Menschen und Maschinen lernen anders

KI lernt rasant – aber anders als wir. Genau darin liegen ihre größten Stärken und zugleich ihre Schwächen. Prof. Dr. Barbara Hammer (Universität Bielefeld) erklärt, warum Maschinen trotz riesiger Datenmengen an einfachen Situationen scheitern können und was das für Wirtschaft, Medizin und Mobilität bedeutet.

Ein Auto erkennt Verkehrszeichen, eine Software analysiert Röntgenbilder und ein Chatbot beantwortet komplexe Fragen. Künstliche Intelligenz übernimmt immer anspruchsvollere Aufgaben – lernt dabei jedoch grundlegend anders als der Mensch. „Menschen können Wissen in Regeln und Eigenschaften zerlegen und auf neue Situationen übertragen. Genau diese Fähigkeit, die wir Kompositionalität nennen, fehlt vielen heutigen KI-Verfahren“, erläutert Barbara Hammer, Leiterin des Lehrstuhls für Maschinelles Lernen an der Universität Bielefeld.

Menschen können Wissen in Regeln und Eigenschaften zerlegen und auf neue Situationen übertragen. Genau diese Fähigkeit, (…) fehlt vielen heutigen KI-Verfahren.

Menschen erkennen Bedeutung – die Semantik einer Situation. Sie kombinieren Erfahrungen und übertragen sie intuitiv auf Neues. KI lernt dagegen überwiegend statistisch aus riesigen Datenmengen. Diese statistische Generalisierung funktioniert hervorragend, solange neue Situationen bekannten Mustern ähneln. Treffen KI-Systeme jedoch auf völlig unbekannte Szenarien – sogenannte Out-of-Distribution-Situationen –, geraten sie schnell an ihre Grenzen. Wie gravierend das sein kann, zeigte ein autonomes Fahrzeug, das ungebremst auf ein stehendes Feuerwehrauto auffuhr. Die Situation war nie trainiert worden – das System konnte sie deshalb nicht richtig einordnen. „Was Maschinen nicht gesehen haben, damit können sie häufig nichts anfangen“, bringt Barbara Hammer das Problem auf den Punkt.

Große generative Modelle, sogenannte Foundation Models, entwickeln zwar neue Formen der Generalisierung. Dennoch folgen sie anderen Prinzipien als das menschliche Lernen. Das zeigt ein ebenso einfaches wie eindrucksvolles Experiment: Forschende kombinierten den Umriss eines Elefanten mit dem Fleckenmuster einer Giraffe. Menschen erkennen trotzdem einen Elefanten, weil sie sich an der Form orientieren. KI-Systeme klassifizieren dagegen häufig eine Giraffe, da sie vor allem die Textur auswerten. Schon minimale Veränderungen eines Bildes können deshalb ausreichen, damit eine KI einen Fußgänger plötzlich nicht mehr erkennt, obwohl sich für das menschliche Auge praktisch nichts verändert hat.

„Wenn KI-Verfahren unerwartete Fehler machen und nicht ordentlich designt sind, sind sie hinderlich statt förderlich“, betont Barbara Hammer. Hinzu kommt das sogenannte Deskilling: Wer sich dauerhaft auf KI verlässt, verliert nach und nach eigene Fähigkeiten und erkennt Fehler immer seltener. Besonders in sensiblen Bereichen wie der Medizin wird das deutlich. KI übernimmt nicht nur Wissen, sondern auch Verzerrungen ihrer Trainingsdaten – sogenannte Biases. „Bei der Hautkrebserkennung ist klar zu sehen, dass dieses bei Menschen mit dunkler Hautfarbe schlechter erkannt werden kann als bei Menschen mit heller Haut“, erläutert Barbara Hammer. Deshalb schreibt der europäische AI Act vor, dass KI unter anderem in der Medizin den Menschen unterstützt und Entscheidungen nachvollziehbar bleiben. Erklärbare KI ist damit eine zentrale Voraussetzung für Vertrauen.

Für die KI-Forschung liegt die Zukunft nicht allein in immer größeren Modellen und immer mehr Rechenleistung. Daten sind endlich und häufig unausgewogen, hinzu kommt der enorme Energiebedarf heutiger Systeme. „Ein Mensch benötigt nur wenige Watt, wenn er denkt. Große Sprachmodelle werden dagegen in Dimensionen trainiert, bei denen man bildlich von Atomkraftwerken sprechen kann“, sagt Barbara Hammer. Deshalb setzt die Forschung auf intelligentere Ansätze. „Wir implementieren beispielsweise physikalische Gleichungen in die Verfahren. Eine einzige Gleichung kann dabei Millionen von Daten ersetzen“, erläutert sie. Ein weiterer Schwerpunkt ist Edge Computing: Daten werden direkt dort verarbeitet, wo sie entstehen – etwa auf einem Mähdrescher, der lediglich erkennen muss, welche Fläche bereits geerntet wurde oder ob sich noch ein Reh im Getreide versteckt. Parallel arbeitet die Forschung an energieeffizienter neuromorpher Hardware.

Damit solche Entwicklungen möglichst schnell den Weg in die Praxis finden, kooperiert die Universität Bielefeld im Technologienetzwerk in OWL eng mit kleinen und mittleren Unternehmen ebenso wie mit Global Playern. „Wir haben hier den Vorteil, dass viele unserer Absolvent:innen inzwischen in den Unternehmen der Region arbeiten. Dadurch sind die Wege kurz und der Austausch funktioniert sehr gut“, erklärt Barbara Hammer.

Im Forschungsnetzwerk SAIL entwickeln Hochschulen aus Ostwestfalen-Lippe gemeinsam Ansätze für nachhaltige KI. „Nachhaltige KI heißt für uns: weniger Energie, weniger Daten und weniger kognitive Belastung für den Menschen“, unterstreicht Barbara Hammer. Entscheidend ist der Transfer in die Unternehmen. „Wir vergleichen KI ein bisschen mit Strom: Jeder braucht sie, aber es gibt noch keine standardisierten Stecker.“ Genau darin liegt zurzeit auch die größte Herausforderung: KI so einfach und passgenau nutzbar zu machen, dass Unternehmen ihr Potenzial ohne großen Aufwand erschließen können.

Text:  Corinna Bokermann
Fotos:  iStock.com/PhonlamaiPhoto, Mike-Dennis Müller