Deutsches Forschungszentrum für Künstliche Intelligenz GmbHSaarbrücken/Kaiserslautern/Bremen/Berlin/Osnabrück

Tel.: (0681) 85775-5264E-mail: wahlster@dfki.de

www.dfki.de/~wahlster

Prof. Dr. rer. nat. Dr. h.c. mult.

Wolfgang WahlsterCEA

KI als Speerspitze der Digitalisierung

Executive Dialog 2019Berlin, 04. April 2019

© W. Wahlster

Künstliche Intelligenz ist die Speerspitze der Digitalisierung

KIDigitales

Verstehen

TechnologienSupercomputer,

Mobile Computer, Internet, Cloud…

11010101110

010100110110

01011100111101001010100011100110010001

MathematikFormale

Strukturen

InformatikFormale Prozesse

© W. Wahlster

Maschinenlesbare Daten: Internet- und Cloudtechnologien

Maschinenverstehbare Daten: Künstliche Intelligenz und Maschinelles Lernen

Erste Welle:

Daten digital- Erfassen- Speichern- Übertragen- Verarbeiten

Zweite Welle:

Daten digital- Verstehen- Veredeln- Aktiv nutzen- Monetarisieren

Digitalisierung „mit Sinn und Verstand“

Das DFKI treibt die zweite Welle der Digitalisierung

© W. Wahlster

Interpretation digitaler Daten durch KI-Systeme

BISHER:

KI:

Beispiele:

Menschinterpretiert Datenund entscheidet

KI-Systeminterpretiert Datenund entscheidet

Eingabe:

ArztbriefeFoto von AutoschadenKundendatenRöntgenbild

Ausgabe:

Entscheidung über KurVerdacht auf VersicherungsbetrugEntscheidung über KreditantragBefund, dass Zahnwurzel entzündet ist

© W. Wahlster

Künstliche Intelligenz (KI)Die KI hat: ingenieurswissenschaftliche Ziele

kognitionswissenschaftliche Ziele

Ingenieurswissenschaften

Künstliche Intelligenz: Realisierung von intelligentem Verhalten und denzugrundeliegenden kognitiven Fähigkeiten auf ComputernKI = Künftige Informatik

KIInformatik

LinguistikPsychologie

NeurowissenschaftenBiowissenschaften

Kognitions-wissenschaft

Mechatronik

© W. Wahlster

Kerngebiete und Einsatzfelder der KI

Sprachver-stehendeSysteme

Bild-verstehende

Systeme

Autonome Systeme

KollaborativeRoboter

Multi-AgentenSysteme

Intelligente Trainings-

u. Lernsystem

Bots, Chatbotsund virtuelle Charactere

Ambiente Intelligenz

Subsymbolische Musterkennung

WissensrepräsentationWissensverarbeitung

- Suchen- Inferieren- Planen

Wissenspräsentation

Lern- und Inferenzbibliotheken

Wissensrepräsentationssprachen

Ont

olog

ien

KI-H

ardw

areLernen

© W. Wahlster

Was bewirkt die Produktveredelung durch KI-Technologien?

autonom

proaktiv

adaptiv

selbst-erklärend

fehler-tolerant

selbst-optimierend

lernfähig

selbst-heilend

inter-operabel

kooperativ

Merkmalevon KI-

Systemen

© W. Wahlster

Die vier Phasen der KI-Forschung

© W. Wahlster

1980 BKG 9.8 schlägt Weltmeister im Backgammon1997 Deep Blue schlägt Schachweltmeister2016 AlphaGo schlägt Go-Großmeister2017 KI-System Libratus schlägt Poker-Profis

Die Erfolge des Deep Machine Learning im Bereich der Brett- und Kartenspiele

© W. Wahlster

Computer mit Hand und Fuß, Augen, Ohren und etwas Verstand

Wie können Computer für den Menschen unzugängliche Ort

explorieren?

Wie können Computer Bilder und Filme

interpretieren und erzeugen?

Wie könnenmobile Roboter

Teams bilden und gemeinsam

Ziele erreichen?

Wie können Computer menschliche Sprache,

Gestik und Mimik verstehen und erzeugen?

Wie können Computer Emotionen von Menschen

erkennen und darauf reagieren?

Wie können Computer auch aus unsicherer Information nützliche Schlussfolgerungen

ziehen?

