Künstliche Intelligenz – Die Neue auf dem Arbeitsmarkt?
Beim Thema künstliche Intelligenz denken viele primär an Terminator und andere Science-Fiction-Formate. Doch KI sind alles andere als Zukunftsmusik: Auch wenn sie in absehbarer Zeit nicht die Vernichtung der Menschheit herbeiführen werden, so wird ihr Einfluss auf unsere Arbeitswelt gravierend sein. Im ersten Teil unseres Artikels blicken wir auf die Entwicklungen im Bereich künstlicher Intelligenz in den letzten Jahren.
„Die Zukunft ist noch nicht geschrieben. Wir alle sind unseres eigenen Schicksals Schmied.“ – Mit diesen Worten eröffnet der Film „Terminator 3 – Rebellion der Maschinen“. In einer Hauptrolle findet sich dabei nicht nur Arnold Schwarzenegger als „Terminator T-850“, sondern auch Skynet, eine fiktive KI, die sich der Auslöschung der Menschheit verschrieben hat. Während Weltuntergangsszenarios wie dieses vielerorts noch der einzige Eindruck zu künstlichen Intelligenzen sind, werden weltweit rasante Fortschritte beim Einsatz von KI in wesentlich friedfertigeren Aufgabengebieten gemacht.
Deep learning – Spielerei und revolutionärer Fortschritt
Die wohl öffentlichkeitswirksamsten Auftritte von KI in den letzten zwei Jahren kommen aus der Spielewelt. Im März 2016 schlägt die von Google finanzierte KI AlphaGo den amtierenden Weltmeister Lee Sedol in dem jahrhundertealten Strategiebrettspiel „Go“. Anderthalb Jahre später besiegt die von Tesla- und SpaceX-CEO Elon Musk unterstützte „OpenAI“ die Weltelite in „Dota 2“, einem hochkomplexen Videospiel mit einer endlosen Fülle an Mechaniken, Strategien und Handlungsmöglichkeiten.
[Hier geht es zum Youtube Video]
Während ein Erfolg in einem Computerspiel auf den ersten Blick nicht zwingend eine anstehende Revolution am Arbeitsmarkt vermuten lässt, ist dieser eine enorme Implikation dahingehend, welche Aufgaben künstliche Intelligenzen zukünftig übernehmen könnten. Ein Spiel wie Dota verlangt von seinem Spieler nämlich weit mehr als präzise Erfüllung vorgegebener Aufgaben. Während sich die grundsätzlichen Regeln in wenigen Sätzen zusammenfassen lassen, braucht es tiefgreifende Strategien, komplexe Handlungsmuster und planende Voraussicht bei einer Entscheidungsfindung in Sekundenbruchteilen, um einen erfahrenen Spieler zu schlagen.
Genau in solchen Bereichen lag bislang die größte Schwierigkeit für künstliche Intelligenzen. Während KI sich leicht damit tun, Aufgaben zu meistern, die in klare, mathematische Regeln zu fassen sind, gab es bislang kaum Möglichkeiten, für Menschen leicht zu erlernende, vielschichtige Aufgaben ohne mathematisches Regelwerk zu lösen. Die Lösung im Fall von OpenAI lautet „self play“: Die KI wurde lediglich mit dem Grundregelwerk vertraut gemacht und begann auf dieser Basis, gegen sich selbst zu spielen. In tausendfacher Wiederholung lernt die KI, die äußerst komplexe Gesamtaufgabe in eine Hierarchie von Unteraufgaben zu sortieren und zu lösen.
Entwicklung des TrueSkill Ratings (ähnlich des ELO-Systems im Schach) des besten OpenAI-Bots, Quelle: OpenAI
Die Ergebnisse dieser Methode sprechen für sich: Nachdem die KI bereits nach zweieinhalb Monaten einen menschlichen Spieler mit geringen Fähigkeiten in die Knie zwingen konnte, dauerte es nur einen weiteren Monat, bis auch ein durchschnittlicher Spieler besiegt werden konnte. Nur neun Tage später besiegte die KI bereits einen semi-professionellen Spieler, um einen Monat später im Rahmen des „Internationals“, der offiziellen Dota-Weltmeisterschaft, die weltbesten Spieler an den Rand der Verzweiflung zu bringen.
„Thinking outside the box“ – eine menschliche Stärke?
Im Laufe dieses rasanten Lernprozesses eignete sich die KI zum einen Strategien an, die auch von menschlichen Spielern genutzt werden (ohne dass diese als Input hinzugegeben wurden), zum anderen entwickelte sie aber auch ganz eigene Lösungsansätze. Der self play-Ansatz ermöglicht also auch eine Loslösung von den (oft historisch bedingten) Limitationen menschlichen Denkens und Planens.
Während ein menschlicher Arbeiter durch seine Ausbildung gewisse Methodiken mit all ihren Vor- und Nachteilen übernimmt, schaffen und optimieren Deep Learning Prozesse eigene Vorgehensweisen. Völlig frei von Vorbelastungen könnten somit altgediente Arbeitsprozesse überholt und verbessert werden.
Wie sich diese Qualitäten in zukünftige Arbeitsgebiete umsetzen lassen und wo die Grenzen und Probleme bei der Einsetzbarkeit von künstlichen Intelligenzen liegen, kannst du im zweiten Teil unseres Artikels nächste Woche lesen.
Blogbeitrag von Jochen Kutscher
