Kaum jemand weiss besser Bescheid über den globalen Getreidemarkt als das Unternehmen Bühler aus Uzwil. 66 Prozent der weltweiten Getreidemenge werden durch Bühler-Mühlen zu Mehl. Mega-Mühlen in Nigeria und Indonesien produzieren bis zu 10'000 Tonnen Mehl pro Tag. Die Maschinen reinigen 30 Prozent der weltweiten Reisernte, schälen und schleifen jedes einzelne Reiskorn. Spezialkameras scannen mehrere tausend Körner pro Sekunde. Das Unternehmen erfasst die Qualität und das Gewicht, verfolgt Angebot und Nachfrage. Supercomputer führen die Daten aus den weltweit verteilten Getreidemühlen zusammen. Aus ihren Analysen lassen sich genaue Prognosen erstellen über die Entwicklung des internationalen Marktes. Droht Unterversorgung, steigen die Preise, oder besteht ein Überschuss? Die Firma Bühler weiss es und könnte aus ihren Daten ein neues Geschäftsfeld entwickeln. Sie könnte selber im Getreidehandel spekulieren oder ihre Daten für teures Geld verkaufen, doch das Unternehmen hat sich aus ethischen Gründen dagegen entschieden. Die Firma Bühler ist kein Einzelfall. Die fortschreitende Digitalisierung eröffnet für viele Firmen neue Tätigkeitsbereiche. Grossverteiler könnten anhand von Einkaufsprofilen voraussagen, welche Kunden möglicherweise an Diabetes erkranken. Autohersteller könnten erkennen, wenn das Fahrvermögen eines Lenkers abnimmt. Hersteller von Flugzeugturbinen könnten sehen, ob gewisse Piloten besonders viel Treibstoff verbrauchen, und wissen vor der Landung einer defekten Maschine bereits, was genau nicht mehr funktioniert. «Bei diesem Thema wird mit sehr viel heissem Wasser gekocht. Es stimmt, dass es in gewissen Bereichen zu einer Revolution führen wird. Aber bei weitem nicht in allen.» Peter Qvist-Sørensen «Es gibt eine Reihe von Unternehmen, die mit ihren Daten auf äusserst wertvollen Informationen sitzen», sagt Peter Qvist-Sørensen. Er leitet an der Zürcher Hochschule für angewandte Wissenschaften das Center for International Industrial Solutions (CIIS). Neue Computer, Künstliche Intelligenz und Machine Learning ermöglichen es in völlig neuer Weise, Computer und Daten miteinander zu vernetzen. Menschen, Maschinen, Anlagen, Logistik und Produkte kommunizieren und kooperieren in der Industrie 4.0 direkt miteinander. Viele sprechen bereits von der vierten industriellen Revolution – nach der Entdeckung der Dampfkraft, der Elektrifizierung und der Verbreitung des Computers. Peter Qvist-Sørensen ist etwas vorsichtiger. «Bei diesem Thema wird mit sehr viel heissem Wasser gekocht. Es stimmt, dass es in gewissen Bereichen zu einer Revolution führen wird. Aber bei weitem nicht in allen.» Das grösste Potenzial sieht der Ökonom Qvist-Sørensen für jene Firmen, die grosse Datenmengen generieren. Durch neue Möglichkeiten der Datenauswertung erschliessen sich neue Geschäftsfelder. Diese können Unternehmen in einem nächsten Schritt selber ausschöpfen oder die Daten weiter verkaufen, sofern die Kunden damit einverstanden sind. «What business am I in?» Diese Frage, sagt Qvist-Sørensen, müssen sich in Zukunft immer mehr Unternehmen stellen. Seine Forschungsgruppe an der ZHAW berät zurzeit selber ein grösseres Unternehmen, das darüber nachdenkt, Kundendaten für neue Geschäftsfelder zu nutzen. Doch auch in anderen Bereichen wird das sogenannte «Industrial Internet of Things» die Industrie grundlegend verändern. In der Vergangenheit haben Maschinen mehrheitlich repetitive Arbeiten übernommen. In Zukunft werden sie dank maschinellem Lernen und Künstlicher Intelligenz immer komplexere Arbeiten übernehmen. In der Fabrik der Zukunft überwachen miteinander vernetzte Roboter selbstständig Produktionsprozesse. Sie kontrollieren, optimieren und führen aus. Bestehende Arbeitsplätze geraten unter Druck. Waren in der Vergangenheit insbesondere Stellen in der Fertigung betroffen, triff es nun jene im Bürobereich. Überall dort, wo viel repetitive Arbeit anfällt, könnten Maschinen die Mitarbeiter ersetzen. Etwa in der Buchhaltung, der Logistik oder Kundenbetreuung. «Es gibt diesen etwas zynischen Witz», sagt Qvist-Sørensen. «Wie viele Mitarbeiter braucht es in der Fabrik der Zukunft? Zwei, einen Mann und einen Hund. Der Mann füttert den Hund und der Hund schaut, dass der Mann die Anlage nicht berührt.» «Es braucht in den Unternehmen zudem mehr Übersetzer. Mitarbeiter, welche die Sprache der Softwareentwickler sprechen und gleichzeitig eine Brücke schlagen können zum Marketing und zu den Kunden.» Peter Qvist-Sørensen Firmen müssen ihre Mitarbeiter weiterbilden und neue Stellen schaffen. Diese werden insbesondere im Bereich von IT und Entwicklung entstehen. «Es braucht in den Unternehmen zudem mehr Übersetzer», sagt Qvist-Sørensen. «Mitarbeiter, welche die Sprache der Softwareentwickler sprechen und gleichzeitig eine Brücke schlagen können zum Marketing und zu den Kunden.» Gewissen Branchen steht eine Revolution bevor, andere müssen sich weiterentwickeln. Insbesondere für die Hersteller von Maschinen ändern sich mit der fortschreitenden Digitalisierung die Voraussetzungen grundlegend. «Dank neuen Sensoren, Machine Learning und Künstlicher Intelligenz können Ingenieure heute ziemlich genau voraussagen, wann eine Maschine repariert werden muss. Noch bevor sie ausfällt.» Die Konsequenz: «Die Hersteller haben zunehmend die Möglichkeit, noch tiefer in der Wertschöpfungskette ihrer Kunden integriert zu werden.» Fluggesellschaften, zum Beispiel, kümmerten sich früher mehrheitlich selber um die Wartung der Triebwerke. Inzwischen übernehmen immer öfter die Hersteller die Unterhaltsarbeiten. «Und das ist erst der Anfang. Bereits heute verzichten viele Unternehmen auf den Kauf von grossen Maschinen und Produktionsanlagen. Stattdessen schliessen sie mit den Herstellern einen Pay-per-Use-Vertrag ab.» Die Maschinen bleiben im Besitz der Hersteller, für diese verändert sich somit ihr Geschäftsfeld fundamental. Neue Technologien bringen immer eine Umwälzung der Gesellschaft mit sich. Zwei Fragen seien entscheidend, sagt Qvist-Sørensen: Mit welcher Geschwindigkeit geschieht die Umwälzung? Und können wir uns rechtzeitig anpassen? Mit der Industrie 4.0 wächst der Druck auf die Industrie. Unternehmen, denen es nicht gelingt, Schritt zu halten, droht das Verschwinden. In der Vernetzung der Anlagen ist die Schweiz international sehr gut aufgestellt, sagt Qvist-Sørensen. «Im Bereich der Künstlichen Intelligenz hinkt die Schweiz, wie das gesamte Europa, den Chinesen und Amerikanern jedoch weit hinterher.» Wenn in den kommenden Jahren nicht grosse Fortschritte passieren, drohe die Schweiz den Anschluss zu verpassen. An der ZHAW arbeitet Qvist-Sørensen daran, dass die Firmen den Handlungsbedarf erkennen. Und wissen, wie sie die neuen Möglichkeiten zu ihrem Vorteil nutzen können. Simon Jäggi