Wie können Computer zu intelligenten Assistenten

für den Menschenwerden?

Wie können Computeraus Erfahrung lernen?

Intelligente Software-Systeme des DFKI

© W. Wahlster

Assistenz bei körperlicher Arbeit durch kollaborative KI-Roboter

Assistenz bei geistiger Arbeit durch kognitive KI-Systeme

Assistenzsysteme für die Unterstützung von körperlicher und geistiger Arbeit durch KI

© W. Wahlster

Digitales Verstehen: Verstehen von Digitalen Daten und Verstehen mit digitalen Systemen

„Verstehen“durch KI auf

Digital-rechnern

Digitale Daten

Text

Gesprochene Sprache

Bild

Video

Sensorwerte

Physische Reaktionz.B. von Robotern oder

steuerbaren Geräten

Virtuelle Reaktionz.B. von digitalen Assistenten

oder Chatbots

Zusammenfassung oder Übersetzung von Texten

und Gesprächen

Fragebeantwortung aufgrund z.B Videos oder

Sensorwerten

Sprachliche Beschreibungz.B. von Bildern oder

VideosVerstehenstest: Angemessene Reaktion

© W. Wahlster

Kognitive Fähigkeiten für die Arbeit im Versicherungs-bereich: Schwierigkeitsgrade für KI-Systeme

Lesen +

Übersetzen +

Verstehen ++

Klassifizieren +

Analysieren ++

Rückfragen +

Bewerten ++

Entscheiden ++

Dokumentieren +

Formulieren +

Begründen +++

Argumentieren +++zunehmender Schwierigkeitsgrad: + ++ +++

© W. Wahlster

Von programmierten Systemen zu selbstlernenden Systemen

Computer-programm

Algorithmus,Heuristik

Wissens-verarbeitung

Suche,Inferenz,Planung

Program-mierer erstellt

Software

Ausgabe

Eingabe Eingabe

Ausgabe Ausgabe

Eingabe

Wissens-basis

Daten-basis

Fakten,Regeln,Modelle

MaschinellesLernen

Merkmalsextraktion,Mustererkennung,

Merkmalsabbildung

Trainingsdaten,Metadaten,Testdaten

Flaschenhals: Programmierer− hoher Entwicklungsaufwand− aufwändige Adaption− geringe Erklärungsfähigkeit

Flaschenhals: Wissensbasishoher Entwicklungsaufwandhoher Pflegeaufwandgute Erklärungsfähigkeit

Flaschenhals: Trainingsdatengeringer Entwicklungsaufwandleichte Anpassbarkeitschlechte Erklärungsfähigkeit

© W. Wahlster

Wie Software trainiert wird

Lernen anhand von definierten Regeln:

1. Ein Apfel ist schlecht, wenn er braune Flecken hat

2. Ein Apfel ist schlecht, wenn er Runzeln hat

3. Ein Apfel ist schlecht, wenn er braun ist

4. …

Regelbasiert Maschinelles Lernen

Schlechter Apfel

Guter Apfel

Schlechter Apfel

Lernen anhand von Beispielen:

Nachteile regelbasierter Modelle:• Präzise Regeln sind sehr schwer zu formulieren

• Regeln sind fast nie vollständig

adaptiert von Leverton

© W. Wahlster

Bild 2Bild 3

Bildelemente, BereicheKanten, Markante Punkte

SzenenelementeObjektteile

Objekte

Bild 1

Deep Learning für das Bildverstehen: Netzwerke aus mehreren Schichten merkmalserkennender Neuronen

PKW 1, PKW 2PolizeitransporterHaltestellenschild…

Unfall aufLandstraße

Fahrbahn, Radkappe,Heckleuchte…

Grüne Fläche im Hintergrund, Linie auf Fahrbahn…

Eingabeschicht

AusgabeschichtSzenen- und Objektmodell

Je mehr verdeckte Schichten ein Deep Learning Netz hat, desto mehrkann es abstrahieren und subtile Zusammenhänge erkennen.

