Analyse: Künstliche Intelligenz erkennt verborgene Muster

Erst KI macht Big Data nutzbar. Überall dort, wo große Mengen an Daten vorhanden sind, wird KI zum zentralen Tool, um diesen Daten ihre Geheimnisse zu entlocken. Ein Beispiel dafür, wie KI große Datenmengen nutzbar machen kann, ist der Agrarsektor. Heute kann beispielsweise die Gesundheit von Milchkühen mit Mikrochips überwacht werden: Ständig erfasste Daten werden mittels KI-Systemen ausgewertet, um Brunftzeit und Krankheiten sofort registrieren zu können (vgl. innocow.de).  

Auch beim Anbau von Obst und Gemüse gibt es bereits Technologien, die das Gedeihen von Pflanzen messen und eigenständig die Wasser-, Licht- und Nährstoffversorgung steuern. So hat das Start-up Infarm eine Vertical-Farming-Technologie entwickelt, in der alle Prozesse automatisiert sind und sich selbst optimieren. Die Kunden, vor allem Restaurants und Supermärkte, erhalten so ihre eigene Indoor-Farm und müssen nichts weiter tun als säen und ernten. Das Indoor-Farming-System ist so ausgeklügelt, dass bereits minimale Anpassungen des Lichtspektrums den Nährstoffgehalt oder den Geschmack der Pflanzen gezielt beeinflussen können (vgl. infarm.com). 

Große KI-Hoffnungen werden auch in der Gesundheitsbranche gehegt: Gesundheitsdaten sind ein klassisches Big-Data-Thema, und durch Wearables, E-Health, Telemedizin und den Quantify-Yourself-Trend entstehen immer neue Datenberge rund um das einzelne Individuum – so lässt sich etwa der eigene Herzschlag mit der Apple Watch überwachen. KI könnte als Diagnosehelfer all diese Körper- und Gesundheitsdaten durchkämmen, abgleichen und so sogar frühzeitig Krankheiten oder Krankheitsverläufe prognostizieren und die Betroffenen warnen. Als besonders vielversprechend gilt hier IBMs KI Watson, die im medizinischen Kontext bereits vielfach erprobt wurde. Doch warum lassen bahnbrechende Fortschritte weiterhin auf sich warten? 

KI braucht Datenstandards 

Im Deutschen Krebsforschungszentrum (DKFZ) in Heidelberg sollte Watson passgenaue Therapien aus einer Unmenge ärztlicher Befunde ableiten. Auch im MD Anderson Cancer Center in Houston, Texas, sollte Watson aus Patientendaten optimierte Therapien ableiten, rund 60 Millionen Dollar flossen in das Projekt. Das Scheitern beider Vorhaben zeigt deutlich, wo die Hürden in der Zusammenarbeit mit KI liegen: Damit die klugen Algorithmen greifen können, braucht es vor allem eines – gute Daten. Der Gesundheitssektor ist nur ein Beispiel von vielen, das zeigt, wie leicht es ist, diese wichtigste Grundvoraussetzung zu übersehen: Die Projekte in Heidelberg und Houston scheiterten an nicht standardisierter oder sogar handschriftlicher Dokumentation – und nicht zuletzt an banalen Dingen wie Grammatik- oder Rechtschreibfehlern. 

Erst wenn große Mengen an standardisierten Daten vorliegen, kann ein KI-System wirklich hilfreich sein. So übertraf ein neuronales Netzwerk einer Forschergruppe der Stanford University, das mit mehr als 100.000 Bildern von Leberflecken trainiert wurde, selbst erfahrene Dermatologen in der Diagnose (vgl. Esteva et al. 2017). Und ein neuronales Netzwerk einer Forschergruppe der Harvard University identifizierte auf Röntgenbildern genauso gut Brustkrebs wie geübte Radiologen (vgl. Honey 2019). Entscheidend für beide Erfolge war das Vorhandensein großer Mengen standardisierter Daten.  

Diagnose- und Therapiemöglichkeiten werden sich künftig durch KI deutlich verbessern – und damit auch unsere Lebensqualität. Kein Arzt kann so große Mengen an Daten durchforsten wie eine KI, keine Medizinerin so umfangreiches Wissen in Entscheidungen miteinbeziehen. Überflüssig werden Ärztinnen und Ärzte jedoch auch mit der fortschrittlichsten KI nicht. Denn die Systeme sind stets auf PartnerInnen angewiesen, die sie mit den richtigen Fragen füttern und ihre Ergebnisse kontrollieren. KI kann nur als Entlastung und Unterstützung für medizinisches Personal funktionieren – ersetzen kann sie dieses nicht. Nicht zuletzt, weil ihnen eine urmenschliche Fähigkeit fehlt, die für das Heilen von Kranken ganz entscheidend ist: Empathie. 

Ähnliches gilt für den Handel: Auch hier kann KI durch die Auswertung großer Datenmengen wichtige Muster ans Licht bringen, die zur optimalen Warenbewirtschaftung beitragen. Gerade im Lebensmittelhandel, wo Frischeprodukte gefragt sind, kann KI effektiv helfen, Lieferketten, Prozesse und Bestände zu optimieren. Auch hier bedeutet der Einsatz von KI, dass Berufsbilder sich verändern: Verkäuferinnen und Vertriebler werden sich künftig weniger mit Prozessoptimierung beschäftigen – und mehr Kapazitäten haben für die zwischenmenschlichen Aspekte ihrer Arbeit, für Beratung und die Gewinnung und Bindung von Kundinnen und Kunden. Einem echten Durchbruch von KI – das gilt für jede Branche – muss eine echte Digitalisierung vorausgehen.  

Wo steht KI heute und wohin entwickelt sie sich? Richard Socher, Chief Scientist bei Salesforce, der MetaMind gründete, eine Deep-Learning-KI-Plattform, die Bild- und Textdaten analysiert, beschriftet und Vorhersagen trifft. In seinem Vortrag geht es um den aktuellen Stand der Forschung und die Zukunft der KI.