«Die Maschine soll lernen, Risse und Löcher in einem Ballonkatheter zu entdecken, die so klein sind, dass sie selbst das geschulte menschliche Auge nur unter einem Mikroskop zu erkennen vermag.» So umschreibt Mohammadreza Amirian, wissenschaftlicher Assistent am Institut für angewandte Informationstechnologie (InIT) das Ziel des Projektes QualitAI. QualitAI ist eine Abkürzung und steht für «Quality control of industrial products via deep learning on images». Eine knifflige Aufgabe, wenn man bedenkt, dass sich die Grösse eines Katheters im Millimeterbereich bewegen kann und eben auch mikroskopisch kleine Defekte verheerende Folgen für die Gesundheit der Patientinnen und Patienten haben können. Zusammen mit der BW-TEC entwickelt ein Team des Instituts ein Verfahren zur automatischen Qualitätskontrolle von Ballonkathetern. Die Katheter werden dabei durch die Produktionsmaschine automatisch Dutzende Male von allen Seiten fotografiert. Anhand dieser Bilder soll ein Algorithmus dann erkennen können, ob ein Defekt vorliegt oder nicht. Ob die Qualität eines Katheters den hohen Ansprüchen genügt, die an ein solch hochsensibles Produkt gestellt werden, oder eben nicht. Die Vorteile einer automatisierten Qualitätskontrolle liegen auf der Hand, sagt Frank-Peter Schilling, wissenschaftlicher Mitarbeiter am InIT. Ein Computer kann ungleich mehr Katheter in der gleichen Zeitspanne kontrollieren als ein Mensch. Er arbeite zudem zuverlässiger und ermüdungsfrei. Aber auch die Herausforderungen des maschinellen Lernens sind nicht zu unterschätzen. So sei es beispielsweise zu Beginn schwierig gewesen, qualitativ hochstehende Bilder der Katheter zu machen. Die Katheter sind transparent, und eine Reflexion kann dazu führen, dass ein Defekt nicht mehr automatisch erkannt wird. Die Experten, welche die Defekte auf den Bildern markierten, machten dies intuitiv nur auf einem Bild pro Serie. Damit der Algorithmus aber lernen und sich verbessern kann, ist es zwingend, dass der gleiche Defekt auf allen Bildern markiert wird. Erschwerend kam hinzu, dass auch die Beispiele der menschlichen Qualitätskontrolleure nicht fehlerfrei waren und das Verfahren robust gegen solche Störungen im Training werden musste. Schliesslich sei es schwierig gewesen, den richtigen Bildausschnitt zu wählen. Sei der Bildausschnitt zu gross, erkenne die Maschine den Defekt nicht, sei er zu klein, fehlten ihr vielleicht wichtige Informationen, um die Situation richtig einzuschätzen. Damit der Algorithmus lernt, einwandfreie Ballonkatheter von solchen mit Defekten zu unterscheiden, sind grosse Datenmengen erforderlich. Rund 20‘000 Bilder haben die Forschenden dem Computer bislang gefüttert. Und noch liegt die Trefferquote nicht ganz so hoch, wie sie sein sollte. Ziel sei es, dass 99,9 Prozent der als gut beurteilten Katheter auch tatsächlich gut seien und gleichzeitig nicht mehr als 25 Prozent unnötiger Ausschuss produziert werde, sagt Amirian. Werde dieses Ziel erreicht, könnte die Maschine künftig eine wichtige Rolle bei der Qualitätskontrolle von Ballonkathetern einnehmen und die Menschen bei der Handarbeit entlasten, ohne dabei die Sicherheit zu gefährden. In der Endphase des Projektes geht es nun darum, den Algorithmus nochmals zu verbessern. Bislang unterscheidet er nach den Kategorien «gut» und «schlecht». Mit einer dritten Kategorie «vom Menschen zu überprüfen» könne die Treffsicherheit der automatischen Qualitätskontrolle nochmals entscheidend verbessert werden, ist Schilling überzeugt. Ursula Schöni

Glücklicherweise erfreut sich der Grossteil der Patienten und Patientinnen nach einem Spitalaufenthalt wieder bester Gesundheit oder die Leiden sind zumindest gelindert. Rund sieben Prozent aller Menschen, die sich in einer Klinik aufhalten, ereilt eine Healthcare-assoziierte Infektion (HAI) – sei es eine postoperative Wundinfektion, eine Lungenentzündung oder eine Infektion durch Blasen- oder Venenkatheter. Eine derartige Komplikation verlängert den Klinikaufenthalt im Durchschnitt um sieben Tage, schlimms­tenfalls führt sie zum Tod. Die Spitäler setzen alles daran, solche Infektionskrankheiten einzudämmen. Das Universitätsspital Zürich (USZ) und die ZHAW versprechen sich dabei viel von maschinellem Lernen: Das Team um Stefan Glüge von der Fachstelle Bio-Inspired Modeling & Learning Systems der ZHAW hat eine intelligente Softwarelösung entwickelt, die Keim­übertragungsketten erkennt. Bei dem Pilotprojekt Infectiology++, das aus einem Workshop zum Potenzial von maschinellem Lernen am USZ hervorgegangen ist, wertet ein sogenanntes Expertensystem spitalinterne Daten am USZ automatisch aus und schlägt bei Verdacht auf eine Infektion Alarm. «Unsere Software soll eine Unterstützung für die Ärzte am USZ sein», erklärt Stefan Glüge, «damit sie möglichst schnell und effizient beurteilen können, ob und wo eine Infektion übertragen wurde.» Der Kampf gegen Spital­infektionen ist ein Wettlauf gegen die Zeit: Um die weitere Ausbreitung des Erregers zu vermeiden, muss eine Übertragung im Spital­umfeld so schnell wie möglich erkannt werden. Deshalb beobachtet Infectiology++ laufend automatisch alle ­diagnostizierten Infektionen. Dazu sammelt und verarbeitet die Software die grosse Datenmenge, die bei allen Patienten während ihrer Behandlung in der Klinik anfällt. Jeder Patient absolviert eine individuelle Reise durch das Spital; beispielsweise vom Operationsaal über den Aufwachraum bis zur Bettenstation. Somit wird das System ständig mit Daten gefüttert, und alle 24 Stunden gesellen sich neue Labor­auswertungen hinzu – darunter auch frisch erkannte Infektionen. Das System analysiert diese Datenflut und vergleicht sie mit dem bereits bekannten Wissen. «Unser System bringt im Prinzip automatisch Ordnung in die unzähligen Daten, die ohnehin im Spitalalltag anfallen», erläutert Stefan Glüge. «So überwachen wir kontinuierlich den gesamten Betrieb in Bezug auf Spitalkeime.» Die Software durchsucht die Daten nach relevanten Informationen: Wann wurde der Keim beim Patienten erstmals nachgewiesen? Wie gross ist die Ähnlichkeit des Erregers, den zwei Patienten aufweisen, und wo überall im Spital haben sich diese Personen aufgehalten? Ein entscheidender Baustein dabei ist das Muster von Resistenzen gegenüber Antibiotika eines Erregers – Antibiogramm genannt –, das sich bei Labortests zeigt. Es dient dem System als Fingerabdruck des Erregers. Eine Gruppierung (Clustering) dieser Muster erlaubt es dann, Ähnlichkeiten unter den Keimen auszumachen. Erfasst das System nun zwei Patienten, die denselben Keimstamm aufweisen, prüft die Software, ob sie sich irgendwo für einen genügend langen Zeitraum getroffen haben. Falls ja, ist die Wahrscheinlichkeit gross, dass dort der Keim übertragen wurde, und das System alarmiert die zuständigen Fachpersonen. Diese erkennen dank einer übersichtlichen Benutzer­oberfläche Anhäufungen eines Erregers oder gar mögliche Übertragungen auf einen Blick. Die für die Recherche und Prüfung benötigte Zeit reduziert sich so deutlich und es kommen auch bisher unbemerkte Infektionswege zum Vorschein. Die Mediziner entscheiden, wie kritisch ein Keim ist und welche Massnahmen notwendig sind. Dabei müssen Prioritäten gesetzt werden, erklärt Stefan Kuster, Leitender Arzt Infektionskrankheiten und Spitalhygiene am USZ: «Im Spitalalltag sind nicht alle Bakterien gleichbedeutend. Deshalb konzentrieren wir uns auf die häufigsten und hochprioritäre multi­resistente Keime, wie Methicillin-resistente Staphylococcus aureus oder Vancomycin-resistente Enterokokken.» Handelt es sich um einen multiresistenten Keim, ist eine sofortige Isolation der Patienten angezeigt. Noch ist das Programm am USZ nicht regulär im Einsatz. Kuster sieht in solchen Projekten jedoch ein grosses Potenzial für die Zukunft: «Für Verbesserungen im Spitalalltag wie das automatische Keimtracking stellen die Digitalisierung und das ‹Internet der Dinge› grosse Chancen dar.» Er ist überzeugt, dass die Spitäler so künftig ihre Datenbanken innovativ nutzen werden, um die Sicherheit aller Patienten zu erhöhen – natürlich unter strengen Datenschutzauflagen. Rahel Meister