© W. Wahlster

AnnotierteTrainingsdaten

TrainiertesNeuronales

NetzGPU-Supercomputer

Lernalgorithmenfür mehrlagige

neuronale Netze

Optimierung undCompilation des

NetzesLaufzeitoptimiertes

Neuronales Netz

Laufzeitumgebung für die Ausführung

des optimierten NetzesMobiler oder einge-betteter Computer

Trainings- und Ausführungsphase neuronaler Netze

UnbekannteEingabedaten der

aktuellen Anwendung

Ausgabe:• Klassifikation• Diagnose• Empfehlung• Übersetzung• Lenkaktion …

© W. Wahlster

Hybride KI-Systeme

System 1 = Schnelles Denken (95%) System 2 = Langsames Denken (5%)

Funktioniert• Automatisch, intuitiv• Unbewusst, unterschwellig

Basiert auf• Emotionen• Gewohnheiten• Kontext

Typisch für Entscheidungen• Bei Wiederholung• Von geringer Relevanz• Bei Erschöpfung

Funktioniert• Abwägend, deliberativ• Bewusst, reflektierend

Basiert auf• Werten/Normen• Überzeugungen• Kognitiven Ressourcen

Typisch für Entscheidungen• Beim ersten Mal• Von hoher persönlicher Relevanz• Inausgeruhtem Zustand

Statistische KI (30%) Wissensbasierte KI (70%)Kognitionspsychologe und Träger des Alfred-Nobel-Gedächtnispreis für Wirtschaftswissenschaften Daniel Kahneman

© W. Wahlster

Potentiale für den Einsatz von KI

• intelligente Automatisierung• bessere Ressourcenauslastung• KI-getriebene Skalierungseffekte• Erhöhte Produktivität

• Standardisierung von Routinetätigkeiten• Proaktive Informationsbereitstellung• Harmonisierung von Schnittstellen• Vereinfachte Datenaufbereitung

• Erhöhung der Compliance• Minimierung von Risiken• Qualitative Tätigkeitserweiterung• Aufdecken neuer Zusammenhänge

Zeit

Qualität Kosten

© W. Wahlster

Mit einem Klick zum juristischenDokument

KI-basierteExtraktion

…Ver-

längerungErst-

auftragNeuer Mieter

Verkauf

Juristen

Berater

Immobilien-manager

ohne KImit KI

Jahre

benötigte Zeit zur Dokumentenanalyse (in Stunden)

1

2

3

0

8

Zeitgewinn entlang des Lebenszyklus für Immobilienverträge Zeitgewinn bei den verschiedenen

Prozessen

Leasing-übersicht

Suche

Reporting

Portfolio-Verwaltung

Excel-export mit Hyperlinks, API

Schneller semantischerZugriff für alle

Beteiligten

Kosten- und Zeitersparnis durch KI am Beispiel Immobilienvertrag

adaptiert von Leverton

© W. Wahlster

Schablone Nachfolger:

Der künftige BundespräsidentHorst Köhler hat an den poli-tischen Entscheidungsträgernund manchen Wirtschaftsführernin Deutschland unmittelbar nachseiner Wahl deutliche Kritik geübt.Köhler löst seinen AmtsvorgängerJohannes Rau am 1. Juli 2004 ab.

PersonIn: ----------

PersonOut: ----------

Position: ----------

TimeIn: ----------

TimeOut: ----------

Text:

Text-

klassifikation

Sprach-

verarbeitung

Schablonen-

verabeitung

Schablone Nachfolger:PersonIn: Horst Köhler

PersonOut: Johannes Rau

Position: Bundespräsident

TimeIn: 1.Juli 2004

TimeOut: 1. Juli 2004

Maschinelle Informationsextraktion aus Textenim Internet

© W. Wahlster

Automatische Einstellungsanalyse in sozialenInternetmedien mit DFKI-Technologien

© W. Wahlster

Machine Learning Anwendung in der Versicherung: Smart Underwriting

Smart UnderwritingProblemstellung

Quest 1: Sufferfrom deseaseXYZ?

Quest 17: Do riskysports?

- Medizinische Kenntnisse- Bauchgefühl- Einfache Regeln

Annahme

Annahme mitAuflagen

AblehnungAntragsteller

Risikolebens-Versicherung

Reduzierung der Anzahl Fragen in derAntragstellung zu einer Risiko-Lebensversicherung

Mehr neue potentielle Kunden

Verschlankung des Entscheidungsprozesses

© W. Wahlster

> 58 Features (Einflussgrößen): 17 Antragsfragen + Soziodemografische undVertragsinformationen Welche sind die relevanten Antrags-Fragen?

