Weshalb die Künstliche Intelligenz derart boomt

Diese vier Faktoren haben die Forschung am Schnittpunkt zwischen Mensch und Maschine massiv beschleunigt – und werden das weiter tun.

Matthias Halbeis

30. Oktober 2020|Matthias Halbeis|Wirtschaft

Nicht mehr nur Zukunftsmusik: Die bessere Zugänglichkeit zu grossen Datensätzen hat die Entwicklung von AI-Technologien entscheidend vorangebracht, die etwa die automatische Erkennung von Fahrzeugen möglich macht. (Foto: Shutterstock)

Die Entwicklung von Artificial Intelligence AI (künstliche Intelligenz) ist kein neues Konzept. Die Idee hinter einer Verknüpfung von Mensch und Maschine beschäftigt seit den 1980er-Jahren Denker und Technologen. Nach einem vorübergehenden Rückschlag, insbesondere durch den Mangel an Aufmerksamkeit und Finanzierung, werden seit der Jahrtausendwende jährlich Milliarden von Dollar in Forschung und Entwicklung investiert. Vor allem die Fortschritte bei den Hard- und Softwareprogrammen und die Innovation von Cloud-Verarbeitung und Rechenleistung haben der Entwicklung von AI einen unglaublichen Schub verschafft. Hier sind vier Faktoren, die zum Wachstum der künstlichen Intelligenz beigetragen haben und das auch weiter tun werden.

Verfügbarkeit von enormen Datenmengen

Die Innovation der Cloud-Speicherung hat den einfachen Zugriff auf ansonsten gesperrte Daten ermöglicht. Sie wären sonst der Öffentlichkeit nicht zugänglich gemacht worden. Bevor die Cloud-Speicherung zum Mainstream wurde, war der Zugriff auf Daten eine kostspielige Angelegenheit selbst für Datenwissenschaftler. Wer Daten für die Forschung benötigt, musste finanzkräftig sein. Aber jetzt machen Regierungen, Forschungsinstitute und Unternehmen Daten zugänglich, die früher auf Bandkassetten und Magnetplatten gespeichert waren. Um Modelle für Maschinelles Lernen (ML), einer Disziplin von AI, zu trainieren, benötigen Datenwissenschaftler jedoch spezifische Daten für Präzision und Effizienz. Dank der leichten Verfügbarkeit von Daten haben Forschungseinrichtungen jetzt die Möglichkeit, ML-Modelle zu trainieren, um komplexe Probleme mit den ihnen zur Verfügung stehenden Daten zu lösen.

Fortschritt bei Innovationen

Durch die Innovation einer neuen Generation von Prozessoren wie der Graphics Processing Unit (GPU), die den Schulungsprozess von ML-Modellen unterstützt, ist die Technologie nun auf dem neuesten Stand. Die GPU wird mit Tausenden von Computer-Kernen geliefert, um das Training von ML-Modellen zu unterstützen. Von Verbrauchergeräten bis hin zu virtuellen Maschinen in der öffentlichen Cloud – leistungsfähige GPUs sind für die Zukunft der künstlichen Intelligenz zentral. Eine weitere Innovation, die das Vorankommen der künstlichen Intelligenz fördert, ist das Field-Programmable-Gate-Array. Bei dem FPGA handelt es sich um programmierbare Prozessoren, die für eine bestimmte Art von Rechenarbeit wie das Training von ML-Modellen massgeschneidert sind. Herkömmliche GPUs sind für allgemeine Zwecke konzipiert, aber FPGAs können nach ihrer Herstellung spezifisch programmiert werden. Darüber hinaus treibt die einfache Verfügbarkeit von Bare-Metal-Servern in der Public Cloud Datenwissenschaftler zur Ausführung von Hochleistungs-Computing-Aufgaben.

Fortschritt durch Deep Learning

Deep Learning ist eine Art Kurs für AI, der es Systemen ermöglicht, Muster aus Daten zu lernen und anschliessend ihre Erfahrung zu verbessern. Deep Learning und künstliche neuronale Netze sind der wesentliche Teil des Wachstums der künstlichen Intelligenz. Künstliche neuronale Netze werden entwickelt, um das menschliche Gehirn zu imitieren, und können auf Tausenden von Computer-Kernen trainiert werden. Dies soll den Prozess der Generalisierung von Lernmodellen beschleunigen. Künstliche neuronale Netze ersetzen traditionelle Modelle des maschinellen Lernens. Innovative Computertechnologien revolutionieren die Bildverarbeitung. Die laufende Forschung auf dem Gebiet der computergestützten Bilderkennung wird in der Gesundheitsfürsorge mit AI und in anderen Bereichen wichtig werden. Das Aufkommen von ML-Techniken wird folglich die Art und Weise verändern, wie ML-Modelle trainiert und eingesetzt werden. Sie werden in der Lage sein, Daten zu sammeln, die bei der Problemlösung und Datenanalyse präzise sind, um genaue Vorhersagen und Ergebnisse zu liefern.

Wettbewerb fördert Effizienz und Interessen

Mit maschinellem Lernen und Deep Learning können AI-Anwendungen Daten beschaffen und neue Informationen analysieren, die für Organisationen und Branchen gleichermassen von Vorteil sein können. Dies führt zu einer Rivalität zwischen Organisationen, die Effizienz wünschen. Und diese Wettbewerbsvorteile haben das Wachstum der künstlichen Intelligenz beschleunigt, da die Unternehmen gerne einen Vorsprung voreinander hätten. Finanzielle Impulse durch die Mehrheit der grossen Unternehmen haben zu einem raschen Interesse an AI-Technologie und -Entwicklung geführt.