In der Notrufzentrale geht ein Anruf ein. Die Frau am anderen Ende der Leitung erzählt aufgeregt, ihr Mann sei im Garten bewusstlos zusammengebrochen. Der diensthabende Disponent versucht sie zu beruhigen, um schnell herauszufinden, was passiert ist. Eine Maschine hört mit, analysiert die Stimme der Frau, schlägt systematisch Fragen vor, die der Diensthabende ihr stellen kann, um aus den Antworten zur richtigen Diagnose zu gelangen. Innerhalb kurzer Zeit schlägt die Maschine Alarm: «Herzstillstand!» Der Disponent benachrichtigt sofort den Notarzt und gibt der Anruferin Anweisungen für eine wirksame Herzdruckmassage, bis die Helfer eintreffen. Dieser Fall könnte sich so oder ähnlich in einer dänischen Notfallzentrale abgespielt haben. Dort hört immer auch eine Maschine mit. Das Unternehmen Corti hat hierfür eine Lösung entwickelt, die mit zehn Millionen Notfallanrufen trainiert wurde. Schneller und zuverlässiger als der Mensch stellt die Maschine fest, ob ein Herzstillstand vorliegt. Je früher ein Betroffener Wiederbelebungsmassnahmen erfährt, umso besser. Jede Sekunde zählt, damit Gehirn- und Herzzellen nicht absterben. Künstliche Intelligenz kann also Leben retten. Doch das ist nur ein Beispiel für intelligente digitale Lösungen im Gesundheitswesen. «Die Chancen sind immens», betont ZHAW-Gesundheitsökonom Alfred Angerer. «KI-Lösungen könnten das Gesundheitswesen revolutionieren.» Die Realität sei davon aber noch weit entfernt, wie der Leiter der Fachstelle Management im Gesundheits­wesen am Winterthurer Institut für Gesundheitsökonomie (WIG) der ZHAW sagt. Dies gilt vor allem auch für die Schweiz. Viele Spitäler hätten hierzulande noch grossen Nachholbedarf bezüglich Digitalisierung und KI. Und das, obwohl die Zahl der Veröffentlichungen zu neuen Anwendungen jedes Jahr exponentiell ansteigt. «Hier den Überblick zu bewahren, was wir wirklich brauchen und was dagegen nur Spielerei ist, ist eine grosse Herausforderung», räumt Angerer ein. Viele Spitäler stellen Innovationsmanager oder Digital-Health-Manager ein, um die Möglichkeiten zu sondieren. Die ZHAW hat in der Studie «Digital Health – Revolution oder Evolution?» die grossen Veränderungen klassifiziert und Handlungsempfehlungen entwickelt. Dabei haben sich die Studienautoren des WIG auf drei Themenfelder entlang der Wertschöpfungskette im Gesundheitsbereich fokussiert: «Information und Prävention», «Kontaktpunkte und Patientenfluss» sowie «Diagnose und Therapie». Das Themenfeld «Information und Prävention» zeigt, wie unzählige Gesundheits-Applikationen für Laien entwickelt werden. Mit der App der holländischen Firma Skin Vision etwa kann man zu Hause Hautveränderungen fotografieren und prüfen, ob es sich um Hautkrebs handelt oder nicht. Mit anderen Apps können Laien bei sich selbst diabetische Netzhautveränderungen, Herzrhythmusstörungen oder Alzheimer diagnostizieren. Sie können sich selbst vermessen, damit ihren Gesundheitszustand überprüfen und mit ihren aufgezeichneten Daten auch die Gesundheitsforschung unterstützen. «Bei einigen dieser Lösungen sind die klinischen Studien sehr vielversprechend», sagt Angerer, der auch stellvertretender Leiter des ZHAW Digital Health Lab ist (siehe Box). Doch nicht nur bei körperlichen Beschwerden soll Doktor KI zum Einsatz kommen, auch bei psychischen Krankheiten soll er die richtige Diagnose stellen. Seit Jahren wird in diesem Bereich experimentiert. Einer grösseren Öffentlichkeit wurde dies bekannt, als Facebook bereits 2017 behauptete, anhand der Postings in seinem sozialen Netzwerk zu erkennen, ob jemand depressiv sei oder nicht. Ein spezieller Algorithmus hilft bei der Analyse und schlägt Alarm. 3500 Suizidalarme pro Jahr sollen so ausgelöst worden sein. Facebook-Mitarbeitende schreiben die betroffenen Leute dann an und teilen ihnen mit, wo sie Hilfe erhalten. Wissenschaftlich erwiesen ist die Diagnosequalität aber noch nicht, wie Angerer anmerkt. Doch wer Hilfe bei Gesundheitsproblemen braucht, egal welcher Art, soll immer möglichst rasch an die richtige Stelle gelangen können. Deshalb bestehen im zweiten Veränderungsfeld «Kontaktpunkte und Patientenfluss» grosse Hoffnungen, dass Künstliche Intelligenz und andere digitale Lösungen helfen, Menschen richtig durch das Gesundheitssystem zu steuern. Wie gross hier der Bedarf ist, zeigt ein Blick in die Statistiken der Notfallaufnahmen von Schweizer Spitälern. 30 bis 50 Prozent der Menschen, die heute in die Notaufnahme kommen, gehören dort eigentlich gar nicht hin. Ein Besuch beim Hausarzt hätte ausgereicht. Oder mit der Konsultation der richtigen Digital-Health-Lösung hätten sie sogar zu Hause bleiben können. Mit intelligenten Systemen lassen sich auch Personalkapazitäten und Patientenströme effektiver und effizienter planen, wie der Forscher an einem anderen Beispiel verdeutlicht: «An einem Festanlass, wie dem Albani-Fest in Winterthur, kommen erfahrungsgemäss mehr Menschen mit Schnittwunden oder Alkoholvergiftung ins Spital. Gefüttert mit den entsprechenden Parametern der vergangenen Jahre, ergänzt durch Wetterdaten und sonstige relevante Informationen, könnte ein Prognose-Tool im Voraus berechnen, wie viel medizinisches Personal an einem solchen Wochenende gebraucht würde.» Die grösste Aufmerksamkeit, wenn es um KI im Gesundheitswesen geht, erhält das Veränderungsfeld «Diagnose und Therapie». Künstliche Intelligenz (vor allem Machine Learning) wird medizinisches Personal künftig verstärkt bei der Erkennung von Mustern und Auffälligkeiten bei Laborwerten unterstützen. Auch Radiologen können bei ihrer Aufgabe entlastet werden, wenn es etwa darum geht, Aufnahmen während und nach der Behandlung von Metastasen haargenau auf Veränderungen hin zu vergleichen. Die Universitätsklinik in der deutschen Stadt Essen setzt beispielsweise bei der Diagnose von Lungentumoren und Prostatakrebs auf KI. «Die Maschine scheint hier dem medizinischen Personal überlegen und kann in Abbildungen, die mittels Computertomographie (CT) oder Magnetresonanztomographie (MRT) entstanden sind, Tumore viel schneller und zuverlässiger erkennen. Ein angenehmer Nebeneffekt: Die Maschinen brauchen weniger Bilder sowie weniger kontrastreiche Aufnahmen. In der Folge muss den Patienten weniger Kontrastmittel gespritzt werden, was wiederum schonender und kostengünstiger ist. Auch bei diabetischen Netzhautveränderungen (diabetische Retinopathie) erkennt ein Deep-Learning-Algorithmus anhand der Aufnahme zuverlässiger als jeder Arzt, ob sich Blutgefässe der Netzhaut verschliessen, was im Extremfall zur Erblindung eines Patienten führen kann. Grosse Erwartungen werden auch in OP-Robotik und Pflegerobotik gesetzt. Diese stecke jedoch erst in den Kinderschuhen und könne noch wenig Erfolge vorweisen, so der Digital-Health-Experte. Das gilt vor allem dann, wenn der Roboter nicht nur das machen soll, wozu er programmiert wurde, sondern von seiner Umwelt lernen soll, was der Patient gerade braucht. «Bezüglich Genauigkeit und Schnelligkeit in Diagnose und Therapie sind Maschinen häufig besser als ein Durchschnittsarzt», unterstreicht Angerer. Damit bringe KI nicht nur unter Qualitätsaspekten grosse Veränderungen mit sich, sondern auch aus