Jim Tung, Chief Strategist bei Mathworks, erklärt, warum bei der Entwicklung von KI mehr als nur intelligente Algorithmik zu beachten ist.

Bild: Mathworks

Drei weitere Anforderungen Warum KI mehr ist als intelligente Algorithmen

19.06.2019

Laut einem aktuellen Bericht des McKinsey Global Institute könnte Künstliche Intelligenz bis 2030 etwa 13 Billionen Dollar zur globalen Wirtschaftsleistung beitragen. Momentan haben viele Unternehmen jedoch noch Schwierigkeiten bei der Umsetzung von KI-Technologien. Jim Tung, Chief Strategist bei Mathworks, erklärt in einem Kommentar, wo die Probleme liegen und wieso es bei KI nicht nur auf intelligente Algorithmen ankommt.

Der von McKinsey angegebene Beitrag von KI zur globalen Wirtschaftsleistung entspräche einem zusätzlichen jährlichen Wachstum von 1,2 Prozent des weltweiten BIP. Das wäre deutlich mehr als das Wachstum von 0,3 Prozent, das die Dampfmaschine mit sich brachte und damals den Beginn der industriellen Revolution einläutete.

Trotz dieses Potenzials steckt Künstliche Intelligenz noch in den Kinderschuhen. Beispiele von Unternehmen, die bei der Implementierung von KI für ihre Produkte und Dienstleistungen Herausforderungen gegenüberstehen, findet man genügend. Dafür gibt es zahlreiche Gründe.

Drei weitere Is

Grundsätzlich lässt sich sagen, dass sich zu viele Mitwirkende nur auf die KI-Algorithmen konzentrieren. Vielmehr gibt es drei weitere Anforderungen (oder drei weitere Is, wenn Sie so wollen), um mit Künstlicher Intelligenz erfolgreich zu sein:

  • das Erkennen und Nutzen von Insights, also Einsichten und Wissen von Experten in Anwendungen, in denen KI verwendet werden soll.

  • Tools zur Handhabung der Implementierungsdetails im gesamten Designworkflow, nicht nur im KI-Bereich

  • die Sicherstellung einer effektiven Interaktion zwischen KI und anderen Systemen in ihrer Umgebung, einschließlich der Menschen

Praxisbeispiel: Energieverbrauch in Gebäuden senken

Zur Veranschaulichung dieser drei Anforderungen für die Erstellung einer erfolgreichen KI dient hier das Beispiel BuildingIQ. BuildingIQ verwendet Matlab als Teil eines cloudbasierten Systems für die Optimierung des Energieverbrauchs der HLK-Anlagen (Heizung, Lüftung, Klima) eines Gebäudes.

Das System streamt Daten aus externen Quellen, wie beispielsweise Wettervorhersagen und Prognosen für Energiepreise, und nutzt diese Daten, um die Kosten für zugekaufte Energie mit einem Vorhersagehorizont von 12 h immer wieder zu minimieren. Mit diesem Ansatz reduziert BuildingIQ die Energiekosten für Gebäude um zehn bis 25 Prozent.

Insights: Expertenwissen einbringen

Kommen wir auf das erste I zurück: Insights, also Einblicke. Dabei geht es um das, was Ingenieure und Wissenschaftler in die KI einbringen, nicht das, was die KI ihnen bringt. Entwickler nutzen diese Insights bei der Auswahl von Daten, bei der Abwägung von Kompromissen und der Auswertung von Ergebnissen.

Bei der Entwicklung einer KI ist es wichtig, dass die Tools, die man dabei nutzt, diese Erkenntnisse als einen integralen Bestandteil der Lösung einbeziehen. BuildingIQ tut dies, indem es Daten herausfiltert, Pole und Nullstellen der Systemmodelle betrachtet und nichtlineare Optimierungen durchführt, sodass solide und sinnvolle Daten in den KI-Algorithmus eingehen und herauskommen.

Implementierung: Das gesamte System betrachten

Die Implementierung muss das gesamte System umfassen, nicht nur die KI-Komponente. Für Forscher bedeutet das, dass man Tests durchführen, Daten analysieren und Berichte verfassen muss.

Baut man hingegen ein Auto, geht es mehr um die Erfassung von Anforderungen, Modellierung und Simulation sowie Verifizierung und Validierung. Erstellt man ein System zur Optimierung von Prozessen (wie bei BuildingIQ), geht es darum, alle notwendigen Daten zu streamen und zu konsolidieren, die KI mit Optimierungs- und Steuerungsfunktionen zu verbinden und damit die (HLK-)Steuerungssysteme zu betreiben.

Interaktion: Zusammenarbeit mit anderen Systemen und Menschen

Die dritte Anforderung – Interaktion – ist es, sicherzustellen, dass KI effektiv mit der Umgebung und komplexen menschlichen Arbeitsabläufen interagiert. Dies kann je nach Branche und Anwendung unterschiedliche Dinge bedeuten.

Zum Beispiel kann KI in einem Auto Unfälle vermeiden, muss dies aber möglichst unmerklich tun, um sicherzustellen, dass die Fahrer trotz der automatisierten Eingriffe ein angenehmes Fahrerlebnis haben. In dem Beispiel für Heizung/Lüftung/Klima bietet BuildingIQ eine mobile App, die Informationen bereitstellt und die Flexibilität bietet, Betriebsparameter für mehr individuellen Komfort anzupassen.

Fazit: KI muss im Gesamtzusammenhang betrachtet werden

Erfolgreiche KI-Anwendungen erfordern mehr als nur die Entwicklung und Nutzung intelligenter Algorithmen. Erkenntnisse von Fachleuten müssen eingebracht werden, die KI in einen kompletten Systementwicklungs-Workflow implementieren und sicherstellen, dass KI mit ihrer Umgebung vernünftig interagieren kann.

Mit diesem Ansatz bringt die Anwendung von KI viele Vorteile für die Lösung verschiedenster Problemstellungen – auch für die Umsetzung eigener Projekte. Mit Tools wie Matlab und Simulink, die Datenanalyse und Engineering kombinieren, ist es möglich, KI-basierte Systeme erfolgreich zu entwickeln.

Zusatz

Dieser Kommentar ist ein Einblick in die Keynote-Session „Beyond the "I" in AI: Insight. Implementation. Integration.“ von Jim Tung, die er auf der Matlab Expo am 2. Juli 2019 in München halten wird. Das gesamte Konferenzprogramm finden Sie hier.

Firmen zu diesem Artikel
Verwandte Artikel