Warum wohl investiert Google in KI?
Man kann sich übrigens durchaus fragen, wieso ein Unternehmen wie Google allein 2014 acht Unternehmen gekauft hat, die sich - wie etwa Boston Dynamics - mit der Entwicklung von Robotersystemen beschäftigen oder wie DeepMind mit Machine Learning und künstlicher Intelligenz.
- Apache Spark MLlib
Früher als Teil des Hadoop-Universums bekannt, ist Apache Spark mittlerweile ein bekanntes Machine-Learning-Framework. Sein umfangreiches Angebot an Algorithmen wird ständig überarbeitet und erweitert. - Apache Singa
Singa, seit kurzem Teil des Apache Incubator, ist ein Open-Source-Framework, das Deep-Learning-Mechanismen auf große Datenvolumen hin „trainieren“ soll. Singa stellt ein simples Programmierungsmodell für Deep-Learning-Netzwerke bereit und unterstützt dabei diverse Entwicklungsroutinen. - Caffe
Caffe umfasst ein ganzes Set von frei verfügbaren Referenzmodellen für gängige Klassifizierungsroutinen; die gewachsene Caffe-Community steuert weitere Modelle bei. Caffe unterstützt die Nvidia-Programmiertechnik CUDA, mit der Programmteile wahlweise auch durch den Grafikprozessor (GPU) abgearbeitet werden können. - Microsoft Azure ML Studio
Weil die Cloud also die ideale Umgebung für ML-Anwendungen darstellt, hat Microsoft seine Azure-Cloud mit einem eigenen ML-Service auf der Basis von „pay as you go“ ausgestattet: Mit Azure ML Studio können Nutzer KI-Modelle entwickeln und trainieren und anschließend in APIs umwandeln, um diese wiederum Anderen zur Verfügung zur stellen. - Amazon Machine Learning
Amazon Machine Learning arbeitet mit Daten, die in einer Amazon-Cloud wie S3, Redshift oder RDS liegen und kann mithilfe binärer Klassifizierungen und Multiklassen-Kategorisierung von vorgegebenen Daten neue KI-Modelle bauen. - Microsoft DMTK
Das DMTK (Distributed Machine Learning Toolkit) von Microsoft soll ML-Anwendungen über mehrere Maschinen hinweg skalieren. Es ist eher als "Out of the Box"-Lösung gedacht und weniger als Framework - entsprechend gering ist die Anzahl der unterstützten Algorithmen. - Google TensorFlow
TensorFlow basiert auf sogenannten Data-Flow-Graphen, in denen Bündel von Daten („Tensors“) durch eine Reihe von Algorithmen verarbeitet werden, die durch einen Graph beschrieben sind. Die Bewegungsmuster der Daten innerhalb des Systems heißen „Flows“. Die Graphen lassen sich mittels C++ und Python zusammenbauen und via CPU oder GPU verarbeiten. - Microsoft CNTK
Das Microsoft Computational Network Toolkit funktioniert ähnlich wie Google TensorFlow: Neuronale Netze lassen sich durch gerichtete Graphen erzeugen. Microsofts eigener Beschreibung zufolge lässt sich CNTK außerdem mit Projekten wie Caffe, Theano und Torch vergleichen – sei aber schneller und könne im Gegensatz zu den genannten gar parallel auf Prozessor- und Grafikprozessorleistung zugreifen. - Samsung Veles
Das Samsung-Framework ist dazu gedacht, Datensätze zu analysieren und automatisch zu normalisieren, bevor sie in den Produktivbetrieb übergehen – was wiederum durch eine eigene API namens REST sofort möglich ist – vorausgesetzt, die eingesetzte Hardware hat genügend Power. Der Python-Einsatz in Veles umfasst auch ein eigenes Analyse- und Visualisierungstool namens Jupyter (früher IPython) für die Darstellung einzelner Anwendungs-Cluster. - Brainstorm
Brainstorm setzt auf Python, um zwei Data-Management-APIs („Handers“ genannt) bereitzustellen – eine für CPU-Prozessing durch die Bibliothek „Numpy“ und eine für GPU-Verarbeitung via CUDA. Eine benutzerfreundliche GUI ist in Arbeit. - mlpack 2
Die neue Version der in C++ geschriebenen Machine-Learning-Bibliothek mlpack, die erstmals im Jahr 2011 erschien, bringt eine Menge Neuerungen mit – darunter neue Algorithmen und überarbeitete alte. - Marvin
Der Quellcode von Marvin ist sehr übersichtlich - die enthaltenen vortrainierten Modelle (siehe Bild) ermöglichen aber bereits eine umfangreiche Weiterentwicklung. - Neon
Neon von NervanaSystems ist ein Open-Source-Framework, das auf ein- und abschaltbaren Modulen basiert und KI-Prozesse via CPU, GPU oder Nervanas eigener Hardware ermöglicht.
