Künstliche Intelligenz: Was kann ich, was Robo A nicht kann?

Ich blinzele, kann kaum was sehen. Die Sonne scheint mir direkt ins Gesicht. Hell, schmerzhaft, stechend – aber ich weiß, dass alle meine Sinne geschärft sein müssen. Ich bemühe mich zu sehen, was vor mir liegt. Denn ich fahre 60 km/h und fühle mich dabei fast blind. Und um mich herum Radfahrer, die in die gleiche Richtung fahren, zum Teil sehr nahe neben meinem Wagen, und sie unterhalten sich beim Fahrradfahren.

So – oder so ähnlich – geht es uns in der Heidelberger Innenstadt, wenn wir dort im Sommer bei strahlend blauem Himmel rund um den Bismarckplatz unterwegs sind. Und vielleicht haben wir es eilig. Fakt ist, eine ganze Menge Radfahrer – und nicht nur die – ist permanent um uns herum. Was tun wir beim Autofahren? Wir beobachten, wir treffen Entscheidungen, wir fahren weiter. Wir beachten die Verkehrsregeln, aber wir handeln auch intuitiv. Steht die Sonne tief, fahren wir ganz vorsichtig. Wir wissen vielleicht, dass direkt nach der Neckarbrücke ein Zebrastreifen kommt. Halten dann besser vorsorglich an und schauen erst, vielleicht mit einem zweiten Kontrollblick, dass wirklich kein Radfahrer mit hoher Geschwindigkeit den Zebrastreifen überquert.

Aber wie läuft das dann bei einem selbstfahrenden Auto ab? Wie kann ein Computer all diese Entscheidungen in so kurzer Reaktionszeit treffen? Woher weiß er, wann die Sonne in welchem Winkel auf die Sensoren des Fahrzeugs scheint, die überall in der Karosserie eingebaut sind? Sind dafür Zehntausende Regeln hinterlegt, die zuvor ein Mensch festgelegt haben muss, und der Computer und dessen Steuereinheit führen diese Regeln dann lediglich aus?

Und dann stellen sich auch Fragen wie: War solch eine automatisierte Regelausführung der Grund für den tödlichen Unfall, den ein Fahrzeug im „autonomen Modus“ in Arizona verursachte, als es mit rund 64 km/h unterwegs war und ohne abzubremsen eine Passantin in der Stadt Tempe anfuhr? Die Polizeichefin Sylvia Moir sagte dem San Francisco Chronicle, das Video einer Kamera des Uber-Wagens zeige, dass die Frau „direkt aus dem Schatten auf die Fahrbahn getreten“ sei. „Es ist klar, dass dieser Zusammenstoß in jedem Modus, ob autonom oder manuell, schwer zu verhindern gewesen wäre.“

Lernen – immer mehr, immer besser

Nachdem wir in meinem letzten Blogpost über die Mythen von künstlicher Intelligenz gesprochen haben, werfe ich hier die Frage auf: Was steckt hier an Mathematik, Artificial Intelligence oder Machine Learning dahinter, damit die Fahrzeuge von Google, Tesla oder Uber – oder auch Mercedes Benz, die laut der Frankfurter Allgemeinen Zeitung im Großraum Stuttgart bereits mit selbstfahrenden Autos unterwegs sein sollen – autonom fahren können?

Es geht um mathematische Modelle, um prädiktive Modelle, die in der Lage sind, aus einer Vielzahl an erhobenen Daten zu lernen. Und durch weitere Daten immer mehr dazuzulernen. Durch iterative Verfahren, die immer wieder eine Menge an Eingangsdaten hernehmen und diese nach einem festgelegten Algorithmus – den der Mensch festlegt und keine Maschine 😉 – verarbeiten, spucken diese Modelle mit einer hohen Wahrscheinlichkeit ein konkretes Ergebnis aus – sei es (teilweise) vorgegeben oder vollkommen offen, Free-Style sozusagen.

Ein Beispiel für ein solches Verfahren sind die in den Medien viel beschworenen Deep-Learning-Algorithmen. Ich füttere die Eingangsschicht dieser neuronalen Netzwerke mit einer Unmenge an Daten, bis ich die gewünschte Ergebnismenge oder -qualität erziele. Welche Formel kommt dabei heraus? Und genau hier liegt zumindest für den Einsatz in regulatorischen Prozess in einer Bank ein Problem. Denn in vielen Fällen sind die Formeln so lang und unübersichtlich, dass sie von Menschen nicht mehr nachvollzogen werden können. Und was der Wirtschaftsprüfer nicht nachvollziehen kann, bestätigt er wohl nicht im positiven Sinne.