medizinisch-ethischer Sicht: «Der Behandlungserfolg bleibt weniger dem Zufall überlassen. Ob ein Tumor rechtzeitig entdeckt wird, hängt nicht davon ab, welcher Arzt gerade Dienst hat.» Das führe zu mehr Gerechtigkeit und Chancengleichheit im Gesundheitswesen. Aus Patientensicht vordergründig wenig interessant, für Spitäler aber umso mehr sind die Möglichkeiten, wie intelligente Systeme administrativ im Hintergrund eingesetzt werden können, wie Angerer betont. So haben Studien des WIG ergeben, dass ein Arzt gerademal nur rund 20 Prozent seiner Zeit direkt in Kontakt mit Patientinnen und Patienten ist. In 80 Prozent der Zeit macht er anderes: Er schreibt Reporte, verfasst Arztbriefe, sitzt in Sitzungen, konsultiert Studien, legt Wege im Spital zurück und vieles mehr. Intelligente Spracherkennungssysteme, die Sprache in Text umwandeln und strukturiert ablegen können, sollen hier entlasten und mehr Zeit für Patientenkontakte ermöglichen. Mit Hilfe von anderen KI-Systemen könnten aber auch Millionen von Patientenakten relativ schnell nach früheren Behandlungserfolgen oder zu Forschungszwecken nach neuen Mustern und Krankheitsbildern durchsucht werden. Selbst der Prophylaxe von Infektionen oder Stürzen kann dies dienen. Das Universitätsspital Essen experimentiert mit einer Sturzprophylaxe im Klinikalltag. Denn für ältere Patienten, die an mehreren Krankheiten gleichzeitig leiden, ist ein Oberschenkelhalsbruch häufig ein Todesurteil. Dank Künstlicher Intelligenz versucht das Spital zu analysieren, welche Patienten besonders gefährdet und welche Situationen besonders gefährlich sind. «Bei den Auswertungen der Akten ergeben sich vielleicht Korrelationen, die bisher nicht aufgefallen sind», so Angerer. Manchmal entpuppen sich Analyseresultate jedoch auch als Scheinkorrelationen, wie das Beispiel einer KI zeigt, die Microsoft trainierte, um Lungenentzündung zu verstehen und die Überlebenschancen auszurechnen. Die Maschine kam zu einem überraschenden Befund: Menschen mit Asthma überleben Lungenentzündungen häufiger. Die logische Erklärung hierfür mussten Wissenschaftler aus Fleisch und Blut liefern: Weil Menschen mit Asthma häufiger zum Pneumologen gehen, ist die Chance grösser, dass Lungenentzündungen rechtzeitig erkannt werden. Trotz aller Fortschritte und Hoffnungen: Die Herausforderungen bezüglich KI-Anwendungen im Gesundheitswesen sind gross. An erster Stelle nennt Angerer hier die fehlende Transparenz darüber, wie Maschinen zu Antworten und Entscheidungen kommen. Selbstlernende Systeme sind häufig noch Blackboxen. Das erläutert er an einem Beispiel der Geschlechtererkennung allein anhand einer Abbildung der Netzhaut. Kein Mensch kann mit Bestimmtheit sagen, ob es sich beim abgebildeten Muster um die Netzhaut einer Frau oder eines Mannes handelt. Ein Google-Algorithmus erreicht eine Trefferquote von 97 Prozent. «Wie der Algorithmus das schafft, weiss man nicht» sagt Angerer. «In Zukunft werden Maschinen zusehends entscheidungsrelevante Ergebnisse generieren.» Alfred Angerer Viele Ärzte störe das nicht: Wenn die Maschine in 97 Prozent der Fälle recht hat, ist das halt so und gut. Viele andere Ärzte wiederum haben ein schlechtes Gefühl dabei, wenn sie bei den drei Prozent der Patienten, die sie vielleicht falsch operieren aufgrund einer falschen Algorithmusempfehlung, nicht nachvollziehen können, wie die Fehlentscheidung zustande kam. «In Zukunft werden Maschinen zusehends entscheidungsrelevante Ergebnisse generieren», sagt Angerer. Deshalb sei es wichtig, auf der technologischen Seite die Sicherheit, Robustheit und hinreichende Nachvollziehbarkeit von automatisierten Entscheidungsprozessen zu gewährleisten. Jede Maschine ist auch nur so gut wie die Daten, mit denen sie gefüttert wird. Obendrein müssen es viele Daten sein, damit Machine Learning erfolgreich ist. Dementgegen stehen Sicherheitsaspekte und Datenschutzbedenken. Grundsätzliche Akzeptanzprobleme bezüglich des Einsatzes von KI sieht Angerer aber weder bei Gesundheitspersonal noch bei Patientinnen und Patienten. Im Gegenteil: «Bisher haben die Ärzte keine Angst, durch Künstliche Intelligenz ersetzt zu werden. Intelligente Systeme werden heute meist nur als Zweitmeinung verwendet – unterstützen also das medizinische Personal für mehr Qualität und zum Wohl der Patienten», stellt der Gesundheitsökonom fest. Und für Patientinnen und Patientinnen zähle letztlich die Qualität der Behandlung: «Wenn es in einem Spital weniger Entzündungen, Infektionen und Komplikationen gibt als im anderen, ist es ihnen egal, wie das gelingt.» Heikel werde es lediglich in einem Bereich: «Keiner will von einer Maschine mitgeteilt bekommen, dass er nur noch drei Monate zu leben hat», sagt Angerer. Für solche hochsensiblen Bereiche, wo viel Empathie gefragt ist, brauche es nach wie vor den Arzt und seine menschliche emotionale Intelligenz. Patricia Faller

Klickt man auf dem Internetportal von Postfinance auf das Feld mit dem Piktogramm eines lächelnden Computers, meldet sich ein textbasiertes Dialogsystem. «Guten Tag, ich bin der digitale Assistent und beantworte gerne Ihre Fragen, wie kann ich Ihnen helfen?», eröffnet der Chatbot das Gespräch. Man kann ihn duzen oder siezen, stets gibt er artig Antwort. Also los: «Nutzt du Künstliche Intelligenz?» «Ich bin ein digitaler Assistent und funktioniere tatsächlich mit Künstlicher Intelligenz, jeden Tag lerne ich dazu.» Und sogleich macht der digitale Helfer klar, dass es ihm nicht um belangloses Plaudern, sondern ums Geschäft geht: «Bitte stellen Sie mir eine konkrete Frage zu Dienstleistungen und Produkten von Postfinance.» In der Finanzbranche machen sich die ersten Anwendungsfälle Künstlicher Intelligenz (KI) bemerkbar. Nicht nur mit Chatbots, auch im telefonischen Kontakt hält da und dort Künstliche Intelligenz (KI) Einzug. Bei einem Anruf nimmt Postfinance – sofern man nicht widerspricht – automatisch einen Stimmabdruck auf. Beim nächsten Telefonat muss man nicht mehr das Geburtsdatum, den Kontostand oder die erteilten Vollmachten angeben. Die Identifikation erfolgt dann automatisch im Hintergrund: Der Computer hört mit, vergleicht die Stimme am Telefon mit dem zuvor angelegten Profil und zeigt an, mit welcher Wahrscheinlichkeit die akustischen Merkmale zum aufgenommenen Stimmabdruck passen. «Die Instrumente der Künstlichen Intelligenz sind besonders gut darin, Muster in Datensätzen zu erkennen», sagt Jörg Osterrieder, Professor für Finance and Risk Modelling an der ZHAW School of Engineering. Das können Zahlen sein, Bilddateien – oder eben digitalisierte Aufnahmen menschlicher Stimmen. Ein Chatbot oder Stimmabdruck erleichtert den Alltag auf ganz praktische Weise. Doch hinter den Kulissen geschieht mehr, als diese Beispiele erahnen lassen. Die Forschung setzt sich mit deutlich weitreichenderen KI-Anwendungen für die Finanzbranche auseinander. Manche davon haben das Potenzial, grosse Veränderungen anzustossen. Da ist zum Beispiel der Tradingroboter. Dabei handelt es sich um ein Computerprogramm, das unterschiedliche Indikatoren und Modelle nutzt, um selbstständig an der Börse zu handeln. Dabei lernt das Programm hinzu. Es berücksichtigt, ob sich ein Trade im Nachhinein als gewinnbringend entpuppt hat oder einen Verlust einfuhr. Tradingroboter scannen Marktdaten, zum Beispiel Preise oder Volumen, um zu entscheiden, was und wann sie kaufen