Analysten von der Bank of America Merrill Lynch haben darauf eine Antwort. "Eine Robotik-Revolution" werde die globale Ökonomie in den nächsten 20 Jahren verändern. So ließen sich die Kosten, zu denen heute Produkte und Dienstleistungen angeboten werden, deutlich reduzieren. Gleichzeitig aber würden soziale Ungleichheiten verstärkt. Künftig würden Maschinen alle möglichen Tätigkeiten von der Altenpflege bis zum Umdrehen von Burgern in Fast-Food-Läden übernehmen. Die Durchdringung von Robotern und künstlicher Intelligenz habe jeden Industriesektor erfasst. Dieser Trend sei insbesondere in Märkten wie dem amerikanischen besorgniserregend. Hier seien in den vergangenen Jahren viele Jobs entstanden, die gering bezahlt sind, nur Muskelkraft verlangen oder im Dienstleistungssektor angesiedelt sind. Diese Positionen, so die Autoren der Untersuchung, unterlägen einem hohen Risiko, maschinell ersetzt zu werden.
Aber eben nicht nur die Blue-Collar-Jobs sind gefährdet. Schon im Mai 2013 hatte das McKinsey Globale Institute eine Untersuchung veröffentlicht, wonach durch den Einsatz von disruptiven Techniken bis zu neun Billionen Dollar Arbeitskosten eingespart werden könnten - dann nämlich, wenn Computer wissensintensive Aufgaben von Menschen übernehmen könnten. Hierzu zählen sie beispielsweise Analysen der Kreditwürdigkeit von Kunden oder Ratschläge in finanziellen Angelegenheiten.
Was das für Old-School-Unternehmen wie Banken mit ihren großen Personalstämmen bedeutet, zeigt etwa folgende Zahl: Allein in New York waren im Jahr 2000 rund 150.000 Menschen als Finanzanalysten beschäftigt, 14 Jahre später waren es nur noch 100.000 - ein Rückgang um ein Drittel.
Dramatische Auswirkungen auf Jobs
Nicht umsonst warnt der studierte Informatiker und Softwarefirmengründer im Silicon Valley, Martin Ford, unter anderem in seinem Buch "Rise of the Robots: Technology and the Threat of a Jobless Future" vor den "dramatischen Auswirkungen auf die Beschäftigungszahlen durch die IT", die viel größere Effekte haben werde als alles, was die Menschheit jemals bis auf den heutigen Tag erlebt habe.
Es gibt auch Optimisten
Die Zahl der Warner vor den Folgen einer zunehmenden Digitalisierung und Automatisierung von Geschäftsprozessen scheint mit jedem Monat und jeder neu auftauchenden technischen Entwicklung und Untersuchung anzuwachsen. Allerdings sagt Ulrich Zierahn, einer der Autoren der bereits zitierten Untersuchung des Zentrums für Europäische Wirtschaftsforschung in Mannheim, grundsätzlich sei für Hochqualifizierte die Bedrohung des Arbeitsplatzverlustes eher gering. Dem würde etwa Martin Ford zustimmen, allerdings betont der, dass in den USA ein Großteil der im vergangenen Jahrzehnt geschaffenen Arbeitsplätze nicht von solchen Qualifizierten besetzt wurde. Arbeitsmarktzahlen der USA belegen, dass rund 60 Prozent der amerikanischen Arbeitnehmer keine höhere Bildung vorweisen können.
Ob also der Optimismus von Joachim Möller, Direktor des staatlichen Instituts für Arbeitsmarkt- und Berufsforschung (IAB), begründet ist, bleibt dahingestellt. Er meint, Berufsfelder und Tätigkeiten würden sich ständig der technischen Entwicklung anpassen. Zu befürchten ist allerdings, dass Geringqualifizierte sich nicht auf die anspruchsvollen neuen Berufsfelder einstellen können.
Alles Verschwörungstheoretiker?
Nun könnte man der Ansicht sein, dass die Mahner nur orakeln, um sich interessant zu machen oder Bücher zu verkaufen und sich mit Technik, der anspruchsvollen KI-Technik zumal, nicht besonders gut auskennen. Allerdings müsste man dann auch so kundige Menschen wie Elon Musk von Tesla, Bill Gates von Microsoft, den Physiker Stephen Hawking oder den Apple-Mitgründer Steve Wozniak zum Kreis der Ahnungslosen zählen. Fachleute wie Nick Bostrom, Leiter des Oxforder Future Humanity Institute (FHI), sagen, es gebe genügend Gründe zu glauben, "dass die unregulierte und zwanglose Entwicklung im KI-Sektor eine Reihe signifikanter Gefahren mit sich bringt". Solcherlei Forschungen könnten leicht von "bösen Buben" wie beispielsweise verantwortungslosen Regierungen genutzt werden.
Das FHI, an das Elon Musk übrigens zehn Millionen Dollar spendete, hat aus mehr als 300 Forschungsgruppen, die sich um finanzielle Unterstützungen beworben hatten, 37 Projekte herausgefiltert. Die widmen sich ganz unterschiedlichen Themen, wie etwa der Frage, ob man KI-Systemen ethisches Denken und Handeln beibringen könne.