Das Klassenzimmer „steht Kopf“

Das Beispiel weltweit zugänglicher Vorlesungen an US-Eliteuniversitäten zeigt, wie die Digitalisierung unser Leben vereinfacht. Hochwertige Bildung wird für eine steigende Zahl von Menschen zu niedrigsten Kosten in aller Welt verfügbar sein. Gleichzeitig stellt diese Veränderung den Hörsaal und das Klassenzimmer „auf den Kopf“. Konnten in der Vergangenheit Schüler und Studenten von Lehrern und Professoren lernen, liefert heute das Verhalten von Schülern und Studenten wichtige Rückschlüsse, wenn sie von einem Algorithmus durch die Hausübungen geführt oder auf eine Schularbeit vorbereitet werden. Beim Abrufen, Wiederholen und Wiedergeben von Lerninhalten fallen unzählige Informationen darüber an, wie junge Menschen lernen: welche Bereiche oft wiederholt werden müssen, ob sie besser lernen, wenn die Information visuell oder akustisch geliefert wird.

Diese Informationen können verwendet werden, um individuell auf die Stärken und Schwächen von Schülern einzugehen. Das New Yorker Schulsystem „School of One“ macht sich diesen Ansatz zunutze. In den sechs teilnehmenden Schulen werden im Mathematikunterricht die Lerninhalte an Computerterminals individuell vermittelt. Jeder Schüler erhält dort täglich eine Liste an Aufgaben, die auf der Basis bisheriger Lernerfolge von einem Algorithmus ausgearbeitet werden. Machine Learning erlaubt es, dass Aufgaben, die Probleme bereiten, wiederholt oder in einfacherer Form aufbereitet werden. Die Schüler werden in unterschiedlichen Geschwindigkeiten von einem Algorithmus „unterrichtet“.

Im Jahr vor der Einführung der School of One lag die Leistung der Sechstklässler etwa ein Prozent unter dem Durchschnitt vergleichbarer Einrichtungen in New York City. Zwei Jahre nach der Einführung des neuen Systems wurden dieselben Schüler wieder getestet. Sie waren um elf Prozent besser als der Durchschnitt.

Was ist Machine Learning?

Machine Learning bezeichnet die Fähigkeit von Algorithmen, sich anhand ihrer bisherigen Leistungen zu verbessern, also zu lernen. Wie lernt nun ein Algorithmus? Indem er erst selbst Resultate schätzt und dann mit den tatsächlichen Ergebnissen vergleicht. In einer nächsten Runde verändert der Algorithmus einen kleinen Bestandteil seiner Schätzung und überprüft erneut deren Genauigkeit. Über mehrere, oft tausende Durchläufe kann der Algorithmus so „lernen“, seine Verfahren zu verbessern.

Nehmen wir an, ein Algorithmus soll schätzen, ob es sich bei einem unbekannten Tier um eine Katze oder einen Hund handelt. Aus einer bestehenden Datenbank weiß der Algorithmus, welche Eigenschaften Hunden und Katzen zuzuordnen sind (Fell, Nahrung, Verhalten). Findet der Algorithmus bestimmte Eigenschaften in seinem Datensatz wieder, so kann er daraus schließen, um welches Tier es sich handelt.

OTTO, hol schon mal den Wagen!

In den USA machen LKW 5,6 Prozent des Straßenverkehrs aus, sind aber gleichzeitig für 9,5 Prozent aller tödlichen Verkehrsunfälle verantwortlich.[1] Dies will die Firma OTTO (Ottomotto), Tochter des Taxi-Service Uber, ändern. In einigen US-Bundesstaaten testet OTTO seit 2016 erfolgreich selbstfahrende „Big-Rigs“ (Sattelschlepper). Wie viele technologische Innovationen gehen auch selbstfahrende Fahrzeuge auf das Militär zurück. Das Pentagon testet seit vielen Jahren in der Wüste von Nevada autonom fahrende Fahrzeuge. OTTOs Gründer, Anthony Lewandowski, war im Jahr 2005 bei den erfolgreichsten Teams der Tests dabei. Die Gefahrenstatistik des LKW-Verkehrs sowie hohe Anschaffungskosten könnten übrigens dazu führen, dass in den USA selbstfahrende 15-Tonner die Straßen vor autonomen PKW erobern werden.