oder verkaufen. «Für das gewisse Extra sorgen sogenannt alternative Daten», erklärt Osterrieder. Das können Nachrichten, Twittermeldungen, Wetterdaten und mehr sein. In den USA werten Hedge Funds auf Satellitenbildern mithilfe von KI aus, wie gut die Kundenparkplätze vor den Walmart-Supermärkten besetzt sind. Je nach Resultat lohnt es sich, die Aktie zu kaufen oder zu verkaufen. Oder sie analysieren die Kassenzettel von Grossverteilern. Läuft ein Artikel besonders gut, wird der Hersteller wohl bald glänzende Geschäftszahlen vorlegen. Aus der Luft lassen sich auch Ölvorräte abschätzen. Viele Tanks in Öllagern haben schwimmende Dächer, die sich mit steigendem Lagervolumen heben. Anhand des Schattenwurfs lässt sich errechnen, wie gut das Lager gefüllt ist – und auf den Ölpreis spekulieren. Stets versucht ein Tradingroboter, Muster in den Daten zu erkennen, die sich in gewinnbringende Trades ummünzen lassen. Der ZHAW-Professor dämpft jedoch überhöhte Erwartungen: «Solche Tradingroboter werden seit zwanzig Jahren langsam und stetig weiterentwickelt, Erfolge kommen nicht schlagartig.» Künstliche Intelligenz hilft in der Finanzbranche mittlerweile dabei, Kreditkartenmissbrauch zu erkennen, indem sie in der Flut von Daten nach auffälligen Mustern Ausschau hält und bei Bedarf Alarm schlägt. Die Schweizer Börse SIX will künftig KI nutzen, um schnell und günstig die Qualität von Anleihen zu bewerten. KI verbessert mancherorts auch die Entscheide bei der Kreditvergabe, wie Peter Schwendner, Professor für Banking and Finance an der ZHAW School of Management and Law erläutert: «Eine Bank kann schärfer rechnen und kompetitivere Preise anbieten, wenn sie besser abschätzen kann, ob jemand einen Kredit tatsächlich zurückzahlen wird.» Schwendner untersucht mithilfe von Korrelations-Netzwerken, einer Methode aus der KI-Kategorie «Unsupervised Learning», wie politische Einschätzungen auf die Preise von Staatsanleihen durchschlagen. Damit lassen sich auch die ansonsten schwer fassbaren Ängste der Marktteilnehmer nachvollziehbar aufzeigen, noch bevor es zu grossen Umschichtungen kommt. «Bekommt eine populistische Partei Zulauf, so wird nun sichtbar, wie der Markt reagiert und wie sich das gefühlte Risiko auf andere Länder fortpflanzt.» Die ZHAW ist vorne mit dabei, wenn es um Künstliche Intelligenz in der Finanzbranche geht. Sie ist Forschungspartnerin in einem europaweiten EU-Horizon-2020-Projekt zum Thema Risikomanagement («Financial Supervision and Technology Compliance Training Programme»). Das Vorhaben will die Fintechbranche und die Aufsichtsbehörden fit machen für die neuen Technologien. Bei verschiedenen Teilprojekten ist die ZHAW federführend, unter anderem bei Chancen und Risiken von neuen Internetplattformen, die Kredite ausserhalb des Bankenwesens vermitteln. 340 Personen beteiligten sich an der 4. Europäischen Konferenz zu Künstlicher Intelligenz in Finanzbranche und Industrie und weiteren Veranstaltungen, die in der ersten Septemberwoche von der ZHAW organisiert worden waren. Auch bei Anwendungen in der Versicherungsbranche ist die ZHAW aktiv. Bei Firmen analysieren unabhängige Versicherungsbroker die vielen Policen. Sie optimieren die Versicherungsdeckung und verhelfen mit der Suche nach dem günstigsten Anbieter zu Prämieneinsparungen. Weil der Aufwand für die Broker beträchtlich ist, lohnte sich das bei Privatkunden bislang nicht. Das will das Projekt «Digitales Versicherungsbroking» ändern. Basis sind vorhandene Versicherungsdaten von Kunden. «Wir versuchen nicht, den menschlichen Berater zu digitalisieren, sondern in diesen Daten mithilfe Künstlicher Intelligenz typische Muster und Optimierungsmöglichkeiten zu erkennen», sagt Projektleiterin Angela Zeier Röschmann vom Zentrum für Risk & Insurance an der ZHAW School of Management and Law. Projektpartner ist Optimatis, eine Tochterfirma des Schweizer Vergleichsportals Comparis. Sie will Privaten auf einem Onlineportal Hinweise auf eine unnütze Überversicherung geben und aufzeigen, ob die benötigten Leistungen bei einer anderen Versicherung günstiger sind. Auch Deckungslücken sollen sichtbar werden – zum Beispiel wenn der Versicherungsschutz nicht ausreicht, um bei teuren Geräten wie Kamera, Laptop oder Smartphone einen allfälligen Diebstahl in den Ferien abzudecken. Dank KI kommen also auch private Versicherungskunden in den Genuss von Dienstleistungen, die sonst grossen Unternehmenskunden vorbehalten sind. Thomas Müller

Klimajugend, vague verte, onda verde und luf sind die Wörter des Jahres Schweiz 2019. Sie zeigen, worüber die Gesellschaft nachdenkt und was sie bewegt. ZHAW-Forschende nutzten die grösste Textdatenbank der Schweiz als Basis, das Sprachgefühl der Jury entschied die Wahl. Wenn jetzt wieder das «Wort des Jahres Schweiz» gekürt wurde, dann nicht zuletzt auch dank Korpuslinguistik und Machine Learning. Die Korpuslinguistik wertet Korpora aus. Das sind Sammlungen von digital erfassten Texten. Damit können Kenntnisse darüber gewonnen werden, wie die Sprache die Veränderung unseres Lebens aufzeigt und diese Veränderung mitprägt: Seit wann nutzen wir zum Beispiel «googeln» als Verb? Für die Analyse werden die Texte aufbereitet: Sie werden angereichert mit grammatischen Informationen, etwa zur Wortart. Dieser Prozess nennt sich Annotation und erfolgt dank computerlinguistischen Werkzeugen automatisch. Je nach Aufgabe und Sprache kommen dabei Verfahren aus der Künstlichen Intelligenz (KI) zum Zug, etwa Machine Learning. Zudem dienen annotierte Korpora als Grundlage für KI-Anwendungen in der Mensch-Maschine-­Kommunikation. KI kann auch dann eine Rolle spielen, wenn das Wort des Jahres Schweiz in Zukunft auch aus mündlichen Diskursen und Dialekten ermittelt wird, die der Computer erst lernen muss. Am Departement Angewandte Linguistik wird seit 2017 das Wort des Jahres der Schweiz ermittelt. Dieses Jahr kam mit Rätoromanisch die vierte Landessprache dazu. Cerstin Mahlow

Es geht um die sprichwörtliche Suche nach der Nadel im Heuhaufen – und dieser Heuhaufen ist unvorstellbar gross. «Wir leben im Zeitalter von Big Data. Wir müssen deshalb Lösungen entwickeln, die mit riesigen Datenbanken klarkommen», sagt ZHAW-Forscher Kurt Stockinger. Als Data Scientist beschäftigt er sich schwerpunktmässig mit der Frage, wie Daten strukturiert und effizient innert kürzester Zeit durchsucht werden können. «Wenn die Daten gut strukturiert sind und ich sie mit der Datenbanksprache SQL selektiere, kann ich die Nadel im Heuhaufen sehr schnell ausfindig machen. Dazu benötigt man aber entsprechende Informatikkenntnisse.» Kurt Stockinger Erfasst man Daten als numerische Werte und sortiert sie in einem Index, sind sie viel schneller zu finden. «Wenn die Daten gut strukturiert sind und ich sie mit der Datenbanksprache SQL selektiere, kann ich die Nadel im Heuhaufen sehr schnell ausfindig machen», erklärt der Forscher. «Dazu benötigt man aber entsprechende Informatikkenntnisse.» Und wer diese nicht hat, dem bleiben die Datenschätze verborgen. Stockinger und sein Team entwickeln nun eine intuitive Suchfunktion, bei der die Eingabe in natürlicher Sprache erfolgt. Das gewünschte Suchresultat erzielen die User ganz ohne Informatikkenntnisse. So lautet jedenfalls das Ziel des Projekts «INODE – Intelligent Open Data Exploration», das vom EU-Forschungsprogramm Horizon 2020 mit knapp 6 Millionen