Bachelor
Computer Science and Digital Communications
berufsbegleitend
Mugdim Bublin ist Lehrender im Fachbereich Computer Science and Digital Communications an der FH Campus Wien und hat die Stadt Wien Stiftungsprofessur für Artificial Intelligence inne. Seine Spezialgebiete sind – neben Mobilfunk und Telekommunikation – Machine Learning, Deep Learning und Künstliche Intelligenz. Doch was bedeuten diese Begriffe eigentlich? Im Interview spricht er auch über mögliche Einsatzgebiete, Herausforderungen und Chancen im Zusammenhang mit Künstlicher Intelligenz.
Künstliche Intelligenz bedeutet, dass Computersysteme in der Lage sind, Aufgaben selbständig zu bewältigen, für die eigentlich menschliche Intelligenz benötigt wird. Beispiele hierfür sind Bilder zu erkennen oder Sprache zu verstehen.
Virtual Reality (VR) ist eine durch Computer erzeugte Realität.
Wie profitiert nun VR von KI? Der klassische Ansatz war, dem Computer mithilfe aufwändiger Algorithmen zu sagen, wie diese künstliche Realität zu erzeugen ist. Inzwischen sagt man KI-Algorithmen nur noch, was zu tun ist und lässt die Künstliche Intelligenz selbständig die Virtuelle Realität erzeugen.
Aber es geht auch umgekehrt: Durch VR lassen sich wiederum KI-Algorithmen entwickeln, simulieren und optimieren. In einer realen Umgebung wäre das oft unmöglich oder sehr aufwändig.
Machine Learning ist ein Teilbereich der Künstlichen Intelligenz und bedeutet, dass Maschinen – also Computer, genauer gesagt Algorithmen – aus Daten lernen. Deep Learning ist wiederum ein Teilbereich des Machine Learnings (siehe Abbildung 1). Hier kommen große künstliche neuronale Netze zum Einsatz, mit deren Hilfe die Maschinen selbst „trainieren“ und lernen.
Künstliche neuronale Netze sind in Anlehnung an das menschliche Gehirn entstanden: Die Neuronen werden durch einfache mathematische Funktionen modelliert und sind mit anderen Neuronen in einem Netz über Parameter – sogenannte Gewichte – in mehreren Layern verbunden (siehe Abbildung 2). Beim Lernen in neuronalen Netzen geht es darum, die Werte dieser Gewichte anhand der vorhandenen Daten zu bestimmen. Trainiert eine Maschine dann erfolgreich mit einem großen Satz Daten wie beispielsweise Bildern, so kann sie mit relativ hoher Wahrscheinlichkeit ein neues Foto richtig klassifizieren.
In den Anfängen hat die symbolische KI das Feld dominiert. Durch Deep-Learning-Erfolge gewinnt der konnektivistische Ansatz inzwischen immer mehr an Bedeutung.
Weiters können generelle und spezielle KI unterschieden werden. Die generelle KI versucht, die menschliche Intelligenz als Ganzes nachzubilden. Die spezielle KI bezieht sich hingegen auf einzelne Aufgaben wie Sprach- oder Bilderkennung. Bisherige KI-Erfolge konnten in der speziellen KI erzielt werden.
KI basiert immer auf Computersystemen – benötigt also Hardware und Software, vor allem Algorithmen, die wiederum von Menschen programmiert werden. Außerdem sind viele Daten nötig, damit die Systeme „trainieren“ bzw. lernen können.
KI eignet sich vor allem für die Lösung relativ abgegrenzter Aufgaben. So kann sie – nach ausreichendem Training – beispielsweise Bilder oder Spam-Mails erkennen.
KI ist aus unserem Alltag inzwischen nicht mehr wegzudenken – auf dem Gebiet der Spracherkennung sind Siri oder Alexa gute Beispiele. Aber auch bei Übersetzungen, bei der Bilderkennung oder beim autonomen Fahren ist KI ein wichtiger Bestandteil.
KI wird menschliche Arbeitskraft in Zukunft vor allem bei mechanischen Aufgaben ersetzen können, die leicht formalisierbar sind, also wo es viel Zahlenmaterial oder andere Daten gibt. Auch bei Aufgaben, die Menschen nicht übernehmen können oder wollen – etwa, weil sie gefährlich sind – wird KI künftig eine Rolle spielen.
KI ist derzeit nicht geeignet für Aufgaben, die Kreativität, allgemeine Intelligenz bzw. gesunden Menschenverstand erfordern, z. B. Forschung, Innovation oder Kunst.
KI trifft Entscheidungen basierend auf den Daten, die Menschen generiert haben. Es mag sein, dass wir den Output von KI-Algorithmen manchmal als unethisch bezeichnen. Doch wir dürfen nicht vergessen, dass diese von Menschen so programmiert wurden. KI selbst trifft weder ethisch korrekte noch inkorrekte Entscheidungen.
Sogenannte Deep Generative Networks können Bilder im Stil eines Malers wie Van Gogh erstellen. Hierfür wird das Netz zuerst mit vielen Van-Gogh-Bildern trainiert. Danach gibt man ihm ein Landschaftsfoto vor und es reproduziert die Landschaft im Stil von Van Gogh. Ähnliches ist auch mit Musikstücken oder Literaturtexten denkbar.
Das ist allerdings noch keine Kreativität. Man kann dadurch aber einiges über die menschliche Kreativität lernen – ähnlich wie man durch KI etwas über die menschliche Intelligenz lernen kann.
Gerade an der FH Campus Wien, wo es viele unterschiedliche Themenfelder gibt, können wir durch KI Synergien mit anderen Studiengängen nützen. Im Department Gesundheitswissenschaften werden sehr viele Daten generiert: von Röntgenbildern bis hin zu DNA- und Protein-Sequenzen. Diese Daten können wir mithilfe von Deep-Learning-Algorithmen auswerten und nach interessanten Mustern suchen. Aktuell analysieren wir physiotherapeutische Daten, um die Rehabilitation der Patient*innen zu erleichtern und zu verbessern.
Aufgrund des großen Interesses unserer Studierenden gibt es im Masterstudiengang Software Design and Engineering inzwischen eine Wahlpflicht-Lehrveranstaltung, bei der Deep Learning und Virtual Reality im Fokus stehen.
Im kommenden Sommersemester planen wir auch im Bachelorstudiengang Computer Science and Digital Communications eine Spezialisierung im Bereich Data Science anzubieten. Dort soll es um Machine Learning und Deep Learning gehen.
Wir betreuen auch immer mehr Bachelor- und Masterarbeiten sowie Softwareprojekte in diesen Themengebieten und wollen unser Angebot durch Drittmittelprojekte künftig noch erweitern.