Ich interessiere mich für künstliche Intelligenz…

Unter künstlicher Intelligenz versteht man sämtliche Anwendungen, bei denen Maschinen menschliche kognitive Funktionen wie z. B. Lernen und Problemlösung imitieren. Ursprünglich auf die Ausführung von Anweisungen beschränkt, können Maschinen heutzutage Muster erkennen sowie auf der Grundlage riesiger Datenmengen selbstständig lernen, um Vorhersagen zu treffen und dementsprechend zu handeln. Die zunehmende Autonomie von auf Deep Learning basierenden Systemen, die Leistungsfähigkeit dieser Tools und ihre mittlerweile vorherrschende Stellung in unserer Gesellschaft erfordern jedoch eine erhöhte Aufmerksamkeit bei deren Konzeption. So müssen Informatik- bzw. Kommunikationssystemingenieurinnen und -ingenieure die Begrenzung der sich aus den eingespeisten Datensätzen ergebenden Verzerrungen sicherstellen, dafür sorgen, dass diese Mechanismen nicht zu Manipulationszwecken missbraucht werden, und – falls nötig – die betreffenden Algorithmen korrigieren.

Lineare Algebra, Vektoranalyse, analytische Geometrie oder auch Statistik: Machine Learning beruht auf zahlreichen mathematischen Werkzeugen. Zwar ist in diesem Bereich ein Aufschwung zu verzeichnen, jedoch sind die ihm zugrunde liegenden Theorien noch weitgehend ungeklärt, weshalb sich zahlreiche mathematische Forschungsprojekte auf dieses Thema konzentrieren. Parallel dazu stützen sich viele Wissenschaftlerinnen und Wissenschaftler auf künstliche Intelligenz, um ihre eigene Forschung voranzutreiben. Chemikerinnen und Chemiker entwickeln neue Moleküle mithilfe von computergestützten Vorhersagen, während automatische Bildanalysen auf der Grundlage von Machine Learning die Arbeit von Physikerinnen und Physikern auf der Suche nach Gravitationslinsen erleichtern.

Die beim Deep Learning verwendeten, ursprünglich vom menschlichen Gehirn inspirierten neuronalen Netzwerke ermöglichen inzwischen eine bessere Erforschung von dessen Aufbau und Funktionsweise. Die Arbeit an Lernprozessen für Maschinen verdichtet ebenso das Verständnis unserer eigenen kognitiven Fertigkeiten sowie unserer Fähigkeit, neue Aufgaben zu bewältigen. Darüber hinaus hat Machine Learning im medizinischen Bereich grosse Fortschritte bei der Bildanalyse und der Vorhersage ermöglicht: Mit riesigen Datenmengen gespeist, können Maschinen Ärztinnen und Ärzte bei der Diagnosestellung unterstützen, Details aufzeigen, um Krankheiten frühzeitig zu erkennen, oder personalisierte Behandlungsmethoden vorschlagen.

Die Fortschritte in der Bildanalyse und -klassifizierung ermöglichen mittlerweile die automatische Extraktion georäumlicher Informationen, um umwelt- und raumbezogene Vorhersagen zu treffen. Zudem ist die Entwicklung autonomer Fahrzeuge eine der meistgenannten Herausforderungen, wenn von künstlicher Intelligenz die Rede ist. Jedoch müssen sich auch die Infrastrukturen weiterentwickeln, um diese Fahrzeuge einbinden und ihr Zusammenleben mit anderen Verkehrsteilnehmenden ermöglichen zu können. Autonome Busse, Robotertaxis und Radfahrende müssen miteinander kommunizieren, einander verstehen und sicher navigieren können. In den Städten der Zukunft sind Maschinen zudem in der Lage, Energiesynergien aufzuspüren und zu nutzen, während sie mithilfe des generativen Designs – einer iterativen Methode, die unter Einhaltung festgelegter Auflagen die Prüfung zahlreicher Konzepte ermöglicht – neue, an unsere Bedürfnisse angepasste Wohnformen vorschlagen.

Ob nun humanoide Roboter oder autonome Fahrzeuge, künstliche Intelligenz zielt stets darauf ab, ihnen die Fähigkeit zu verleihen, ihre Umgebung wahrzunehmen und zu verstehen sowie zu lernen und dementsprechend zu handeln. Obwohl Maschinen Analysen mit unübertroffener Präzision und Geschwindigkeit durchführen, sind sie nach wie vor zahlreichen Wahrnehmungsproblemen (Sonnenreflexe, Nebel oder auch starker Schneefall) ausgesetzt und haben noch immer Schwierigkeiten bei der Interpretation von Gesichtsausdrücken und menschlichen Verhaltensweisen, welche mitunter an lokale Sitten und Gebräuche gebunden sind. In einem industriellen Rahmen leistet die Nutzung von Machine Learning jedoch einen erheblichen Beitrag zur Entwicklung neuer Produktionsverfahren, welche den Ressourceneinsatz rationalisieren und die Arbeit an den vielversprechendsten Designs sowie die Durchführung vorbeugender Wartungen ermöglichen.