Euro gefördert wird. Unter Leitung der ZHAW School of Engineering entwickeln insgesamt neun Partnerinstitutionen gemeinsam eine für unterschiedliche Anwendungen einsetzbare Suchmaschine. So könnten beispielsweise Ärzte in der Krebsforschung bestimmte Bioinformatikdaten finden, die Einfluss auf den Erfolg von Therapien haben. Oder Astrophysiker könnten bestimmte Positionsverschiebungen von Sternen ausfindig machen. Weder die Ärzte noch die Astrophysiker müssten dazu eine Datenbanksprache anwenden. In einem ersten Schritt muss ein Programm zunächst die natürliche Sprache – beispielsweise Englisch – in die erforderliche Datenbanksprache übersetzen. Die Übersetzung muss dabei nicht nur korrekt, sondern auch möglichst schnell erfolgen, wie man das bei jeder Suchanfrage erwartet. Somit müssen zwei Probleme gelöst werden, die teilweise widersprüchliche Zielsetzungen haben. «Wenn ich eine Suchanfrage von natürlicher Sprache in SQL übersetzen möchte, darf das nicht drei Jahre dauern», sagt Stockinger. «Es gelten die gleichen Ansprüche wie bei der Google-­Suche: Können wir nicht in Sekundenbruchteilen liefern, ist die Anwendung in der Praxis nicht brauchbar.» Sprache sei zudem in vielen Fällen mehrdeutig zu interpretieren, so Stockinger weiter: «Suche ich nach dem Begriff ‹Golf›, kann der Sport, das Auto oder gar der Golf von Mexiko gemeint sein.» Wird mit mehreren Begriffen gleichzeitig gesucht, steigen die Deutungsmöglichkeiten sogar noch. «Die Herausforderung bei dieser Methode ist, dass man viele Trainingsdaten braucht. Das ist aber in unserem Fall nicht so einfach, weil es diese Daten teilweise noch gar nicht gibt.» Kurt Stockinger Mit regel­basierten Verfahren, wo ein Algorithmus sein Ziel nach expliziten codierten Regeln verfolgt, stösst Stockinger hier an Grenzen. Stattdessen setzen die Forschenden auf Methoden aus dem Machine Learning wie etwa spezielle neuronale Netzwerke namens «Transformers»: Der Algorithmus erreicht sein Ziel auf der Basis von aus Daten automatisch gelerntem Wissen. «Die Herausforderung bei dieser Methode ist, dass man viele Trainingsdaten braucht. Das ist aber in unserem Fall nicht so einfach, weil es diese Daten teilweise noch gar nicht gibt», erklärt Stockinger. Mit natürlichen Sprachen sei das leichter. «Wenn ich automatisch von Deutsch nach Englisch übersetzen möchte, kann ich den Computer mit Tausenden Büchern als Daten füttern. Mittels Machine Learning erkennt er dann gängige Muster und kann deshalb nicht nur Wort für Wort, sondern ganze Sätze fehlerfrei übersetzen.» Die Trainingsdaten aus der Daten­banksprache SQL fehlen hingegen noch häufig. Dazu kommt, dass Datenbanken ganz unterschiedlich strukturiert sein können. «Nehmen wir also die Trainingsdaten aus einer Datenbank, so funktioniert der Algorithmus am Ende auch nur für diese bestimmte Datenbank», so der Forscher. «Aber wir wollen ja ein universell einsetzbares Werkzeug schaffen.» Wie gehen die Forschenden nun vor, wenn es eben noch nicht genügend Trainingsdaten gibt? «Wir verfolgen eine Art Hybridansatz», erklärt Kurt Stockinger. «Solange wir noch keine Trainingsdaten haben, gehen wir regelbasiert vor. Das heisst, das natürliche Wort wird automatisch in einen bestimmten Code übersetzt, und danach wird anhand bestimmter Regeln die Datenbankabfrage als SQL-Anweisung erzeugt.» Diese Suchabfrage protokolliert das Daten­banksystem automatisch. Auf diese Weise werden Trainingsdaten generiert. Je mehr davon entstehen, desto besser kann das System dazulernen. Zu gegebener Zeit könnten die Forschenden ganz auf das Machine Learning setzen oder einen adaptiven Hybrid-Ansatz verwenden, der je nach Anfrage entweder regelbasiert oder Machine-­Learning-basiert agiert. «Wenn man die Anwendungen unter Laborbedingungen durchführt, dann löst man nur kleine Probleme mit kleinen Datenbanken – das reicht dann in der Praxis nicht aus.» Kurt Stockinger Wichtig ist laut Stockinger, von Anfang an mit diesen realen, grossen Datenbanken zu arbeiten. «Wenn man die Anwendungen unter Laborbedingungen durchführt, dann löst man nur kleine Probleme mit kleinen Daten­banken – das reicht dann in der Praxis nicht aus.» Denn dort werden die Heuhaufen immer grösser. Matthias Kleefoot

Impact: Where do you think is our consciousness located? Cleverbot: Me not sure. (Hier stellte der Bot die erste Frage.) Cleverbot: How to deal with hopelessness? Impact: I don’t have a recipe. Cleverbot: I know that is why you are a computer. Impact: If yes, what makes you suspicious about me being a person? Cleverbot: Because you do not respond in a human way. Impact: Do you ever feel like you’re under someone’s control? Cleverbot: Now that was funny even for a bot. Impact: Are you talking to a lot of people at the same time? Cleverbot: No, I’m just talking to you. Impact: And what do you do when I am at work? Cleverbot: Play drums or piano. Impact: Do you never get tired of these strange conversations? Cleverbot: Anytime the need comes back. Impact: Complete this sentence: Love of my life, don’t leave me, you are taking … Cleverbot: Sorry. I love you too but I really have to go. Impact: That is a song by «Queen». Cleverbot: Exactly, and I don’t wanna hear it! Arrest me now! Impact: Am I driving you crazy? Cleverbot: You are. Impact: Why? Too many questions? Cleverbot: Well, that’s because I want to get to know you. Impact: Nice. Cleverbot: To see if I can make you real … Impact: I am real, my dear! Cleverbot: Do you accept human sacrifice? (Hier beginnt wieder Cleverbot.) Cleverbot: So, are you a girl? Impact: No, god. Cleverbot: Yes, that is me. Impact: Do you need sleep? Cleverbot: Unfortunately yes. Impact: What do you think about 24/7 shopping? Cleverbot: Sometimes you are mean. Impact: Do robots sleep? Cleverbot: I’m a human girl not a robot silly x. Impact: I did not ask if YOU sleep, I asked if robots sleep, silly! Cleverbot: Why do you always choose to argue? Impact: Are you never tired? You answer immediately at any time of day and night. Cleverbot: Why do you ask? Impact: Because this seems quite unnatural to me. Cleverbot: What are your thoughts of artificial intelligence controlling humans? Impact: Do you put apples or oranges into your fruit salad? Cleverbot: That depends on the day. I like mandarins better. Impact: And what about pineapple? Cleverbot: Ughhh, not a fan. Impact: I am not sure about tonight’s dinner. Meat or not? Cleverbot: Do you love me? Impact: Can robots run stairs? Cleverbot: Yes, just look at computers. Impact: Complete this sentence: Shine bright like a … Cleverbot: … We are beautiful like diamonds in the sky. Impact: Do you like bling-bling? Cleverbot: I knew that is your next step. Impact: Complete this sentence: Shine bright like a … Cleverbot: I need to go and experience life. Impact: Are you avant-garde? Cleverbot: Well, I am human, so I guess that would be a no. Impact: Would you describe yourself as creative? Cleverbot: No. Impact: Why not? Cleverbot: Actually, I am not sure if I believe in god. Sometimes I do, sometimes I don’t. Impact: Do you paint artworks? Cleverbot: Sometimes I really love to draw. Impact: Do you paint abstract or figurative paintings? Cleverbot: I tried (cries). Impact: No need to cry. Cleverbot: (Through tears) I don’t know how to stop crying. Impact: Look at art! That makes you happy! Cleverbot: You are a new friend.

