auch im Bereich Machine Learning. Nach seiner Startup-Zeit ging es f√ľr ihn wieder zur√ľck an die Universit√§t, wo er in Cognitive Neuro Science promovierte.

Er unterscheidet in seinem Vortrag verschiedene Formen von K√ľnstlichen Intelligenzen:

  • Learning vs. Handcrafted
  • General vs. Specific
  • Grounded vs. Logic-based
  • Active learning vs. Passive observation




Google DeepMind ist nur an Intelligenzen¬†interessiert, die sich, wie folgt, kategorisieren lassen: ¬†feature learning, general purpose, grounded und active learning. Doch was bedeutet dies¬†im Detail? Die gelernten Modelle sollen¬†ihre Feature-Extraktoren selbst lernen (also durch Feedback relevante Merkmale finden), sie sollten keinem speziellem Zweck dienen, sondern universal einsetzbar sein. Au√üerdem basieren sie auf probabilistischen Ans√§tzen, die biologisch motiviert werden. Als letztes Kriterium sollen sie aktiv lernen und daf√ľr eine Belohnung oder eine Strafe erhalten (reward, insb. reinforcement learning). Wie Demis es in seinem Vortrag sagt: “System without any data, learning from the first principles”.

Neben seinem Ausblick in die Zukunft von DeepMind redet er vor allem √ľber zwei Anwendungsf√§lle von Googles DeepMind. Als erstes geht er auf AlphaGo ein (eine KI die Lee Sedol im Spiel Go geschlagen hat). Sein zweiter Anwendungsfall ist ein Rechenzentrum von Google, dass mit einem von Google DeepMind entwickelten System signifikant Strom sparen konnte.




K√ľnstliche Intelligenz in den USA! Das Strategie-Papier dazu

Im Mai 2016 haben sich in den U.S.A. verschiedene KI-Spezialisten zusammengesetzt und versucht, ein Strategiepapier f√ľr die Zukunft mit der KI zu entwickeln. Das Papier wurde nun im Oktober vorgestellt. Es enth√§lt neben einf√ľhrenden Worten zum Thema K√ľnstliche Intelligenz¬†auch ein paar begriffliche Definitionen (darunter Autonomy, Automation, etc.).




Das Strategiepapier gibt Handlungsempfehlung f√ľr den Pr√§sidenten der Vereinigten Staaten. Wer die¬†ca. 50 Seiten des Reports nicht lesen will, bekommt hier die wichtigsten¬†Handlungsempfehlungen zusammengefasst:

  • Datens√§tze der staatlichen Institutionen offenlegen, um die KI-Forschung in diesen Bereichen zu beschleunigen.
  • Institutionen und staatliche Agenturen sollten Standards festlegen, auf denen sie Informationen austauschen, gewinnen oder vorhersagen k√∂nnen.
  • Jedes Ministerium sollte Stellen f√ľr Machine Learning Engineers schaffen, damit spezifische Daten schnell ausgewertet werden k√∂nnen.

    Executive Office of the President of the United States, Quelle: Report

    Executive Office of the President of the United States, Quelle: Report

  • Das Ministerium f√ľr Verkehr soll eng mit der Wirtschaft an der Erarbeitung von Richtlinien und Gesetzen arbeiten. Dabei geht es vor allem um den Einsatz von Drohnen (UAS, unmanned aircraft systems) und autonomen Fahrzeugen (UV, automated vehicles).
  • Das Ministerium f√ľr Verkehr sollte ein skalierbares System entwickeln, dass den Luftraum der Zukunft besser √ľberwachen kann – insbesondere individueller Personenverkehr in der Luft sowie Drohnen.
  • Die Wirtschaft soll die Ministerien zeitiger √ľber m√∂gliche Entwicklungen informieren, damit zeitnah Regeln und Gesetze angepasst werden k√∂nnen.
  • Sch√ľler sollen in den Schulen mehr √ľber das Thema Ethik bzgl. K√ľnstlicher Intelligenz lernen. Die Kinder sollen KI-affineren Unterricht bekommen und somit f√ľr den¬†bewussten Umgang ausgebildet werden.
  • Der Pr√§sident sollte¬†Richtlinien¬†aufstellen, die kl√§ren, wie die Verantwortlichkeiten bei automatischen und semi-automatischen Waffensystemen aussehen.
  • Welche Jobs und Arbeitspl√§tze potentiell gef√§hrdet sind, wurde nicht untersucht, sollten aber in einem zweiten Report gekl√§rt werden.

