Wo ist der nächste Parkplatz?

Diese und 249 weitere Fragen zu den Themen der Stadt Wien kann man dem WienBot, einem öffentlichen Chatbot der Stadt Wien, stellen. Die Antworten liefert kein Mensch, sondern ein Algorithmus. Der WienBot beantwortet Fragen zu Bezirksämtern, Meldezetteln, Parkplätzen oder Veranstaltungen und bindet so Menschen ein, die schnell von unterwegs Informationen aus der Stadtverwaltung benötigen. Auf der Basis bereits gestellter Fragen lernt der WienBot und erweitert so permanent die Bandbreite seines Repertoires.

Was ist ein Chatbot?

Die Erschaffung künstlicher Gesprächspartner kann als die Königsdisziplin der künstlichen Sprach- und Textverarbeitung (Natural Language Processing) bezeichnet werden. Schon Alan Turing, dem „Erfinder“ des Computers, schwebte die Idee vor, dass Computer irgendwann in direkte Interaktion mit Menschen treten. Der nach ihm benannte Turing-Test ist dann bestanden, wenn der menschliche Benutzer der Überzeugung ist, sich mit einem anderen Menschen und nicht mit einer Maschine zu unterhalten.

Bereits jetzt treten künstliche Gesprächspartner in Form von Chatbots in Erscheinung. Die Stadt Wien beispielsweise präsentiert 2017 ihren „WienBot“, der Fragen zur Verwaltung in der Stadt Wien beantworten kann.[1] Den Turing-Test bestehen diese Bots zwar noch nicht, aber auf einem thematisch eingeschränkten Gebiet sind sie bereits jetzt effizienter als menschliche Ratgeber.

Algorithmen können nicht nur Informationen in geschriebener Form verarbeiten. Ähnlich wie bei der Bilderkennung lassen sich auch in der menschlichen Sprache Muster für die Verarbeitung von Informationen auswerten. Bekannte Beispiele von Audio Processing sind Apples Spracherkennung Siri oder Amazons Heim-Assistent Alexa.

Audio Processing

Analog zur Verarbeitung von Bildern oder Videos beschäftigt sich Audio Processing mit der Erkennung von Informationen in Audioinhalten. Ähnlich wie bei Computer Vision werden bei Audio Processing natürliche Bestandteile der Sprache wie Frequenzen in Zahlenfolgen umgewandelt. Diese Zahlenfolgen können identifiziert und einzelnen Wortbestandteilen zugeordnet werden. Bei der Spracherkennung schließt dieser Prozess letztendlich an Verfahren der künstlichen Sprach- und Textverarbeitung (Natural Language Processing) an und ermöglicht eine Interaktion zwischen Mensch und Maschine.

Die „dunkle Seite“ von Instagram

Besonders Nutzerdaten aus Social-Media-Plattformen sind zu einem reichhaltigen Fundus für Machine-Learning-Experten geworden. Aus Millionen von Text-, Bild- und Videoinformationen, die Nutzer täglich auf Twitter, Facebook oder Instagram „posten“, können Algorithmen wertvolle Informationen gewinnen. Dies zeigt die aktuelle Forschung des Harvard-Psychologen Andrew Reece. Gemeinsam mit seinem Kollegen Christopher Danforth von der Universität von Vermont ist es ihm gelungen, aus Instagram-Bildern Elemente (sogenannte Predictive Marker) zu entnehmen, die zuverlässige Rückschlüsse auf die mentale Gesundheit des jeweiligen Nutzers zulassen.[2] Bei 166 Testpersonen gelang es den Forschern mit Hilfe der Predictive Marker nicht nur, genauer als menschliche Experten Depressionen vorherzusagen. Sie waren auch in der Lage, auf der Grundlage von Posts, die noch vor der klinischen Diagnose getätigt worden waren, psychische Krankheiten zu erkennen.