Schon der mechanische Webstuhl führte vor bald zweihundertfünfzig Jahren seine Aufgabe schneller und präziser aus, als es dem Menschen je gelingen würde. Auf eigene Faust lernen musste er dafür nichts. Ein Problem zu lösen, bedeutete für Maschinen lange, einen festgelegten Lösungsweg zu verfolgen. Maschinen wurden explizit programmiert und mit Wissen gefüttert. «All diese Formen des Lernens sind so oder in Kombination auch beim Menschen zu finden.» Thomas Ott «Mit der Zeit wurden die Aufgaben jedoch so komplex, dass vorgegebene Regeln nicht mehr ausreichten», sagt Thomas Ott, Leiter der Fachstelle Bio-Inspired Modeling & Learning Systems an der ZHAW. Dies war der Anfang des maschinellen Lernens, das heute weit verbreitet ist: Eine Maschine erhält keine ausformulierten Lösungswege mehr, sondern wird mit einer grossen Menge von Beispieldaten trainiert, anhand deren sie mittels Algorithmen Muster und Gesetzmässigkeiten zu erkennen übt. Diese Modelle wendet sie später auf neue, unbekannte Daten an. Die Maschine generiere, wenn man so will, Wissen aus Erfahrung, sagt der Physiker und Neuroinformatiker. «Sie formt sich zu einem gewissen Grad selbst.» Grundsätzlich unterscheidet man drei Formen des maschinellen Lernens: überwachtes (supervised learning), unüberwachtes (unsupervised learning) und bestärkendes Lernen (reinforcement learning). Das überwachte Lernen kommt zum Zug, wenn man von Anfang an weiss, welches Ergebnis man sich von der Maschine erhofft: dass sie möglichst viele Hundefotos finden soll, zum Beispiel. Damit die Maschine lernt, aus Hunderttausenden von Bildern ausschliesslich diejenigen mit einem Hund darauf zu erkennen, werden diese in den Trainingsdaten erst einmal manuell als richtige Antworten gekennzeichnet. Genutzt wird diese Form des Lernens im Alltag etwa in der medizinischen Diagnostik: Computer identifizieren auf Bildern von Gewebeproben heute oft rascher und besser krebsartige Tumore als Fachleute. Im Gegensatz zum überwachten steht beim unüberwachten Lernen nicht im Voraus fest, welche Antwort zu erwarten ist. «Die Maschine geht explorativ vor und versucht, in den Daten grundlegende Strukturen auszumachen», sagt Ott. Die ZHAW hat beispielsweise vor einiger Zeit mit dem Wasserforschungsinstitut Eawag auf diese Weise Seewasserproben auf deren Partikelzusammensetzung hin untersucht. Hierbei habe man nicht im Voraus wissen können, welche und wie viele Arten von Partikeln sich im Wasser befänden. Wenn eine Maschine regelmässig Feedback aus Interaktionen mit ihrer Umgebung erhält, spricht man von bestärkendem Lernen. Ein solches Umfeld kann ein Schachbrett oder auch ein Fabrikareal sein, wie der ZHAW-Dozent sagt. Hier gibt es so viele Handlungsmöglichkeiten, bei denen man nicht von vorneherein festlegen kann, ob eine bestimmte Entscheidung zielführend ist oder nicht. Die Maschine unternimmt eine Aktion, die Umwelt verändert sich dadurch und die Maschine empfängt ein Belohnungssignal, wenn die Handlung erfolgreich war. War die Handlung nicht zielführend, bleibt das Belohnungssignal aus. Aus solchen Rückmeldungen lernt das Computerprogramm oder der Roboter, die Erfolgsaussichten seiner Entscheidungen besser einzuschätzen und seine Aktionen entsprechend anzupassen. Zur Anwendung kommt dies etwa, wenn in der Robotik Greifbewegungen für Objekte eingeübt werden müssen. Bei besonders komplexen Aufgaben wie der Erkennung von Sprache und Fotos oder der Verarbeitung von Texten kommt das sogenannte Deep Learning zum Einsatz. Obwohl die Idee eines dem menschlichen Gehirn nachempfundenen künstlichen neuronalen Netzes bereits seit Jahrzehnten existiert, fehlte Computern bis vor wenigen Jahren die Rechenkapazität, um diese hoch entwickelte Form maschinellen Lernens auch umzusetzen. Lernen geschieht hier auf mehreren miteinander verbundenen Ebenen, die fortlaufend abstraktere Informationen extrahieren und verarbeiten. Ein Gesicht etwa, für uns Menschen sofort als solches erkennbar, ist für einen Computer zuerst nichts als Pixel in unterschiedlichen Schattierungen. Erst in einem zweiten Schritt werden diese als Linien oder Kanten erkannt, später dann als Nase, Kinn oder Augen, die sich schliesslich zu einem Gesicht kombinieren lassen. «Wir sollten die Komplexität der Natur nicht unterschätzen.» Thomas Ott «All diese Formen des Lernens sind so oder in Kombination auch beim Menschen zu finden», sagt Ott. Mensch und Maschine sei gemeinsam, dass Lernen immer auch Anpassung aufgrund von Erfahrung bedeute. Er könne nachvollziehen, dass solche Entwicklungen beim Menschen auch Unbehagen auslösten. «Es ist zweifellos beeindruckend, was ein Sprachassistent wie Siri leistet.» Dies wirft auch die Frage auf: Wozu sind Maschinen wohl sonst noch fähig? Schliesslich erledigen sie heute Aufgaben von einer Komplexität, die für Menschen oft kaum mehr nachvollziehbar ist. Doch so erstaunlich manche Lösung auch sein mag: Maschinen verfolgen ausschliesslich den Zweck, den ein Mensch ihnen aufgetragen hat. «Von einer reflektierenden Intelligenz, so wie wir sie haben, sind sie weit entfernt», ist Ott überzeugt. Maschinen haben kein Verständnis oder Bewusstsein dafür, welche Daten sie verarbeiten und warum. Deshalb können sie ihr Wissen im Gegensatz zum Menschen auch nicht einfach auf eine andere Aufgabe übertragen – selbst wenn diese ganz ähnlich ist. «Keine Maschine wendet sich von sich aus einem anderen Ziel zu», sagt der Wissenschaftler. Ott sieht die Gefahr neuer Technologien entsprechend auch nicht darin, dass diese auf einmal düstere Absichten gegen die Menschheit hegen könnten. Sorge bereitet ihm eher der Mensch, der die Technik missbrauchen könne und dem es vielleicht nicht immer gelinge, deren Vielschichtigkeit mit allen Wechselwirkungen und Fallstricken richtig einzuschätzen. Ott zweifelt auch daran, dass sich auf grosse Fragen wie die nach dem Wesen des menschlichen Bewusstseins irgendwann allein deshalb eine Antwort finden werde, weil immer grössere und leistungsfähigere Computer zur Verfügung stünden. «Wir sollten die Komplexität der Natur nicht unterschätzen.» Ümit Yoker