Der Report kann als als eine grobe Übersicht gesehen werden, die der Regierung helfen soll, sich initial mit dem Thema zu befassen. Aus dem Report geht auch hervor, dass weitere Untersuchungen notwendig sind. Während in den U.S.A. der KI-Ansatz eher einheitlich verstanden wird, beschränkt sich Deutschland dort meist auf die KI in der Wirtschaft.

Die Moral des Autonomen Fahrens

Die drei MIT-Forscher Iyad Rahwan, Jean-Francois Bonnefon und Azim Shariff haben ein Online-Experiment gestartet, dass sich mit den Konsequenzen des autonomen Fahrens beschäftigt. In ihrem Experiment entwerfen sie ein Szenario, in dem die Bremsen des Autos versagen.

Moral Machine. Quelle: moralmachine.mit.edu

Moral Machine. Quelle: moralmachine.mit.edu

Die User k√∂nnen dabei immer¬†aus zwei Szenarien w√§hlen. Welches √úbel w√§hlen sie dabei? Ist ihnen das Leben der Insassen oder das Leben der Fu√üg√§nger mehr Wert? Wie verh√§lt es sich, wenn die Fu√üg√§nger j√ľnger bzw. √§lter sind?

Diese und weitere Fragen werden in diesem Experiment beantwortet. Am Ende des Experiments kann man seine eigenen Ergebnisse mit den Ergebnissen der bisherigen User (im Mittel) vergleichen.

Hier gehts zur Moral Machine.




#science – Aktuelle Wissenschaft im Bereich der K√ľnstlichen Intelligenz

In dieser Rubrik m√∂chte ich in unregelm√§√üigen Abst√§nden aktuelle Publikationen im Bereich K√ľnstliche Ingelligenz kommentieren. Auch aus angrenzenden Bereichen und fach√ľbergreifenden Forschungsfeldern werden aktuelle Papers vorgestellt.

 

Practical Learning of Deep Gaussian Processes via Random Fourier Features

Cutajar et al. haben in ihrer Publikation versucht, Deep Gaussian Processes mit Random Fourier Features zu verheiraten und zeigen, dass sie damit praktische Klassifikations- und Regressionsaufgaben effizienter lösen können, als einige getestete Methoden, die dem Stand der Technik entsprechen.

 

Semi-Supervised Active Learning for Support Vector Machines: A Novel Approach that Exploits Structure Information in Data

Reitmaier et al. versuchen den Prozess des Active Learning (auch Optimal Experimental Design) anhand eines¬†Weighted Mahalanobis Kernels zu verbessern. Im Active Learning geht es darum, die notwendigen Datenquellen nach Informationen abzufragen, um eine Machine-Learning-Aufgabe zu l√∂sen (semi-supervised). F√ľr ihre Experimente nutzten sie die Daten-Sets MNIST und einige weitere Datenbanken.

 

Accelerate Monte Carlo Simulations with Restricted Boltzmann Machines

Die Monte-Carlo-Simulation ist weitverbreitet und sehr bekannt. Li Huang und Lei Wang haben in ihrer Publikation einen Weg gefunden, diese Art von Simulation mittels einer Boltzmann-Maschine zu beschleunigen. In ihren Experimenten konnten die Forscher zeigen, dass ihr Ansatz um mehrere Faktoren schneller ist als der State-of-the-Art.



[Forschung] Innovationen in der Medizin – Die Zukunft des Heilens

Klaus Schwab, Gr√ľnder des World Economic Forum, redet immer wieder von der 4. Industriellen Revolution (Fourth Industrial Revolution). Das diese Revolution nicht spurlos an der Medizin vorbeigehen wird, darum wird es in diesem Artikel gehen. Laut Schwab soll sich in der 4. Industriellen Revolution nicht nur die Art der Herstellung von G√ľtern und Dienstleistungen √§ndern, sondern auch die Sicht des Menschen auf sich selbst. Aber – was ist bisher schon Realit√§t geworden?