Computer Vision

Computer Vision erlaubt es Maschinen, zu sehen und die Inhalte von Bildern und Videos zu erkennen. Entscheidend für die Fortschritte von Computer Vision sind die gesteigerte Rechenleistung sowie Methoden aus dem Machine Learning, die Erkennung von wiederkehrenden charakteristischen Mustern oder der Einsatz von Deep Learning. Bildinformationen werden hierbei in Zahlenmuster umgewandelt, die wiederum von Algorithmen interpretiert werden können.

Computer Vision kommt in verschiedenen Bereichen bereits jetzt serienmäßig zum Einsatz. In der Festkörperphysik beispielsweise ist Computer Vision dem menschlichen Auge schon lange überlegen. Vielversprechende Resultate erzielt Computer Vision wie zuvor beschrieben auch in der Medizin.

Beethoven, Bach oder Beta-Version?

Selbst bei der Weiterverarbeitung von kreativen Audioinhalten wie Musik machen Algorithmen große Fortschritte. Das Forschungsteam von Professor Francisco Vico an der Universität Malaga entwickelte einen Algorithmus namens Iamus, der auf der Grundlage klassischer Musikstücke in der Lage ist, selbst Symphonien und Lieder zu schreiben.[3] Einem Testpublikum war es nicht möglich, die Musik des Algorithmus zuverlässig von den Werken neuer menschlicher Künstler oder alter Klassiker zu unterscheiden. Während Iamus bereits mehr als eine Milliarde Lieder verschiedenster Sujets „geschrieben“ hat, ist sein Erfinder Vico davon überzeugt, dass „kreative Algorithmen“ in wenigen Jahren in allen erdenklichen Kunstformen Anwendung finden werden. Etwa im Malen von Bildern oder Designen von Möbeln.

Für alle Formen von Machine Learning gilt: Je größer die zur Verfügung stehende Datenmenge, desto höher die Zuverlässigkeit. Frei zugängliche Datensätze wie Googles Bilderdaten oder Twitter-Texte erweitern täglich die Trainingsmöglichkeiten und damit die Präzision von Machine-Learning-Algorithmen. Dies ist einer der Gründe, warum Open-Data-Bewegungen die freie Bereitstellung aller Daten in maschinenlesbarer Form fordern.

Einmal Herz und zweimal Niere, bitte!

Die beschleunigte Rechenleistung und schnelle Verbreitung von Daten hat auch weitreichende Folgen in der Medizin. Von Additive Manufacturing (eine Form von 3-D-Druck) werden revolutionäre Ergebnisse erwartet.[4] Bereits jetzt können medizinische Prothesen in 3-D-Druck-Verfahren[5] auf individuelle Bedürfnisse angepasst und hergestellt werden. Experimentell wird bereits im Bereich des Druckens von organischem Gewebe, dem Bioprinting, gearbeitet. Durch die Ummantelung von körpereigenen Zellen als Druckmaterial könnte diese Technik in einigen Jahren den Engpass auf dem Markt für Spenderorgane beenden. Momentan steckt das Bioprinting noch in seinen Kinderschuhen, doch ein geschätztes Volumen von 1,3 Milliarden US-Dollar bis 2021 lässt das enorme Wachstumspotential dieser Branche erahnen.[6]

Was bedeutet Additive Manufacturing?

Diese Technologie erlaubt es ihren Nutzern, dezen­tral und individuell Gegenstände zu produzieren. Besonders in Entwicklungsländern, für die interna­tionale Produktionsketten relativ teuer sind, wird 3-D-Druck zu einer Alternative bei der Erstellung von Produktionsteilen. Aber auch in industrialisierten Ländern hat 3-D-Druck bereits jetzt vielseitige Anwendungsmöglichkeiten, die sich in den nächsten Jahren stark ausweiten werden. Das Additive Manufacturing-Verfahren macht das „Unmögliche“ möglich: die Massenproduktion von Waren, die in hohem Maße individualisiert sind. Bei Modeketten können sich Kunden innerhalb weniger Minuten selbst de­signte Kleidungsstücke vor Ort herstellen lassen. Persönliche Modifikationen können zuvor vom End­nutzer selbst über das Internet von zu Hause aus vorgenommen werden.