Robotik
Viele der jüngsten Entwicklungen im Bereich der Robotik wurden vorangetrieben durch Fortschritte bei KI und Deep Learning. KI eröffnet Robotern beispielsweise die Möglichkeit, ihre Umgebung wahrzunehmen und darauf zu reagieren. Damit erweitert sich ihr Einsatzbereich – die Roboter können etwa durch Lagerhallen navigieren und Objekte handhaben, die unregelmäßig geformt, zerbrechlich oder auch ungeordnet sind. Für Menschen ist eine Handlung wie das Pflücken einer Erdbeere ganz einfach, Roboter haben damit aber seit jeher bemerkenswerte Schwierigkeiten. Die Fortschritte bei der künstlichen Intelligenz werden die Fähigkeiten der Roboter weiter ausbauen.
Angesichts der KI-Entwicklungen ist zu erwarten, dass Roboter künftig mehr und mehr als menschliche Assistenten fungieren werden. Sie werden nicht mehr nur – wie in einigen Fällen heute schon – Fragen verstehen und beantworten, sondern auf Sprachbefehle beziehungsweise Gesten reagieren und sogar die nächsten Arbeitsschritte vorhersehen können. Kollaborative Roboter arbeiten bereits jetzt direkt mit Menschen zusammen; beide Seiten führen dabei die am besten zu ihren jeweiligen Stärken passenden Aufgaben aus.
Landwirtschaft
Künstliche Intelligenz hat das Potenzial, den landwirtschaftlichen Anbau zu revolutionieren. Deep Learning ermöglicht Landwirten aktuell den Einsatz von Geräten, die durch optische Erfassung zwischen Kulturpflanzen und Unkraut unterscheiden. So können Herbizide selektiv auf Fremdpflanzen ausgebracht werden, während die Nutzpflanzen unberührt bleiben. Landmaschinen optimieren unter Einsatz von Computervision auf Basis von Deep Learning sogar den Anbau bestimmter einzelner Pflanzen auf dem Feld, indem sie Herbizide, Fungizide, Insektizide, Düngemittel und biologische Stoffe nur an passenden Stellen versprühen. Der Pflanzenschutzmitteleinsatz wird verringert und der Ertrag gesteigert – aber Deep Learning ist auch auf andere Bereiche der Landwirtschaft anwendbar, etwa Bewässerung und Ernte.
Medizinische Bildverarbeitung und Gesundheitswesen allgemein
Bei der medizinischen Bildverarbeitung lässt sich Deep Learning besonders effektiv einsetzen, da dabei hochwertige Daten zur Verfügung stehen und konvolutionelle neuronale Netze Bilder klassifizieren können. Die Einstufung von Hautkrebserkrankungen gelingt Deep-Learning-Systemen mindestens ebenso effektiv wie Dermatologen. Mehrere Anbieter haben bereits eine FDA-Zulassung für Deep-Learning-Algorithmen zu diagnostischen Zwecken erhalten, beispielsweise bei Bildauswertungen im Zusammenhang mit Krebs- und Netzhauterkrankungen. Deep Learning ist außerdem auf bestem Weg, durch Prognostizieren medizinischer Ereignisse anhand von elektronischen Gesundheitsakten die Qualität der Gesundheitsversorgung zu verbessern.
Deep Learning der Zukunft
Verschiedene neuronale Netzarchitekturen sind derzeit für bestimmte Arten von Eingangsdaten und Aufgaben optimiert. Konvolutionelle neuronale Netze eignen sich sehr gut zum Klassifizieren von Bildern. Bei einer anderen Form von Deep-Learning-Architektur werden rekurrente neuronale Netze zum Verarbeiten sequenzieller Daten genutzt. Sowohl bei konvolutionellen als auch bei rekurrenten neuronalen Netzen läuft ein überwachtes Lernen ab, wofür große Datenmengen erforderlich sind. Künftig wird bei ausgefeilteren KI-Typen unüberwachtes Lernen zum Einsatz kommen. Zu Technologien für unüberwachtes und teilüberwachtes Lernen wird sehr viel geforscht.
Reinforcement Learning (bestärkendes Lernen) ist ein etwas anderer Deep-Learning-Ansatz, bei dem ein Agent durch Versuch und Irrtum in einer simulierten Umgebung ausschließlich anhand von Belohnungen und Bestrafungen lernt. Deep-Learning-Erweiterungen auf dieses Gebiet werden als Deep Reinforcement Learning (DRL) bezeichnet. Dabei wurden große Fortschritte gemacht, wie DRL-Programme verdeutlichen, die Menschen bei dem sehr alten Spiel GO besiegen.
Neuronale Netzarchitekturen zum Lösen von Problemen zu konzipieren, ist unglaublich schwierig. Zahlreiche abzustimmende Hyperparameter und viele zur Optimierung auswählbare Verlustfunktionen machen die Angelegenheit noch komplexer. Umfangreiche Forschungsaktivitäten zielen auf neuronale Netzarchitekturen für autonomes Lernen ab. Beim Erlernen des Lernens, das auch als Metalernen oder AutoML bezeichnet wird, gibt es stetige Fortschritte.
Die aktuellen künstlichen neuronalen Netze basieren auf den in den 1950er-Jahren vorherrschenden Kenntnissen über die Informationsverarbeitung im menschlichen Gehirn. Seit dieser Zeit sind Neurowissenschaftlern beträchtliche neue Erkenntnisse gelungen, und Deep-Learning-Architekturen sind so aufwendig geworden, dass sie Rasterzellenstrukturen aufzuweisen scheinen, wie sie in biologischen neuronalen Gehirnen zum Navigieren vorkommen. Neurowissenschaft und Deep Learning können sich durch Ideenaustausch gegenseitig positiv beeinflussen – sehr wahrscheinlich werden beide Bereiche irgendwann zusammenfließen.
Heutzutage werden keine mechanischen Computer mehr verwendet, und ähnlich dazu wird eine Zeit kommen, in der auch digitale Computer ein Relikt der Vergangenheit sind. An ihre Stelle wird eine neue Generation von Quantencomputern treten. Beim Quantencomputing waren in den letzten Jahren einige Entwicklungssprünge zu verzeichnen, und Lernalgorithmen können sicher von der gigantischen Rechenkapazität der Quantencomputer profitieren. Auch besteht die Möglichkeit, mithilfe von Lernalgorithmen die Ausgabedaten der probabilistischen Quantencomputer auszuwerten. Maschinelles Quantenlernen ist eine sehr lebendige Unterkategorie des maschinellen Lernens, und 2018 soll die erste internationale Konferenz für maschinelles Quantenlernen stattfinden – ein guter Anfang!