Bereits jetzt erkennen Algorithmen über Sensoren in Echtzeit andere Verkehrsteilnehmer, Fahrbahnlinien oder Straßenschilder. In einigen Bereichen der Bilderkennung machen sogenannte Deep-Learning-Algorithmen bereits weniger Fehler als der Mensch.[2] Der Transport wird sicherer, günstiger und umweltschonender.

Was ist Deep Learning?

Eine bedeutende Weiterentwicklung der Verknüpfung verschiedener Algorithmen ist der Versuch, das menschliche Gehirn in seiner Funktionsweise zu imitieren. Netzwerke von Algorithmen sind den Verknüpfungen von Neuronen im menschlichen Gehirn nachempfunden. Diese Technologie findet beispielsweise bei der Bilderkennung Anwendung. Die Netzwerke sind wie in unseren „grauen Zellen“ in Schichten angeordnet und verarbeiten nacheinander Informationen. Bei einer Vielzahl von Schichten spricht man von Deep Networks oder auch Deep Learning.

Bei der Betrachtung eines Bildes kann ein Deep-Learning-Netzwerk unterscheiden, ob dort ein Hund oder eine Katze zu sehen ist. Durch verschiedene Filter werden einzelne Bildausschnitte vereinfacht. Eine weitere Schicht von Algorithmen erkennt in diesen vereinfachten Informationen Muster. Einige dieser Muster tauchen immer wieder in Bildern mit bestimmten Inhalten (wie Katzen) auf. Wenn viele dieser Muster in einem Bild enthalten sind, kann der Algorithmus daraus schließen, dass dort eine Katze und kein Hund abgebildet sein muss.

Schuldig im Sinne des Algorithmus!

Auf das kanadische Computerprogramm ROSS verlassen sich bereits viele Anwaltskanzleien. ROSS, welches ebenfalls auf dem IBM-Algorithmus Watson basiert, kann tausende juristische Texte pro Minute analysieren, zusammenfassen und Anwälte selbst bei der Lösung komplexer Fälle unterstützen. Der „digitale Anwalt“ bedient sich der künstlichen Sprach- und Textverarbeitung, des sogenannten Natural Language Processing. Neben der Anwendung in Anwaltskanzleien wird ROSS in absehbarer Zukunft wohl auch individuelle Klienten konsultieren, die sich heute keine umfassende rechtliche Beratung leisten können. Das wiederum hat zur Folge, dass der Rechtsbeistand für alle Bürger zu minimalen Kosten möglich sein wird.

Was ist Natural Language Processing?

Das Erkennen, Verarbeiten und Verwenden mensch­licher Sprache durch Algorithmen bezeichnet man als Natural Language Processing, kurz NLP. Mit Hilfe von Programmen werden bereits große Textmengen im juristischen Bereich zusammengefasst (Automatic Summarization).

Auf dem deutschsprachigen Markt bedienen sich einige Online-Portale bereits erfolgreich ähnlicher Algorithmen. Passagiere, deren Flüge verspätet sind oder aus­fallen, können über Seiten wie flightright.de oder fairplane.at automatisierten Rechtsbeistand suchen. Noch anspruchsvoller als das Zusammenfassen von Texten ist das Erkennen von subjektiven Inhalten (Sentiment Analysis). Emotionen, Meinungen oder die Einschätzungen in Texten sind derzeit noch eine besondere technische Herausforderung. (89 Wörter)

Beispiel einer automatischen Zusammenfassung des vorhergehenden Absatzes anhand der Luhn-Methode[3]:

Auf dem deutschsprachigen Markt bedienen sich einige Online-Portale bereits erfolgreich ähn­licher Algorithmen. Noch anspruchsvoller als das Zusammenfassen von Texten ist das Erkennen von subjektiven Inhalten (Sentiment Analysis). Emotionen, Meinungen oder die Einschätzungen in Texten sind derzeit noch eine besondere technische Herausforderung. (41 Wörter)

Wie man anhand dieses Beispiels sieht, konnten mehr als die Hälfte der Worte eingespart werden, ohne dass die Kernaussage verloren geht. Neben der Luhn-­Methode sind auch die Edmundson-, LSA-, Text-Rank-, Lex-Rank-, Sum-Basic- und die KL-Methode geläufig.