Künstliche Intelligenz: Small Data als Chance für deutsche Wirtschaft
Foto: CC0 1.0, Pixabay / geralt | Ausschnitt bearbeitet
Europa ist bei der Entwicklung von KI-Anwendungen auf Basis von Big Data ins Hintertreffen geraten. Sowohl Forschung als auch die wirtschaftliche Verwertung von Massendaten werden durch die USA und China dominiert. Dies ist jedoch kein Grund für die deutsche Wirtschaft, den Kopf in den Sand zu stecken, denn die Nutzung von Small Data könnte datenschutzkonforme Innovationen ermöglichen.
Die Europäische Union setzt bei der Entwicklung der Künstlichen Intelligenz andere Akzente als die USA und China. Dies verdeutlicht sich beispielsweise durch das übergeordnete Ziel eines hohen Datenschutz-Standards, der in der Datenschutzgrundverordnung (DSGVO) zum Ausdruck kommt. Zudem wird an einem Rahmen gearbeitet, der eine ethische und rechtlich zulässige Anwendung von KI sicherstellt. Hierzu wurden als Teil der KI-Strategie der EU durch die High-Level Expert Group on Artificial Intelligence (AI HLEG) ethische Leitlinien für vertrauenswürdige KI ausgearbeitet.
Tech-Konzerne aus den USA und China liegen bei der wirtschaftlichen Nutzung auf Massendaten basierender Anwendungen derzeit unangefochten an der Spitze. Als Grund dafür wird von Wirtschaft und Politik oft auf die geringeren Datenschutz-Anforderungen verwiesen – auch im Bereich der Forschung. Doch lassen sich hohe Standards beim Datenschutz und Innovation wirklich nicht vereinbaren? Ein Beitrag des Büro für Technikfolgen-Abschätzungen (TAB) wirft einen Blick auf die Potenziale von Small Data. Demnach bietet die KI-Entwicklung mit Small Data durchaus die Chance.
Aus der Not eine Tugend machen
Innovationen im Bereich der Künstlichen Intelligenz ergeben sich vordergründig aus der Fähigkeit von KI-Anwendungen, menschliche Lern- und Denkprozesse zu simulieren. Hierbei kommt primär tiefes maschinelles Lernen, das sogenannte Deep Learning, zum Einsatz. Maschinelles Lernen (ML) steht für die Fähigkeit von Software, auf Basis erlernter Erfahrung und durch Ausprobieren selbst weiter zu lernen. Beim Deep Learning können unter Nutzung künstlicher neuronaler Netze sehr große, teils auch komplexe Datenmengen unstrukturierter Informationen (Big Data) analysiert und ausgewertet werden. Die Funktionsweise ist vom menschlichen Gehirn inspiriert und soll das System dazu befähigen, selbstständig Erlerntes fortlaufend mit neuen Inhalten zu verknüpfen.
Die für Deep Learning notwendigen Datenberge sind jedoch nicht immer vorhanden. In Deutschland trifft dies vor allem auf potenzielle KI-Anwendungen in zentralen Wirtschaftsbereichen wie Robotik, industrielle Produktion oder Medizin zu. Entweder verfügen Unternehmen schlichtweg nicht über die erforderlichen Datenmengen oder deren Erhebung und Verarbeitung ist rechtlich nicht zulässig. Hier kommt Small Data als Hoffnungsträger ins Spiel: Small Data steht für präzise Daten in einem Umfang und Format, welche sie leicht prozessfähig machen – kurzum das Gegenteil von Big Data. Spezielle Methoden des maschinellen Lernens können auch hier gewinnbringend eingesetzt werden, wodurch Small Data zu einem der zukünftigen Innovationsfelder werden kann.
Durch sogenanntes bestärkendes Lernen (Reinforcement Learning) kann beispielsweise in der Robotik das Greifen unterschiedlicher Objekte erlernt werden. Hierbei lernt der Algorithmus aus direkter Interaktion mit seiner Umgebung, indem das Programm für richtige Ergebnisse belohnt wird. Menschliches Lernen wird auch beim One-Shot- und Zero-Shot-Lernen nachgeahmt, bei dem Algorithmen auf Basis sehr weniger Beispiele oder nur einem Beispiel einer Kategorie lernen. Vielversprechend ist außerdem die Methode des Transferlernens. Hierbei wird auf die Ergebnisse eines bereits mit großen Datenmengen trainierten neuronalen Netzes zugegriffen. Der Vorteil liegt darin, dass geeignete Teilbereiche zur Bewältigung ähnlicher Aufgaben genutzt werden und diese potenziell auch mit weniger Daten auskommen.
Forschung und Innovationen fördern
Damit sich Deutschland im Bereich Small Data als Innovationsträger etablieren kann, sind ein paar Dinge zu beachten und Herausforderungen zu meistern. Zwar bergen die Methoden enormes Potenzial, jedoch können sich auch im Falle des Transferlernens ethische Risiken ergeben, betont die Expertin vom TAB. So könnten beispielsweise durch Unkenntnis über problematische Trainingsdaten eines neuronalen Netzwerkes ungewollte Diskriminierungen weiter reproduziert oder sogar gesteigert werden.
Darüber hinaus gibt es derzeit nur eine geringe Anzahl an Start-ups, die sich mit Dienstleistungen im Bereich Small Data befassen – auch Forschung und Entwicklung zu Small Data sind noch in einer frühen Phase. Wie es weitergeht, werde auch von der Gründungsdynamik hierzulande abhängig sein, wodurch Anreize notwendig werden. Ein erfolgreiches Beispiel für innovative „KI made in Germany“ bildet das deutsche Start-up audEERING, das sich auf die Emotionserkennung menschlicher Stimmen spezialisiert hat und dabei auf bereits bestehende neuronale Netze zurückgriff.
Bund und EU arbeiten an Datenstrategien
Die Bundesregierung hat die Förderung von Forschung und Entwicklung im Bereich Small Data zu einem Ziel ihrer KI-Strategie gemacht. „Neben Ansätzen der Steigerung der Menge datenschutzkonform nutzbarer Daten sind von strategischem Interesse insbesondere auch Methoden der datenschutzkonformen Nutzbarmachung kleinerer Datenmengen (’small data‘), die die Menge der für Training und Anwendung von KI-Systemen nötigen Daten reduziert“, heißt es darin. Darüber hinaus arbeiten Bundesregierung und EU-Kommission an Datenstrategien, deren Kernziel es ebenfalls ist, die Menge durch Unternehmen nutzbarerer Daten zu erhöhen. Beide Strategien sollen noch im ersten Quartal dieses Jahres beschlossen werden.
Empfehlung der Redaktion
Artikel teilen
Autor:in