> Weitere Fragestellungen, z.Bsp.: Verhalten sich Geschäftsstellenunterschiedlich in der Antragsentscheidung?

> Benötige interpretationsfähiges Modell!

Smart UnderwritingLösungsansatz

Automatische Annahme (fürbestimmte Kundenprofile)

Quest 1 - 6

WenigerFragen &direkte Entscheidung

WenigerFragen

Machine LearningModel

Machine LearningModel

© W. Wahlster

Der Wissenstresor von Google: Der größte Speicher von Wissenstripeln für Smart Services

Daten aus Webseiten

− Unstrukturierter Text− Semistrukturierte

Domänenontologien− Strukturierte Tabelleninformation

Daten aus sozialen Netzwerken

<S, P, O> .99<S, P, O>, .96<S, P, O> .76

GoogleKnowledge

Vault271 Mio. Wissenstripel (Konfidenz > 0.9)45 Mio. Entitäten1100 Objektklassen4469 Relationsklassenwurde aus 1.6 Milliarden Kandidaten-Tripeln selektiert

Beispiele Tripel:((Saarbrücken, Hauptstadt _von, Saarland) 1)((Koblenz, hält_Hitzerekord, Deutschland) .7)

© W. Wahlster

„DeepEye“ für Katastrophenprognose und -management sowie Früherkennung von Versicherungsschäden

© W. Wahlster

Automatische Anomalieerkennung durch BildklassifikationBuschbrand

Überflutung Dammbruch

Erdbeben

NOAA Remote Sensing Division, Aug. 2016 NASA, Nov. 2015

NASA, Oct. 2007Copernicus Emergency Management Service, Aug. 2016

© W. Wahlster

Automatische Annotation von Satellitenbildern durch aktuelle Aufnahmen aus den sozialen Medien

NASA, May 2016

© W. Wahlster

Satellitenbildanalyse für die Landnutzungsklassifikation aufgrund von maschinellem Lernen

© W. Wahlster

DFKI-Technologie zur Erkennung von Risiken und Planung von Hilfsmassnahmen aus Bildmaterial

© W. Wahlster

KI-Systeme zur Rettung von Menschenleben

TRADR: Team von zwei Bodenrobotern und dreiDrohnen nach dem schweren Erdbeben inAmatrice im September 2016 unterstützen diemenschlichen Rettungskräfte (FB v. Genabith)

SmartSenior: Bei Herzinfarkt übernimmt einautonomer Nothalteassistent die Steuerung desFahrzeuges und fährt das Fahrzeug sicher anden Straßenrand (FB Wahlster mit BMW)

© W. Wahlster

Deutschland GmbH

Boom für DFKI-Anteile: Zu den 24 DFKI-Gesellschaftern wollen derzeit 8 weitere Firmen zu der gemeinnützigen PPP hinzutreten

Mehr als 80% derProjekte mit der Wirtschaft

539 KI-Experten

50,2 M € Gesamtkapazität in 2017

Volumen aller Projekte 2018: 117,5 M €

Direkte Industrieaufträge 25% in 2018

972 Beschäftigte

242 laufende Projekte

© W. Wahlster

Das T-förmige DFKI-Portfolio: Breites Innovations-spektrum und tiefe Fachkompetenz

Die

ver

tikal

e Sp

ezia

lisie

rung

des

DFK

Iau

f Met

hode

n un

d An

wen

dung

ende

r Kün

stlic

hen

Inte

llige

nz

MPG FhG HGF

Die gesamte Innovationskette im horizontalen Spektrum des DFKI

Tief

es W

isse

n un

d Ex

zelle

nz a

uf

eine

m w

icht

igen

Tei

lgeb

iet d

er In

form

atik

z.B.:Agrartechnik,

Innovative Fabriksysteme,Autonome Fahrzeuge,

Handelssysteme,Medizintechnik,

Haustechnik,Steuer-und Finanzwirtschaft,

Versichrungen,Logistik

Breite Methoden- und System-kompetenz in Künstlicher Intelligenz

Tief

es D

omän

enw

isse

n au

f ein

em A

nwen

dung

sgeb

iet

DFKI MitarbeiterInnen

Anwendungsorientierte Grundlagenforschung

Angewandte F&Esowie Transfer

Betrieb großer Test- u. Demonstrationszentren

Sehr schnelles Durchlaufender Innovationskette: in 3 Jahren von der Idee zum Produkt