Anders ist das bei einem selbstfahrenden Auto: Die Transparenz der Formel ist nicht wirklich wichtig. Viel wichtiger ist es, dass die Algorithmen, die in den mathematischen Modellen der selbstfahrenden Autos produktiv – also im Straßenverkehr – funktionieren sollen, mit hinreichend vielen und qualitativ hochwertigen Daten gefüttert wurden. Stellen wir uns das so vor: Ich zeichne ein mitzahlreichen Sensoren versehenes Fahrzeug ein Jahr lang auf, in allen möglichen Straßenverkehrssituationen. Dann kann ich aus diesen Massendaten mathematische Modelle bauen, die ein selbstfahrendes Auto mit den korrekten Vorhersagen versorgen. Und anhand derer dann Regeln umgesetzt werden, die so aussehen können: Wenn der Sonnenstrahl in einem bestimmten Winkel in den Sensor scheint, sich zeitgleich ein Schatten in einem zweiten Sensor bewegt und die Geschwindigkeit größer als 20 km/h ist, dann bitte eine Vollbremsung durchführen. Das ist natürlich stark vereinfacht.

Und im Banking?

Jetzt zeichne ich zwei Jahre lang die Mausklicks des Sachbearbeiters in einer Bank auf, zeichne weiterhin die Ausgangsdaten auf, die täglich dreimal eintreffen, definiere, was der Sachbearbeiter mit diesen Daten tun soll und welche Entscheidungen er daraus ableiten soll. Dann werde ich genug Daten haben, um daraus mathematische Vorhersagemodelle zu bauen.

Ein konkretes Beispiel: Meine Aufgabe ist es, aus steuerrelevanten Informationen einen Buchungssatz zu generieren, „Soll an Haben“. Diese steuerrelevanten Informationen verändern sich über die Zeit. Mein Ziel ist, für mein Unternehmen unter den gegebenen gesetzlichen Richtlinien das aus steuerlichen Gesichtspunkten beste Ergebnis zu erzeugen. Dann stellt sich hier nur noch die Frage, welche Buchungsprozesse ohnehin vollkommen automatisiert ablaufen könnten, weil das Ergebnis alternativlos ist, und bei welchen Buchungssätzen meine Intuition, meine Erfahrungswerte, mein „Kopf“ gefragt sind.

Erfahren Sie mehr in unserer Studie "How will AI transform banking?"

Wenn Algorithmen menschliche Intuition abbilden …

Und genau diese Intuition ist es ja, die ich zwei Jahre lang verwendet habe. Und die ich jetzt in einem Vorhersagemodell generieren kann. Genau hier liegt das Potenzial von Machine Learning in den Back-Office-Prozessen einer Bank. Dabei ist es vollkommen unerheblich, ob mir das mathematische Modell lediglich als „Assistent“ zur Verfügung steht, oder ob ich als Fachkraft hier vollkommen ersetzbar werde.

Bitte nicht falsch verstehen: Aus meiner persönlichen Situation heraus ist es natürlich überhaupt nicht unerheblich. Ich werde Angst um meinen Job haben. Angst, ersetzbar zu sein. Aber aus mathematischer Sicht ist es unerheblich. Die Bank kann hier selbst entscheiden, ab welcher Qualitätsstufe oder Güte dieses Vorhersagemodell besser und effizienter funktioniert als der Mensch – und mich ersetzt oder lediglich assistiert.

Es spricht ja überhaupt nichts dagegen, über einen Zeitraum von weiteren zwei Jahren zu testen, ob ich oder mein kleiner Assistent – nennen wir ihn „Robo A“ – die besseren Ergebnisse erzielen. Anschließend kann ich mich mit meinem Fachwissen vielleicht viel anspruchsvolleren Aufgaben widmen, während mein kleiner Freund Robo A meine Routinearbeiten erledigt.

Vielleicht sollten wir bei größeren Geldmengen zum Beispiel einen Händler von Wertpapieren nie vollständig durch einen Algorithmus ersetzen. Aber stellen wir uns vor, wir hätten hier einen Assistenten, der permanent schmunzelt (wenn wir den richtigen Handel tätigen) oder warnt, wenn er vorhersagt, dass dieser Handel mit hoher Wahrscheinlichkeit nicht das gewünschte Ergebnis erzielt. Natürlich kann niemand Aktienkurse vorhersehen, auch nicht mit Machine-Learning-Algorithmen. Aber diese Algorithmen können meine Intuition in den bankfachlichen Prozessen abbilden.

Dieses E-Book bietet eine Einführung in diese innovativen Techniken sowie 10 Best Practices und eine Checkliste für die maschinelle Lernbereitschaft.

Erfahren Sie mehr zum Thema "Künstliche Intelligenz" hier im Blog oder auf YouTube: