18 01 | 2022 lyse zur
18 01 | 2022 lyse zur Verbesserung von Geschäftsprozessen, führte Gottron aus. Moderne Methoden der Datenverarbeitung sind demzufolge Data Science, Machine Learning oder Künstliche Intelligenz. Der zentrale Punkt sei nun, sich nicht nur Daten aus der Vergangenheit anzuschauen, sondern für die Zukunft daraus zu lernen. Das Ziel bestehe darin, mit den Informationen einen Erkenntnisgewinn zu erzielen, um Verbesserungen im Unternehmen zu erreichen. Dr. Georg Fuchs, der das Geschäftsfeld Big Data Analytics & Intelligence am Fraunhofer- Institut für Intelligente Analyse- und Informationssysteme IAIS leitet, wies auf die gewachsene gesellschaftliche Bedeutung der KI hin. Selbst die Boulevardpresse nehme sich des Themas immer häufiger an. Kaum ein relevanter gesellschaftlicher oder wirtschaftlicher Bereich komme an der Thematik noch vorbei. Doch worum handelt es sich bei der Technologie genau? Wie kann man sich ihr begrifflich annähern? Dr. Fuchs verwies auf eine Definition des Computerwissenschaftlers John McCarthy, der 1955 eine allgemeine Definition vornahm. Demnach ist es das Ziel der Künstlichen Intelligenz, Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz. Dr. Georg Fuchs leitet das Geschäftsfeld Big Data Analytics & Intelligence am Fraunhofer IAIS. Fuchs machte darauf aufmerksam, dass man zwischen KI, Machine Learning und Deep Learning (DL) fein unterscheiden müsse. KI sei eine Technologie, mit der ein Computer intelligentes, menschliches Verhalten nachahmen könne. Im Kontext von ML analysierten selbstlernende Algorithmen und Computerprogramme Datensätze und würden Muster und Gesetzmäßigkeiten erkennen, ohne dafür explizit programmiert zu sein. Deep Learning wiederum beschreibe die Umsetzung eines maschinellen Lernverfahrens in Form eines
„Data Science und Machine Learning in Kreditinstituten“ I und II 01 | 2022 19 künstlichen neuronalen Netzes. Die Erzeugung der relevanten Merkmale für das Lernen erfolgt demnach selbsttätig. Dr. Maximilian Poretschkin ist Senior Data Scientist und leitet das Team KI-Absicherung und -Zertifizierung am Fraunhofer IAIS. Deep Learning ist eine Variante des Maschinellen Lernens Zum Abschluss des Vortrags machte Fuchs noch ein paar allgemeine Ausführungen. Aktuell existierten schwache und starke KI-Hypothesen. Derzeitige KI-Systeme seien meist noch schwache KIs. KI sei als Forschungsgebiet älter als Maschinelles Lernen und Big Data. ML und Big Data sind Fuchs zufolge sehr einflussreiche Technologien im Bereich KI. Deep Learning sei wiederum nur eine Variante von ML, jedoch eine mit einem enormen Potenzial. Mit ML und insbesondere DL verschiebe sich die Philosophie hinter KI vom klassischen Ingenieursvorgehen hin zu einer empirischen, statistikbasierten Wissenschaft. Und last but not least: Mit DL und genügend Daten seien viele Problemstellungen schneller und genauer zu lösen als je zuvor. Vor allem könne DL teilweise Lösungen für nicht programmierbare, nicht formal spezifizierte Fragestellungen selbstständig finden, so das Fazit des Experten. Dr. Maximilian Poretschkin, Senior Data Scientist am Fraunhofer IAIS, stellte in seinem Diskussionsbeitrag heraus, nicht nur auf mögliche KI-Anwendungsbeispiele zu schauen, sondern den gesamten Lebenszyklus einer Anwendung zu betrachten. Schon bei der Konzeption und Architektur des Modells müsse sichergestellt werden, bestimmte Eigenschaften per Konstruktion zu erfüllen, wie zum Beispiel Privacy-by- Design, Safety-by-Design oder Prüfbarkeit-by-Design. Zentral sei darüber hinaus die Auswahl und Vorverarbeitung der Trainings-, Test- und Inputdaten der KI-Anwendung als Grundlage für eine hohe Qualität, führte Poretschkin aus. Hinzu kämen die Auswahl eines geeigneten Algorithmus, das Training und Testen des Modells sowie Aspekte zu Transparenz und Erklärbarkeit. Dem schließe sich die Implementierung in die eigentliche Software an. Laut Poretschkin erfolgt sodann die Einbettung der KI-Komponente in die Anwendung mit Fokus auf die Aspekte der Anwendung, deren Verhalten