© W. Wahlster

Mit mehr als 90 Firmengründungen sind über 3200 zusätzliche Hightech-Arbeitsplätze aus dem DFKI geschaffen worden

© W. Wahlster

Die Notwendigkeit hybrider KI-Systeme

© W. Wahlster

Die Zukunft der KI: Kombination von Maschinellem Lernen und Wissensbasierten Verfahren

Wissensfreie KI-Verfahren

Statistische und neuronale Lernverfahren

z.B. Tiefe Neuronale Netze

Wissensbasierte KI-Verfahren

Such-, Inferenz- und Planungsverfahren

z.B. Wissensgraphen

Wechselseitige Unterstützung

Statistische und neuronale Lernverfahren können genutzt werden,

• um Suchprozesse in wissensbasierten Verfahren zu steuern und damit effizienter zu machen.

• um Wissensgraphen und Grundoperatoren für wissensbasierte Inferenz- und Planungsverfahren zu lernen.

Wissensbasierte und logikbasierte KI-Verfahren können genutzt werden,

• um die Ergebnisse von maschinellen Lernverfahren zu kombinieren, zu vervollständigen oder zu korrigieren.

• um die Ergebnisse aus maschinellen Lernverfahren plausibel zu machen oder zu erklären.

© W. Wahlster

Neuer Trend in der KI-Forschung: Die Kombinationvon Maschinellem Lernen und Symbolischem Wissen

Symbolisches Wissen(LOKATION FLUGZEUG HIMMEL 0.7)(LOKATION FLUGZEUG BERG 0.01)(LOKATION FLUGZEUG PISTE 0.29)

1. Semantische Segmentierung: Himmel versus Vordergrund

2. Objekterkennung auf der Basis von Deep Learning nur für Pixel in der Himmelsregion

Forschungsergebnis basiert auf Blickbewegungsanalyse im BMBF-Projekt Intera-KT (DFKI 2018)

Himmel

Vordergrund

Aufgabe: Wo auf dem Bild ist ein Flugzeug zu sehen?

© W. Wahlster

Lernen und Schlussfolgern

Wahrnehmung und Interpretation

Wissensbasen

Diskurs-gedächtnis

EpisodischesGedächtnis

Plan-bibliothek

Modellbibliotheken

• Domänenmodelle• Aufgabenmodelle• Kollaborationsmodelle• Benutzermodelle

Selbstregulation

Planung und Planerkennung

Kommunikation und Kollaboration

SensorikK

omm

unik

atio

n m

it de

r Um

gebu

ng Kom

munikation m

it Menschen

Aktorik

Kontrollmöglichkeiten des Betreibers

Referenzarchitektur für Autonome Systeme

Tech

nisc

he R

ückf

alle

bene

Bidirektionaler Transfer der K

ontrolle

…

© W. Wahlster

Autonome Systeme

© W. Wahlster

Kombination der verschiedenen Echtzeit-Erkennungssysteme: andere Verkehrsteilnehmer, Fahrspuren, Manövrierraum

© W. Wahlster

Das vernetzte und wandlungsfähigeElektromobil EO des DFKI

Neue Formen der Elektromobiliät werden durchdie weitere Digitalisierung möglich

© W. Wahlster

Von Shell gekauft und im Einsatz vor Brasilien

FlatFish: Ein autonomer DFKI- Tiefseeroboter für die Pipeline-Inspektion

© W. Wahlster

Gedanke an Tastendruck des Senders (EEG) löst diesen unwillentlich beim Empfänger aus (TMS)

Gehirn-zu-Gehirn-Kommunikation

© W. Wahlster

Sensormotorische und Soziale Intelligenz für das Teamplay im RoboterfußballDas DFKI-Team B-Human ist seit Juli 2016 zum fünften Mal Weltmeister.

• Die Roboter geben viel zu selten ab und wollen lieber selbst die Tore schießen.

• Der Doppelpass und die Abseitsfalle sind bisher nur über aufwändige Softwaresysteme zu realisieren.

