Isabella Pridat-Zapp

Inhalt:

1) Artificial General Intelligence (AGI)
2) KI in Unternehmen heute
3) Extern oder Intern: ML Datenvorbereitung

Artificial General Intelligence (AGI)

In den letzten Jahren haben Unternehmen wie ­Google, Facebook und Amazon sehr viel in ­KI-Projekte investiert.

Das 2015 von Elon Musk finanzierte, als Non-Profit-Organisation gegründete OpenAI Laboratorium hat den Zweck, künstliche Intelligenz (KI/AI) so zu entwickeln und zu vermarkten, dass sie der Gesellschaft Vorteile bringt und nicht schadet. Bisher wurden beispielsweise Sprach- und Spiele-KI entwickelt. Das Endziel ist die Entwicklung einer für den Menschen sicheren AGI. Da die hierfür zu verarbeitenden Datenmengen aber riesig sind, wurde kürzlich durch OpenAI ein Ableger gegründet, der Investoren mit einem „capped profit“ Modell zuläßt.

Jetzt hat Microsoft 1 Mrd. US-Dollar in dieses ­OpenAI „capped profit“ Modell investiert und das ­Laboratorium profitiert von Microsofts Super­computing und Cloud Resourcen bei der Entwicklung von AGI. Dies bildet Bestandteil von Microsofts neuer Strategie um mit den eingangs erwähnten Konkurrenten bei der Entwicklung von KI Schritt zu halten.

Microsoft will durch die Zusammenarbeit mit ­OpenAI neue KI Technologien entwickeln und trainieren, die im Azure Cloud Computing Service zum Einsatz kommen sollen, sowie ferner neue ­Supercomputing ­Hardware gemeinsam entwickeln, die AGI unterstützt. Die ­Artificial General Intelligence würde es ­Maschinen ­ermöglichen, auf die gleiche Weise neues Wissen aufzunehmen und Aufgaben zu bewältigen wie der Mensch.

OpenAI wird wohl zunächst die vorhandenen Deep-Learning Methoden mit Rechen-Power massiv ­skalieren (statt neue zu entwickeln), um dem Fernziel AGI näher zu kommen.

KI in Unternehmen heute

Kürzlich veröffentlichte IDC ein White Paper zum Einsatz von Künstlicher Intelligenz – inzwischen haben 41 % der deutschen Unternehmen KI-Projekte umgesetzt, also weniger als in den skandinavischen Ländern oder im UK, doch planten 88% der deutschen Unternehmen neue KI-Projekte für die nächsten 12 Monate. Untersucht wurden auch die Hürden, die Unternehmen bei der Einführung von KI ­überwinden müssen.

Die Wahl der Infrastruktur für ML/Deep Learning ist, so IDC, nur der erste Schritt. Dann muss auch noch die passende Software gefunden werden. Die größte Herausforderung scheint jedoch die Vorbereitung der Daten zu sein. Es hat sich herausgestellt dass es oft Monate dauert, bis die Daten soweit sind, dass an Deep Learning Training und die Optimierung der Training Infrastruktur gedacht werden kann.

Weitere Hürden sind der Mangel an Experten, die Unsicherheit bezüglich Sicherheit und gesetzlichen Vorschriften, sowie Zweifel an der Einsatzfähigkeit seitens der IT oder der Fachbereiche.

Die Unternehmen zielen auch jetzt noch weniger auf innovative Anwendungsmöglichkeiten der KI, als auf Optimierung vorhandener Prozesse in puncto Kosten, Kundenerlebnisse und Produktqualität.

Extern oder Intern: ML Datenvorbereitung

Algion bereitet Daten von Fortune 1000 Unternehmen für Machine Learning (ML) Trainings-Projekte vor. In einem „Blueprint“ Paper beschreibt Algion den typischen Projekteinstieg:

Das strategisch wichtige Projekt wird vom Aufsichtsrat im Auge behalten; das mit Hilfe von eigenen KnowHow und null-acht-fünfzehn Algorithmen selbst entwickelte Proof of Concept hat funktioniert; es soll nun weiterbearbeitet werden, um in Produktion zu gehen und so werden in puncto Daten die Training Data Sets vorbereitet und das Volumen der Daten bestimmt und in diesem Stadium nimmt die Komplexität des Projekts überhand.

Infolgedessen ist nun bereits eine Budget-Überschreitung eingetreten, der Zeitplan wurde bereits überschritten und der Algorithmus ist keineswegs reif für das Produktiv-Stadium.

Aus seinen Erfahrungen hat Algion den Blueprint erstellt, der gleich nach der Beschreibung des oben dargestellten Szenarios hilfreiche Instruktionen für in eigen-Regie durchzuführende Unternehmens-Projekte anbietet. Es beginnt mit einer Projektplanungshilfe für die Datenaufbereitung, deren einzelne Punkte im weiteren Verlauf vertieft werden.

ML Training Data Vorbereitungs Checkliste

• Kennen Sie den Umfang der erforderlichen Trainings-Daten?
• Haben Sie einen Prozess für die Vorbeitung der Daten etabliert?
• Verfügen Sie über das erforderliche Fachwissen?

Tools

• Verfügen Sie über eine Aufgaben- und Workflow-Management Plattform?
• Verfügen Sie über die erforderlichen Tools für die Kennzeichnung und das Anbringen von Erläuter­ungstexten?
• Können Ihre Tools den Qualitätsstandard auch bei großen Volumina halten?

Personal

• Wissen Sie, wieviele Datenspezialisten Sie brauchen?
• Sind Spezialisten mit den benötigten Fähigkeiten und Zulassungen verfügbar?
• Wer soll Ihr Projektteam rekrutieren, einweisen /ausbilden und managen?

Skills

• Verfügt Ihr Team über Fachwissen im Bereich Aufgaben- und Workflow-Design?
• Verfügt Ihr Team über Erfahrung/Fachwissen im Bereich Data Training bezüglich Daten-Fallen?
• Wer wird die Gesamtleitung Ihres Projektes übernehmen?

Der Algion Blueprint „Preparing your own ML

Training Data“ kann hier heruntergeladen werden:
https://content.alegion.com/download-dimensional-research-finds-ai-still-nascent?utm_campaign=Survey%20Narrative&utm_source=MIT%20Algorithm%20