von Isabella Pridat-Zapp

Mark Jeffries, Keynote Speaker, erklärt, IBM habe sie wegen der Virus Pandemie schon verfügbar gemacht, obwohl sich einige der Features noch in einem frühen Entwicklungsstadium, respektive in Testläufen befanden. Saška Mojsilovic, IBM Fellow, Head of Trustworthy AI & Co-Director, Science for Social Good, IBM Research, gewährt in ihrem Vortrag einen Rückblick auf die Anfänge von Science for Social Good und beschreibt, wie durch ein kleines Projekt während der Ebola-Krise offenbar wurde, dass nur ein umfassenderes und langfristiges Engagement zum Erfolg führen kann. Es folgten viele wichtige und interessante Projecte.

IBM Research hat heute 12 Laboratorien weltweit und beschäftigt über dreitausend Wissenschaftler und Ingenieure. Eine Gruppe in IBM Research beschloss seinerzeit, diesen Talentpool zu nutzen und auf eine mehr formalisierte Art Gutes zu tun. So entstand das Projekt IBM Science for Social Good, das mit NGOs, öffentlichen Stellen und sozialen Einrichtungen zusammenarbeitet. Das IBM-Team informiert sich zunächst einmal, woran diese potentiellen Partner arbeiten und welche Herausforderungen sie dabei meistern müssen. Es identifiziert die Probleme, die durch eine technologische Lösung behoben werden können. So entsteht dann die Zusammenarbeit mit diesen Organisationen, um die Projekte zu definieren und in Angriff zu ­nehmen.

Interessanterweise ging es bei dem ersten Projekt um die Zika-Epidemie. Die IBM Wissenschaftler bildeten mit Wissenschaftlern des Cary Institute for Ecosystem Studies ein Team. Diese Gruppe der Cary Wissenschaftler sucht nach neuen Krankheiten und versucht sie zu verstehen. Das Cary Institute ist eine non-Profit Organisation und beschäftigt Experten für Umwelt und Krankheiten, urbane Ökologie, Frischwasser Ökologie, Lebenmittelbeschaffung und Waldgesundheit. Die IBM Wissenschaftler entschieden sich für die ­Zusammenarbeit mit diesem Institut, da neu ­entstehende globale Epidemien einen völlig neuen ­Ansatz erfordern. Die Cary Wissenschaftler bestätigten, dass die meisten neuen Krankheiten aus dem Tierreich stammen und von diesen auf den Menschen übertragen werden, ohne dass die jeweiligen Tiere erkranken, ­genauso wie eine Tigermücke nicht krank wird wenn sie Dengue weitergibt. siehe Abbildung 1
Allerdings wissen wir in sehr vielen Fällen, wie auch bei Zika, nicht welche Tiere die Krankheitsüberträger sind. Das IBM-Team konnte die Daten des Cary Institutes für ein Machine Learning Projekt nutzen. Das Ziel war, weltweit die Tiere einzugrenzen, die Träger des Zika Virus sein könnten. Die Zusammenarbeit war recht erfolgreich und es gelang weltweit einige neue Tierarten zu identifizieren, die hierfür infrage ­kamen. Unter anderem resultierte daraus eine Karte der ­Risikogebiete. siehe Abbildung 2

Auf dieser Grundlage können die Risikogebiete für eine bestimmte Krankheit mit einem Wahrscheinlichkeitsfaktor belegt werden und die entsprechenden Tierarten können auch überwacht werden, um einen überraschenden Ausbruch beim Menschen vorherzusagen und möglichst zu verhindern.

Dies war das erste Projekt vor circa sechs Jahren und inzwischen gibt es viele weitere Projekte. Es handelt sich um sehr schöne Projekte:

So half IBM Science for Social Good blinden Menschen oder Analphabeten, sich in der Welt besser ­zurechtzufinden. Das IBM-Team fand heraus, wie ML für bessere politische Entscheidungen genutzt werden kann oder wie Lebensmittelbevorratung durch Cognitive Supply Chains verbessert werden kann.

siehe Abbildung 3

In Zusammenarbeit mit Watson Health konnte IBM Science for Social Good ein erstes ML-Modell erstellen, das ein Netzwerk von kausalen Zusammenhängen identifiziert, aus dem hervorgeht, welche Menschen am ehesten zu einer Opiat-Abhängigkeit neigen und ­welche Verschreibungspraktiken eine solche Abhängigkeit begünstigen – das ist ein großes Problem in den USA. Nun können die den ärztlichen Verschreibungen zugrundeliegenden Vorschriften zum Schutz der ­Patienten neu definiert werden.