© W. Wahlster

Aktuelle Entscheidungsbasis für autonome Fahrzeuge

4. Die Geschwindigkeit wird bei Kollisionsgefahr extrem reduziert.

5. Durch aktive Sicherheitssysteme werden bei unvermeidlichem Aufprall Personenschäden minimiert.

1. Sachschaden geht vor Personenschaden

2. Eine Bewertung oder gar Abwägung von Menschenleben ist nicht zulässig.

3. Der geplante Fahrweg wird nur verlassen, wenn dadurch Personenschaden vermieden werden kann.

© W. Wahlster

Autonome Systeme werfen ethische Fragen auf

Beispiel einer falschen ethischen Entscheidung bei einem menschlichen Fahrer:

• Schulbusfahrer weicht auf glatter Waldstrasse einem Reh aus, kommtins Schleudern und der Bus kippt um mit vielen schwerverletztenKindern.

• Problem beim autonomen Fahren: Können Kind, Reh, Affe als Hindernisunterschieden werden?

Asimov’sche Gesetze:1. Ein Roboter darf kein menschliches Wesen wissentlich verletzen oder

durch Untätigkeit gestatten, dass einem menschlichen Wesenwissentlich Schaden zugefügt wird.

2. Ein Roboter muss den ihm von einem Menschen gegebenen Befehlengehorchen – es sei denn, ein solcher Befehl würde mit Regel 1kollidieren.

3. Ein Roboter muss seine Existenz beschützen, solange dieser Schutznicht mit Regel 1 oder 2 kollidiert.

© W. Wahlster

Fragwürdige ethische Tests für Entscheidungen in Kollisionsszenarien

Quelle: MIT

© W. Wahlster

Superintelligenz als Science Fiction

© W. Wahlster

• Fehlanpassung durch zuviel Training

• Kein Extinktionslernen

• Schwache Selbsterklärungsmöglichkeiten

• Alchemie der Lernarchitektur

• Fehlalarme durch falsch positive Ergebnisse

Offene Probleme beim Maschinellem Lernen

© W. Wahlster

Die Bandbreite menschlicher PerzeptionSensorsystem

Sehen

Hören

Tasten

Schmecken

Riechen

10.000.000

100.000

1.000.000

1.000

100.000

Gesamte Bandbreite(Bit/Sek.)

40

30

5

1

1

Bewußt wahrge-nommene Bandbreite

(Bit/Sek.)

nach: R. Kay 2001

© W. Wahlster

Das Paradoxon der Künstlichen Intelligenz

In der KI-Forschung gilt: Schwere Probleme sind leicht,leichte Probleme sind schwer.

ExpertenintelligenzKognitive und wissensintensive Fähigkeiten

Spätes Evolutionsstadium

AlltagsintelligenzSensomotorische & sozioemotionale Fähigkeiten

Frühes Evolutionsstadium

− Schachmeister besiegen

− Bilanzfälschung erkennen

− Witz verstehen

− Kind trösten

© W. Wahlster

Künstliche Intelligenz versus menschliche Intelligenz

Sensomotorische Intelligenz

Kognitive Intelligenz

Emotionale Intelligenz

Soziale Intelligenz

Dimensionen der Intelligenz versus

+ ++

++ +

− ++

− ++

© W. Wahlster

Antwort : Noch lange nicht !

Aber:

Ist Künstliche Intelligenz besser als die menschliche Intelligenz eines Juristen?

[f: P* A]010001001010011000100

[f: P* A]010001001010011000100

© W. Wahlster

Künstliche Intelligenz ist besser alsnatürliche Dummheit.

?[f: P* A]010001001010011000100

© W. Wahlster

Konklusion• Künstliche Intelligenz wird immer mehr zur Schlüsseltechnologie für

Kernbereiche der deutschen Wirtschaft: von der Smart Factory überSmart Products bis hin zu Smart Services.

• Künstliche Intelligenz ist im Alltag angekommen: vom Assistenz-system auf dem SmartPhone bis zum Autopiloten im PKW.

• Der Mensch steht bei der Künstlichen Intelligenz aber im Mittel-punkt, weil er nicht ersetzt, sondern in seinem Handeln unterstütztwerden soll.

• Die Angst vor einem Kontrollverlust oder gar vor einerSuperintelligenz als Singularität muss durch einenwissenschaftsbasierten Diskurs mit der Zivilgesellschaft begegnetwerden.

Vielen Dank für Ihre Aufmerksamkeit