Articles

Was Roboter brauchen, um erfolgreich zu sein: Maschinelles Lernen, um effektiv zu unterrichten


Jahrhunderts David Reisman war vielleicht der erste, der sich mit Unbehagen fragte, was die Menschen mit all ihrer Freizeit anfangen würden, sobald die vordringende Maschinenautomatisierung der 1960er Jahre die Menschen von ihren niederen Aufgaben und Entscheidungen befreite. Seine wohlhabende, wenn auch ängstliche Zukunftsvision erfüllte sich jedoch nur zur Hälfte, als sich die Komplexität des Lebens ausdehnte, um die Tage von Mensch und Maschine kontinuierlich zu füllen. Die Arbeit, die durch fleißige Maschinen wie Robotiksysteme erleichtert wurde, befreite den Menschen in den folgenden Jahrzehnten nur, um immer aufwändigere neue Aufgaben zu schaffen, an denen gearbeitet werden musste. Anstatt uns mehr Freizeit zu geben, gaben uns die Maschinen mehr Zeit zum Arbeiten.

Maschinelles Lernen
Heute werden die primären künstlichen Assistenten, die Menschen bei ihrer Arbeit helfen, mit abnehmender Wahrscheinlichkeit die Form eines Fließbandes von Robotergliedmaßen oder der Roboterbutler annehmen, die zuerst während der Ära des Weltraumrennens erfunden wurden. Ein dreiviertel Jahrhundert später sind es Roboter-Köpfe und nicht unbedingt Körper, die in fast allen Geschäftsbereichen gefragt sind. Aber Menschen können künstlicher Intelligenz nur so viel beibringen – oder zumindest in so großem Umfang. Betreten Sie das maschinelle Lernen, das Studiengebiet, in dem Algorithmen und physische Maschinen mithilfe enormer Datencaches unterrichtet werden. Maschinelles Lernen hat viele verschiedene Disziplinen, wobei Deep Learning eine wichtige Teilmenge davon ist.

Heute erlebt Deep Learning endlich seine Sternwende, angetrieben durch das explosive Potenzial tiefer neuronaler Netzwerkalgorithmen und Hardware-Fortschritte.

Deep Learning ‚Kommtan‘
Deep Learning nutzt neuronale Netzwerkschichten, um Muster aus Datensätzen zu lernen. Das Feld wurde erstmals vor 20 bis 30 Jahren konzipiert, erlangte jedoch aufgrund der damaligen Einschränkungen der Rechenleistung keine Popularität. Heute erlebt Deep Learning endlich seine Sternwende, angetrieben durch das explosive Potenzial tiefer neuronaler Netzwerkalgorithmen und Hardware-Fortschritte. Deep Learning erfordert enorme Mengen an Rechenleistung, kann aber letztendlich sehr leistungsfähig sein, wenn man über genügend Rechenkapazität und die erforderlichen Datensätze verfügt.

Wer lehrt also die Maschinen? Wer entscheidet, was KI wissen muss? Zunächst entscheiden Ingenieure und Wissenschaftler, wie KI lernt. Domänenexperten beraten dann, wie Roboter im Rahmen der angesprochenen Aufgabe funktionieren und arbeiten müssen, sei es als Unterstützung für Lagerlogistiker, Sicherheitsberater usw.

Planung und Lernen
Wenn es darum geht, dass KI diese Inputs erhält, ist es wichtig, zwischen Planung und Lernen zu unterscheiden. Die Planung umfasst Szenarien, in denen alle Variablen bereits bekannt sind, und der Roboter muss nur herausfinden, in welchem Tempo er jedes Gelenk bewegen muss, um eine Aufgabe wie das Greifen eines Objekts zu erledigen. Lernen hingegen beinhaltet eine eher unstrukturierte dynamische Umgebung, in der der Roboter unzählige verschiedene Eingaben antizipieren und entsprechend reagieren muss.

Das Lernen kann durch Demonstrationen (physisches Training ihrer Bewegungen durch geführtes Üben), Simulationen (künstliche 3D-Umgebungen) oder sogar durch die Zuführung von Videos oder Daten einer Person oder eines anderen Roboters erfolgen, der die Aufgabe ausführt, die er für sich selbst zu meistern hofft. Letzteres ist eine Form von Trainingsdaten, ein Satz beschrifteter oder kommentierter Datensätze, mit denen ein KI-Algorithmus erkennen und daraus lernen kann. Trainingsdaten werden zunehmend für das heutige komplexe Verhalten des maschinellen Lernens benötigt. Damit ML-Algorithmen Muster in Daten erkennen können, müssen ML-Teams diese mit einer großen Datenmenge füttern.