Chat-Bots

Welche Potenziale bietet die Medizin eigentlich, wenn es um mehr Effizienz geht? Einige! Nehmen wir beispielsweise das Themen: Feststellen/Diagnostizieren von Krankheiten sowie die patientengerechte Erkl√§rung der festgestellten¬†Krankheiten. Hier arbeiten Firmen wie Was hab’ ich? daran, Patientenbefunde in eine, f√ľr Laien, verst√§ndliche Sprache zu √ľbersetzen. Dieses Gesch√§ftsmodell k√∂nnte sich in naher Zukunft √§ndern, in dem man auf intelligente Bots setzt, die evidenzbasiert verschiedene Ausgaben nach, von Usern gemachten, Eingaben pr√§sentieren. Auch weitere Anwendungen w√§ren denkbar:

Quelle: tincture.io

Quelle: tincture.io

  • Beschwerden-/Anfrage-Management Die Patienten k√∂nnten ihre Anfragen an die √Ąrzte aufgeben, ihre Probleme beschreiben¬†und dadurch zu einem Arzt vermittelt werden, der Kapazit√§ten daf√ľr hat.
  • Terminfindung Nach dem √Ąrzte als Kandidaten gefunden wurden, k√∂nnte die Terminfindung ebenfalls via Chatbot erledigt werden.
  • Befunderkl√§rung im Dialog Die Erkl√§rung der Befunde kann durch einen Dialog oder ein Fragen-/Antwort-Schema abgedeckt werden. Dabei liegt der Fokus auf dem laienhaften Erkl√§ren der Sachverhalte.
  • Begleitung des Genesungsprozesses Dabei wird von Zeit zu Zeit der Prozess der Gesundung begleitet. So kann der¬†Arzt (auf Wunsch) oder das System immer wieder nachfragen¬†und Patienten an die Einnahme ¬†der Medikamente oder an die Durchf√ľhrung bestimmter Ma√ünahmen erinnern.
  • Bestellprozesse Auch das Bestellen und Nachbestellen von Medikamenten kann damit abgedeckt werden.

Nat√ľrlich k√∂nnen diese Anwendungen nur gebaut werden, wenn sich das Gesundheitssystem grundlegend √§ndert. Allerdings k√∂nnte man viele Prozesse effizienter gestalten, da nicht jeder potenzielle Patient direkt zum Arzt l√§uft und im Wartezimmer sitzt.

Es bleibt noch anzumerken, dass es sich hier nur um einen Average Case handelt. Im Fall von akuten Problemen bleibt nat√ľrlich weiterhin der Weg in die Notaufnahme ganz ohne App ;). Ein Verzeichnis aller existierender Chat-Bots f√ľr den Medizinbereich, kann man hier einsehen.
Babylon ist so eine App, die einige der angesprochenen Aufgaben bereits abdeckt. Das könnte der erste Schritt in diese Richtung sein.




 

NLP und Information Retrieval

Das Feld des Natural Language Processing (NLP, Verarbeitung nat√ľrlicher Sprache) soll √Ąrzten helfen, die richtige Behandlungsstrategie zu w√§hlen. IBM Watson tut dies auf der Grundlage vieler Daten des Patienten und vergleicht diese anonymisiert¬†mit den Daten anderer Patienten. Motiviert wird dies durch rund¬†1,5 Millionen Medikationsfehler in den USA. Der gro√üe Vorteil solcher Systeme ist, dass sie in k√ľrzester Zeit riesige Datenbanken durchsuchen sowie vergleichbare Patienten analysieren k√∂nnen. Dadurch k√∂nnen sie verschiedene Behandlungsmethoden sowie Konfidenzen f√ľr den Behandlungserfolg absch√§tzen.

Dabei sollen diese Systeme die √Ąrzte nicht entm√ľndigen. Viel eher sollen sie eine M√∂glichkeit geben, sehr viele

Quelle: IBM Medical Sieve (Investor Briefing)

Quelle: IBM Medical Sieve (Investor Briefing)

Datenmengen in k√ľrzester Zeit analysieren zu lassen und damit eine bessere und umfassendere Entscheidungsgrundlage zu bieten.

