Warum KI und ML gerade jetzt?

Warum maschinelles Lernen (Machine Learning) und künstliche Intelligenz gerade jetzt?

Obwohl es maschinelles Lernen schon seit vielen Jahrzehnten gibt, haben sich die Methoden erst in den letzten Jahren durchgesetzt. Dafür gibt es eine multifaktorielle Erklärung:

1. Verfügbarkeit von Daten. Noch vor wenigen Jahren gab es diese Daten nicht. Patientenakten existierten nur in Papierform, auf Webseiten wurden kaum Besucherstatistiken erhoben, Mobiltelefone speicherten keine Daten usw. Heute werden ungeheure Datenmengen gespeichert und strukturiert. Ihr Computer bzw. Ihr Mobiltelefon hat bereits gespeichert, wie lange Sie auf dieser Seite verbracht haben, wo Sie sich gerade befinden, welche Seiten Sie heute aufgerufen haben, welche Suchbegriffe Sie bei Google eingegeben haben usw. Zudem haben die meisten Organisationen erst jetzt erkannt, dass Daten zu ihren wertvollsten Gütern gehören. Für ein Unternehmen kann die richtige Nutzung von Daten den Unterschied zwischen Insolvenz und Börsengang ausmachen. Für eine Forscherin oder einen Forscher kann die richtige Nutzung von Daten zu sensationellen Entdeckungen führen. Daten sind heute Gold wert, und es stehen unvorstellbare Datenmengen zur Verfügung.
2. Speicherung von Daten. Die Strukturierung und Speicherung von Daten ist kompliziert. Diese Technologie hat sich in den vergangenen Jahrzehnten rasant entwickelt. Speicherkapazität, Geschwindigkeit und Zugriff auf Datenbanken haben lawinenartig zugenommen.
3. Hardware. In einem Computer finden die Berechnungen im Prozessor statt. Neben dem Prozessor verfügt der Computer auch über einen Arbeitsspeicher. Die Geschwindigkeit von Prozessoren hat sich seit 1970 alle zwei Jahre verdoppelt (diese Verdopplung der Geschwindigkeit alle zwei Jahre wird als Mooresches Gesetz bezeichnet).
4. Verbesserte Algorithmen. Es gibt viele verschiedene Methoden des maschinellen Lernens. Auch wenn die Prinzipien des maschinellen Lernens heute ähnlich aussehen wie vor 50 Jahren, wurden die Algorithmen im Laufe der Jahre erheblich optimiert. Zahlreiche geniale Verbesserungen wurden entwickelt, eine davon ist die Backpropagation. Backpropagation ist ein Mechanismus, durch den das maschinelle Lernen das Modell automatisch anpasst und kalibriert.
5. Demokratisierung der KI. Vor zehn Jahren konnten nur größere Organisationen KI entwickeln und einsetzen. Heute kann jede und jeder mit einem gewöhnlichen PC und eher geringen Programmierkenntnissen KI nutzen.

Die Bedeutung der Grafikkarten

Die Computerspielbranche ist riesig. Millionen von Kindern und Erwachsenen spielen Computerspiele, und im Laufe der Jahre sind diese Spiele immer realistischer und damit technisch anspruchsvoller geworden. Große Unternehmen wie NVIDIA und AMD investieren Milliarden Dollar in die Entwicklung und Verbesserung von Grafikkarten, wodurch es jedem möglich wurde, Computerspiele mit beeindruckender Grafik zu spielen. Eine Grafikkarte ist tatsächlich ebenfalls eine Art Prozessor, und es zeigte sich, dass Grafikkarten hervorragend für mathematische Berechnungen geeignet sind, insbesondere für Machine Learning. Deshalb begannen die Hersteller, Grafikkarten und Software so anzupassen, dass sie auch für Machine Learning eingesetzt werden können. Darüber hinaus wurde es möglich, viele Grafikkarten miteinander zu verbinden und so ihre gemeinsame Leistung parallel zu nutzen (die Berechnungen lassen sich also auf mehrere Grafikkarten verteilen und dadurch erheblich beschleunigen).

Heute kostet die Grafikkarte NVIDIA Titan X etwa 10000 SEK, und mit dieser Karte kann jeder 6,6 TFLOPS erreichen, was einer Rechenleistung von 6,6 Billionen Rechenoperationen pro Sekunde entspricht (etwa 400-mal mehr als der Prozessor eines leistungsstarken PCs). Diese Leistung reicht aus, um beeindruckende künstliche Intelligenz zu entwickeln.

Heute ist es nicht ungewöhnlich, dass Unternehmen und Organisationen über eine eigene Infrastruktur verfügen, in der Hunderte von Grafikkarten zusammengeschaltet sind. Cloud-Dienste von Amazon AWS, Google Cloud Computing und Microsoft Azure ermöglichen es zudem jedem, Rechenzentren mit enormer Rechenkapazität zu nutzen.

Der englische Begriff für den Grafikprozessor lautet GPU (Graphical Processing Unit), für den gewöhnlichen Prozessor CPU (Central Processing Unit).

KI steckt noch in den Kinderschuhen

Heute ist die Abkürzung KI allgegenwärtig. Kluge und weitsichtige Menschen sind inzwischen der Ansicht, dass die Mehrheit der Bürgerinnen und Bürger einen Kurs in KI belegen sollte. Das ist recht überraschend, denn vor zehn Jahren sprach niemand über KI. Im Jahr 2010 wurden neuronale Netze (die heute dominierende Form der KI, die später besprochen wird) noch relativ vernachlässigt, doch einige Forschungsgruppen versuchten beharrlich, sie zur Interpretation von Bildern einzusetzen. Geoffrey Hinton, Yoshua Bengio und Yann LeCun erzielten im Jahr 2010 mehrere bahnbrechende Fortschritte. Dan Ciresan demonstrierte 2011 ein neuronales Netz, das Bilder mit beeindruckender Präzision interpretieren konnte. 2012 gewannen Hinton und Krizhevsky den jährlichen ImageNet-Wettbewerb mit einem neuronalen Netz, das die Bilder in 83,6 % der Fälle korrekt interpretierte. Seitdem dominieren neuronale Netze das Feld der Computer Vision vollständig, also der KI, die Bilder und Videos interpretiert. Nach und nach hat sich zudem gezeigt, dass neuronale Netze tatsächlich bei allen perzeptuellen Aufgaben funktionieren, d. h. bei Aufgaben, bei denen Ton, Bild, Video, Text und andere Signale interpretiert werden.