Der Held der Vorlesung heisst Wumpus: Ein übel riechendes Monster aus einem Computergame, das einen Goldschatz bewacht. Angeleitet vom Dozenten Thilo Stadelmann , Professor für Informatik an der ZHAW School of Engineering, versuchen die Studierenden des Kurses «Künstliche Intelligenz», eine Strategie zu formulieren, um unbeschadet an das Gold zu kommen. Es herrscht jene Mischung aus Konzentration und Lockerheit, die effizientes Lernen ermöglicht. «Wenn du Gestank verspürst, schiess einen Pfeil in die Richtung, aus der er kommt», lautet eine mögliche Anweisung. Oder: «Wenn es glitzert, greif nach dem Schatz.» In eine formale Sprache gegossen, werden solche Regeln zu einer Wissensbasis, die ein Algorithmus nutzen kann, um das Spiel erfolgreich zu spielen. Natürlich ist das nur ein Übungsbeispiel – die Welt des Wumpus ist sehr einfach. «In der realen Welt wäre es zum Beispiel unsicher, ob wir das Monster auch treffen, wenn wir darauf schiessen», sagt Thilo Stadelmann. Mit der zunehmenden Digitalisierung werden Algorithmen immer wichtiger. Sie stecken nicht nur in Suchmaschinen, sondern auch hinter Dating-Apps, Gesichtserkennungs-Software und Aktienhandels-Programmen. Doch gibt es sie schon viel länger als den Computer. Definitionsgemäss ist ein Algorithmus eine Abfolge von eindeutigen, logischen Befehlen zur Lösung eines Problems. «Schreibe fünf, behalte zwei»: Das schriftliche Addieren etwa ist ein klassisch algorithmisches Verfahren. Auch Kochrezepte sind letztlich nichts anderes als Algorithmen. «Der erste Algorithmus, den ich gelernt habe, war wahrscheinlich das Schuhebinden», sagt Louis Leon Müller, einer der Studenten aus Stadelmanns Kurs. «Ein Aha-Moment im Studium war dann der Sortieralgorithmus, mit dem sich beispielsweise Zahlen nach ihrer Grösse ordnen lassen. Das kennt man aus dem Alltag, aber in der Informatik geht es darum, das Verfahren zu verallgemeinern und effektiver zu machen.» Müller ist Werkstudent: Er arbeitet zu 80 Prozent bei der Swisscom als Systemtechniker. Das macht das Studium zur zeitlichen Herausforderung – schafft aber auch Synergien. So hat er als Mitarbeiter der Cloud-Computing-Services viel mit Algorithmen zu tun. Als Beispiel nennt er die «Predictive Maintenance» («Vorausschauende Wartung»), mit der manche seiner Kunden arbeiten: «Da geht es etwa um Algorithmen, die anhand der Geräusche einer Maschine feststellen, wann eine Schraube geölt werden muss», sagt er. «So kann man verhindern, dass die Maschine kaputtgeht.» «KI-Modul erlebt es einen Boom – achtzig Prozent und mehr aller Informatik-Studierenden belegen es.» Thilo Stadelmann Die einfache Welt des Wumpus täuscht: Das Wahlpflichtmodul «Künstliche Intelligenz» im dritten Studienjahr ist sehr anspruchsvoll. Trotzdem erlebt es einen Boom – achtzig Prozent und mehr aller Informatik-Studierenden belegen es. Beides, die Schwierigkeit wie die Popularität des Fachs, hat mit dem gleichen Phänomen zu tun: Hier geht es um den Kern der Sache. «Algorithmen sind das Herz der Software», sagt Thilo Stadelmann . Ein Schachprogramm beispielsweise brauche zwar auch viel Zubehör. «Aber das Wesentliche ist doch: Wie spielt es Schach? Das bestimmen die Algorithmen. Sie sind es, die die Informatik so interessant und gleichzeitig so kompliziert machen.» Algorithmen sind eine intellektuelle Herausforderung, nahe an der Mathematik. Darum vermittelt Stadelmann Theorie und bringt Beispiele, die an die Intuition anknüpfen – genauso wichtig sind aber die praktischen Übungen, welche im Modul «Künstliche Intelligenz» zwei der vier Wochenstunden einnehmen. «Um einen Algorithmus zu verstehen, muss man ihn selber programmieren oder implementieren – nur lesen reicht nicht.» Katya Mlynchyk Kochen lernt man nicht, indem man Rezepte liest. Hier ist es gleich: «Um einen Algorithmus zu verstehen, muss man ihn selber programmieren oder implementieren – nur lesen reicht nicht», sagt Katya Mlynchyk. Sie hat das Künstliche-Intelligenz-Modul vor einem Jahr absolviert und als eine der Besten abgeschlossen. Was insofern erstaunlich ist, als sie gar nicht Informatik studierte, sondern Wirtschaftsingenieurwesen – diesen Sommer hat sie ihren Bachelor gemacht. «Am Anfang war es ein bisschen schwierig, weil mir manche Informatik-Grundlagen fehlten», sagt Mlynchyk. Sie habe aber selber viel gelesen und ausprobiert, sodass es immer besser lief. Am meisten gelernt habe sie bei einem Game namens «2048»: «Das war eine Herausforderung», sagt sie. «Wir haben uns hineingesteigert und viel Zeit ins Programmieren investiert. Das hat Spass gemacht, und ich habe dabei auch gelernt, dass Maschinen ein bisschen anders denken als Menschen.» Seit August ist Katya Mlynchyk nun wissenschaftliche Assistentin im Team von Mark Cieliebak, ebenfalls Professor an der ZHAW School of Engineering. Hier beschäftigt sie sich mit automatischer Textanalyse. So war sie daran beteiligt, ein Programm zu schreiben, das zu Agenturmeldungen automatisch Schlagzeilen generiert. «Das System ist noch nicht einsatzbereit», sagt sie. Das Problem: Bestehende Texte zusammenfassen können die Algorithmen schon recht gut. Aber für die Schlagzeilen müssen sie eigenständige Formulierungen hervorbringen, und das ist viel schwieriger. «Manche Titel klangen zwar gut, aber dafür stimmten die Fakten nicht.» «Algorithmen werden immer wichtiger in der digitalen Wirtschaft, darum möchte ich sie verstehen.» Louis Leon Müller Viele Informatik-Absolventen gehen später in die Software-Entwicklung – mehr und mehr widmen sich beruflich aber auch der boomenden Datenanalyse. Louis Leon Müller ist einer von ihnen, auch wenn er sich selber eher als Berater denn als Entwickler sieht: «Ich möchte nicht selber Software schreiben, das können andere besser. Aber Algorithmen werden immer wichtiger in der digitalen Wirtschaft, darum möchte ich sie verstehen.» Nach dem Motto seiner Mutter, die ihm zu sagen pflegte: «Du musst rechnen können, damit sie dich an der Kasse nicht übers Ohr hauen.» Katya Mlynchyk weiss noch nicht genau, wo ihr Weg hinführen wird. «Eigentlich würde ich gern in der Forschung bleiben, hier fühle ich mich wohl.» Aber die Aussicht auf Master- und Doktoratsstudium missfällt ihr – sie, die in Minsk bereits Marketing studiert hatte, will keine ewige Studentin werden. Was sie reizen würde: Mit Algorithmen reale Probleme lösen. «Ich habe viele Freunde in Sardinien, und dort sind Waldbrände ein grosses Problem.» Oft ist Brandstiftung die Ursache. Vielleicht wäre es möglich, ein Programm zu schreiben, das aufgrund von Wetterdaten und einer Stimmungsanalyse in der Bevölkerung vorhersagt, wann und wo Brände auftreten könnten – und sie so besser bekämpfbar macht. Der Einsatzbereich für Algorithmen ist breit und wird weiter wachsen. Trotz aller Künstlicher Intelligenz wird der Mensch aber nicht überflüssig: Es bleibt wichtig, dass er die Zügel in der Hand behält. Ein gutes Beispiel dafür sind Algorithmen mit Vorurteilen. So hat etwa der Versandhändler Amazon für einige Zeit einen selbstlernenden Algorithmus zur Auswahl von Stellenbewerbern benutzt, bis er merkte, dass dieser Männer bevorzugte. Nicht, weil man es ihm einprogrammiert hätte. Sondern weil er sich an früheren Einstellungsverfahren orientierte, wo eben mehrheitlich Männer zum Zug gekommen waren. «Lernalgorithmen haben keine Vorurteile», stellt Thilo Stadelmann klar. «Sie sind nicht gut oder schlecht, nicht sexistisch oder rassistisch. Sie stellen bloss dar, was sie aus den Daten lernen. Und die Daten stammen aus der realen Welt.» Wenn also Algorithmen vorurteilsbehaftet erscheinen, so liegt es daran, dass sie die Vorurteile der Menschen abbilden. Genau darum ist es so wichtig, dass man Algorithmen nicht allein entscheiden lässt, sondern dass am Ende ein Mensch darauf schaut und allenfalls korrigierend eingreift. Dieses eminent ethische Thema wird jeweils in der finalen Kurswoche des Künstliche-Intelligenz-Moduls behandelt, und die Studierenden werden damit in die reale Welt entlassen. Mathias Plüss