Genauigkeit und Fülle
Genauigkeit und Fülle von Daten sind entscheidend. Ein Mangel an ungenauen oder beschädigten Daten führt dazu, dass der Algorithmus nicht richtig lernen kann oder die falschen Schlussfolgerungen zieht. Wenn sich Ihr Datensatz auf Chihuahuas konzentriert und Sie ein Bild von einem Blaubeermuffin eingeben, erhalten Sie immer noch einen Chihuahua. Dies wird als Mangel an richtiger Datenverteilung bezeichnet.

Unzureichende Trainingsdaten führen zu einer gestelzten Lernkurve, die möglicherweise nie das volle Potenzial ihrer Leistung erreicht. Genügend Daten, um die Mehrheit der vorgestellten Szenarien und Randfälle gleichermaßen zu erfassen, sind entscheidend für echtes Lernen.

Hart an der Arbeit
Maschinelles Lernen wird derzeit in einer Vielzahl von Branchen und Arten von Anwendungen eingesetzt, einschließlich solcher, die Robotiksysteme betreffen. Zum Beispiel unterstützen unbemannte Fahrzeuge derzeit die Bauindustrie, die auf Live-Baustellen eingesetzt werden. Bauunternehmen verwenden Datentrainingsplattformen wie Superb AI, um Datensätze zu erstellen und zu verwalten, die ML-Modellen beibringen können, Menschen und Tiere zu vermeiden und sich am Zusammenbau und Bauen zu beteiligen.

Im medizinischen Bereich nutzen Forschungslabore renommierter internationaler Universitäten Trainingsdaten, um Computer-Vision-Modelle bei der Erkennung von Tumoren in MRTs und CT-Scans zu unterstützen. Diese können schließlich verwendet werden, um nicht nur Krankheiten genau zu diagnostizieren und zu verhindern, sondern auch medizinische Roboter für Operationen und andere lebensrettende Verfahren zu trainieren. Selbst der beste Arzt der Welt hat manchmal einen schlechten Schlaf, was den Fokus am nächsten Tag trüben kann. Aber ein richtig ausgebildeter Roboter-Tumor-Jagd-Assistent kann jeden Tag Spitzenleistung erbringen.

Dem Potenzial gerecht werden
Also, was steht hier auf dem Spiel? Es gibt eine enorme Chance für Trainingsdaten, maschinelles Lernen und künstliche Intelligenz, um Robotern zu helfen, das Potenzial auszuschöpfen, das sie sich vor all den Jahrzehnten vorgestellt haben. Technologieunternehmen, die komplexe Initiativen für maschinelles Lernen einsetzen, haben die Verantwortung, die breite Öffentlichkeit zu erziehen und Vertrauen zu schaffen, damit diese Fortschritte der Menschheit wirklich helfen können, sich zu verbessern. Wenn die Welt gut ausgebildete, gebaute und zielgerichtete KI einsetzen kann, gepaart mit fortschrittlicher Robotik, dann können wir sehr wohl etwas von dieser Freizeit erleben, über die Reisman so nervös war. Ich denke, die meisten Leute würden heute zustimmen, dass wir es sicherlich gebrauchen könnten.

Hyun Kim, Mitbegründer und CEO von Superb AI

Hyunsoo (Hyun) Kim ist Mitbegründer und CEO von Superb AI und hat es sich zur Aufgabe gemacht, Daten und künstliche Intelligenz zu demokratisieren. Mit einem Hintergrund in Deep Learning und Robotik während seines Doktorandenstudiums an der Duke University und seiner Karriere als Ingenieur für maschinelles Lernen erkannte Kim die Notwendigkeit einer effizienteren Methode für Unternehmen, mit Trainingsdaten für maschinelles Lernen umzugehen. Hervorragende KI ermöglicht es Unternehmen, die enormen Datenmengen zu erstellen und zu verwalten, die sie zum Trainieren von Algorithmen für maschinelles Lernen benötigen, und die Hürde für Branchen zu verringern, die Technologie zu übernehmen. Kim wurde auch als Featured Honoree für die Kategorie Enterprise Technology von Forbes 30 Under 30 Asia 2020 ausgewählt, und Superb AI hat es letztes Jahr geschafft, sich Y Combinator anzuschließen, einem prominenten Startup-Beschleuniger aus dem Silicon Valley.