Ein weiteres Beispiel sind vorhandene und genehmigte Medikamente, die zusätzlich im Kampf gegen Krebs wirksam eingesetzt werden können. Die IBM Wissenschaftler arbeiteten mit einem Projekt namens Cures-within-Reach zusammen. Hierzu wurden NLP-Modelle eingesetzt (Natural Language Processing). Diese “sichteten” große Mengen medizinischer Literatur, um generische Medikamente zu identifizieren, die auch zur Bekämpfung von Krebserkrankungen funktionieren. Siehe Abbildung 4 für weitere Beispiele.

Jedes dieser Probleme kann natürlich nicht auf ­einen Schlag gelöst werden. In kleinen Schritten schafft ­Science for Social Good Lösungsbausteine, die auch für etwas andere Szenarien wiederverwendbar sind.
Allgemein bekannt sind heute andere Arten, die ­Fähigkeiten von Künstlicher Intelligenz einzusetzen, wie zum Beispiel Remodellierung: Gesichter, Bilder, Fake News – siehe Abbildung 5

Zu diesem Aspekt suchten die IBM Wissenschaftler nach etwas nützlicheren Einsatzmöglichkeiten. Ihr Ziel waren Modelle, die neue Moleküle, neue Medikamente und neue Zutaten finden könnten, um die sehr langwierigen und kostspieligen R&D Prozesse im ­medizinischen Bereich zu verkürzen. Wie aus der Weltkarte der WHO hervorgeht, wird Antibiotika-Resistenz bis zum Jahr 2050 zu der häufigsten Todesursache der Welt werden. Die Suche nach neuen Antibiotika ist langwierig und sehr kostenintensiv. IBM Science for Social Good hat sich daher ungefähr 2 Jahre lang damit befasst, Peptide zu finden, die anti-mikrobiale Eigenschaften haben. Die grüne Helix auf Abbildung 6 zeigt das erste von den IBM Wissenschaftlern geschaffene Peptid und es funktioniert sehr gut.

 

Während der aktuellen Pandemie haben die Wissenschaftler natürlich sofort überlegt, ob dieser Peptid-Algorithmus so verändert werden kann, dass er für das neue Szenario anwendbar ist – das gelang schnell. So entstand schließlich eine Tabelle circa 3000 neuer Moleküle, die bei der Medikamentenentwicklung verwendet werden können. Diese Forschungsergebnisse wurden im Internet veröffentlicht, damit jeder darauf zugreifen kann. Abbildung 7

Mit der Hilfe der Künstlichen Intelligenz können Wissenschaftler in einer ganz neuen Art Forschung ­betreiben und Erfindungen machen.

 

Literaturhinweise

Machine Learning: Ein Kompendium von 112 Business Cases, nach Branchen print NEWSolutions Nr. 2/2019 – Seite 8-25

Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-2-2019/

Machine Learning: 37 branchenübergreifende Use Cases print NEWSolutions Nr. 3/2019 – Seite 8 Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-3-2019/

IBM Db2 jetzt mit KI print NEWSolutions Nr. 2/2019 – Seite 4
Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-2-2019/

Arbeitnehmer, KI und Roboter print NEWSolutions Nr. 2/2019 – Seite 5 Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-2-2019/

KI und die Gesundheit – Beispiele print NEWSolutions Nr. 2/2019 – Seite 6 Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-2-2019/

KI+Automation – Vorbereitung auf die Zukunft der Arbeit
print NEWSolutions Nr. 1/2019 – Seite 8 Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-1-2019/

KI im Stadtverkehr: Beispiel SEAT + IBM KI print NEWSolutions Nr. 1/2019 – Seite 23 Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-1-2019/

KI Schwerpunkt ML – Die Daten sind das Problem (Bestandteil KI-Schwerpunkt)
print NEWSolutions Nr. 3/2019 – Seite 4 Auszug online http://newsolutions.de/it/epaper/newsolutions-nr-3-2019/