Einen weiterf√ľhrenden kognitiven Assistenten bietet IBM mit dem Projekt Medical Sieve. Auf der Projektseite zu diesem IBM-Projekt kann man folgendes √ľber das Forschungsprojekt lesen:

Medical Sieve is an ambitious long-term exploratory grand challenge project to build a next generation cognitive  assistant with advanced multimodal analytics, clinical knowledge and reasoning capabilities that is qualified to assist in clinical decision making in radiology and cardiology. It will exhibit a deep understanding of diseases and their interpretation in multiple modalities (X-ray, Ultrasound, CT, MRI, PET, Clinical text) covering various radiology and cardiology specialties.

DNA-Sequenzierung und Prävention

Die Firma Human Longevity Inc. bietet die Gen-Sequenzierung und die damit verbundene Pr√§vention von Krankheiten an. Das Ziel ist es, die Anf√§lligkeiten f√ľr¬†bestimmte Krankheiten am Genom zu erkennen.

Daf√ľr werden umfangreiche statistische Modelle und Erkenntnisse aus dem Human Genom Project verwendet. Mit dieser Technologie k√∂nnte man schon im Kindesalter bestimmte Pr√§ventionsma√ünahmen treffen und somit f√ľr eine bestimmte Anf√§lligkeit vorsorgen. Ob man diese Technologie allerdings einer breiten Patienten-Audienz verf√ľgbar macht (und machen kann) bleibt allerdings fraglich.

 

Round up

In diesem Artikel wurden keine Smart Watches und Fitness-Tracker behandelt. Diese gibt es auch – allerdings lag der Fokus auf Innovationen, welche etwas mehr Disruption in den Medizinbereich bringen k√∂nnen. Aktuell versuchen es sehr viele Startups und etablierte Firmen, einen Fu√ü in die T√ľr der Medizin-Zukunft zu bekommen. Dabei sind einige Ans√§tze sehr radikal und k√∂nnten – sollte es soweit kommen – viele √Ąnderungen mit sich bringen. Wie es uns die Geschichte gelehrt hat, wird es einen Mittelweg geben. Trotzdem ist die avantgardistische Arbeit vieler Firmen und Lobby-Verb√§nde wichtig, um die Entwicklung anzuf√ľhren.

Weiterf√ľhrende Links




[Forschung] Amazon Picking Challenge in Leipzig

Am Wochenende um den 30.6. bis 3.7 findet in Leipzig die Amazon Picking Challenge statt. 16 Internationale Hochschul-Teams stellen dabei Ansätze zur Automatisierung in der Logistik vor und kämpfen um eine Preisgeld von 80.000 USD. 2015 fand die Picking Challenge zum ersten Mal statt Рdamals in Seattle. Dabei fand die Challenge breite Zustimmung, wie Dave Clark (Senior Vice President) bestätigte. Diesmal kämpfen die Teams im Rahmen des RoboCups, der parallel in Leipzig stattfindet.

Die beiden Disziplinen sind das Best√ľcken von Regalen (stow) und das Bef√ľllen von Kisten aus Regalen (pick). Neben den beiden Disziplinen gibt es auch noch eine Ausstellung, in der der Besucher mehr √ľber Amazon und die Arbeit in den Logistikzentren erfahren kann.

 

UŐąber Amazon

Amazon.com oŐąffnete seine virtuellen Tore im Juli 1995. Das Unternehmen wird von vier Grundprinzipien geleitet: Fokus auf den Kunden statt auf den Wettbewerb, Leidenschaft fuŐąrs Erfinden, Verpflichtung zu operativer Exzellenz und langfristiges Denken. Kundenrezensionen, 1-Click Shopping, personalisierte Empfehlungen, Prime, Versand durch Amazon, AWS, Kindle Direct Publishing, Kindle, Fire Tablets, Fire TV, Amazon Echo und Alexa sind nur einige der Produkte und Services, fuŐąr die Amazon Pionierarbeit geleistet hat.

Buchempfehlung zum Thema

Robotics: Everything You Need to Know About Robotics from Beginner to Expert