Kreativität, kritisches Denken, Kollaboration und Kommunikation: Wer in Zukunft in der Arbeitswelt bestehen möchte, schreibt sich diese vier «K» in seinen Lebenslauf. Der werktätige Mensch von morgen muss der Künstlichen Intelligenz mit emotionaler, sozialer und kognitiver Intelligenz begegnen. «Die Beherrschung der neuen Technologien ist nur ein Teil der Qualifikationsgleichung», postuliert auch der Report «The Future of Jobs» des World Economic Forum (WEF) von 2018. Auf der anderen Seite der Gleichung sehen die Autoren menschliche Fähigkeiten wie kritisches und analytisches Denken, Aufmerksamkeit für Details, Widerstandsfähigkeit, Flexibilität oder Dienstleistungsorientierung. Darüber waren sich auch die rund 70 Bildungsverantwortlichen einig, welche sich im September an einem Anlass des IAP Institut für Angewandte Psychologie der ZHAW zum Thema «Die Zukunft der Weiterbildung» trafen. Weiterbildungsverantwortliche an Hochschulen wie in Unternehmen sind gefordert: Denn die zukünftig gefragten Kompetenzen angesichts der digitalen Transformation und der damit verbundenen gesellschaftlichen Veränderungen erfordern auch eine Veränderung in Form und Inhalt von Weiterbildungen. Der Wandel findet bereits statt und wird sich weiter akzentuieren: «Die klassische Vorlesung ist ja schon seit Jahrzehnten überflüssig – etwas überspitzt formuliert», sagt Christoph ­Negri, Leiter des IAP. Die Rolle der Hochschule als Anbieter von Weiterbildung werde wichtig bleiben, sich aber den neuen Ansprüchen der Arbeitswelt anpassen müssen. Schwerpunkte dieser Entwicklung der Weiterbildung orteten die Praxisvertreterinnen und -vertreter am IAP-Event zum Beispiel bei Lernformen und -gefässen, der Vernetzung und der Flexibilisierung der Weiterbildung oder auch bei der Verbindung von informellem und formellem Lernen. Strukturwandel und Digitalisierung führen zu mehr Zusammenarbeit zwischen Projektteams aus vielen Unternehmensbereichen – etwa in der Finanzbranche. Das bedingt die Fähigkeit, die Sichtweisen verschiedener Disziplinen und Kulturen nachvollziehen zu können. Interdisziplinär konzipierte Weiterbildungsformate können dies trainieren: So werden Finanzierungsfragen im Master of Advanced Studies (MAS) Corporate Finance & Corporate Banking der School of Management and Law (SML) sowohl aus der Sicht der Bank wie des Unternehmens betrachtet. Ein anderer MAS der SML, der MAS Financial Business Innovation Engineering for Financial Services, ist so konzipiert, dass die darin enthaltenen Certificates of Advanced Studies (CAS) in Zusammenarbeit mit den ZHAW-Departementen School of Engineering und Angewandte Psychologie angeboten werden. So wird neben den fachlichen und methodischen Fähigkeiten der Austausch mit Teilnehmenden diverser Branchen forciert: «Ein Banker kann so beispielsweise einen Einblick in die Welt der Pharma­branche erhalten und daraus Erkenntnisse für seinen Bereich ableiten», so Johannes Höllerich, ­Leiter Development & Services in der Abteilung Banking, Finance, Insurance an der SML (vgl. SML-Magazin «Competence» 2019). Denn als offensichtlich erachtet Höllerich: «Das blosse Aneignen von Fachwissen reicht nicht mehr aus, zumal dessen Halbwertszeit immer kürzer wird.» Die Dynamik der neuen Arbeitswelt ist auch durch das Schlagwort Flexibilisierung geprägt, zudem zeigt der gesellschaftliche Trend weiterhin in Richtung Individualisierung. Die Weiterbildung wird auch diese Entwicklungen spiegeln. Etwa indem die Lerninhalte noch genauer an die Bedürfnisse des einzelnen Teilnehmenden angepasst werden. Am Departement Life Sciences und Facility Management beispielsweise können die Teilnehmenden des CAS in Digital Life Sciences aus einer ganzen Palette an Modulen auswählen. Inhaltlich wird ein neuer Zugang zu Data Science angestrebt: Die neuen Berufsfelder im Bereich Informatik gingen weit über die formale Darstellung, Speicherung, Verarbeitung und Übermittlung von Informationen hinaus, heisst es in der Beschreibung des CAS. Gerade im Life-Science-Bereich seien oft Hintergrundwissen über den Datenkontext und methodisches Metawissen von zentraler Bedeutung, da die Interpretation der Daten für den Wissenserwerb von besonderer Bedeutung sei. Statt der reinen Wissensvermittlung wird die Auseinandersetzung mit dem Wissen ins Zentrum rücken. Für die Dozierenden wird es darum gehen, das Lernen zu moderieren, die Teilnehmenden anzuleiten und eine professionelle Einschätzung zum Gelernten abzugeben. Ein Austausch auf Augenhöhe – dass dabei die Lernsituationen so gestaltet werden, dass die geforderten überfachlichen Kompetenzen zum Tragen kommen, erachtet Institutsleiter Negri als zentrale Aufgabe. Konsens herrschte am IAP-Anlass darüber, dass analoges und digitales Lernen kein Gegeneinander sind: «Sie müssen ineinanderspielen», so Negri. Vernetzungen werden aber auch auf anderen Ebenen stattfinden. Die Hochschule und die Unternehmen – die Kunden – müssten enger zusammenarbeiten und Wechselwirkungen stärken. Heute bieten Hochschulen bereits Weiterbildungen in den Unternehmen ­direkt an – dies müsse noch mehr gefördert werden. Und letztlich lernt man ja nicht nur in einem formalen Rahmen. «Wir lernen im täglichen Leben, dann, wenn in der Anwendung etwas ausprobiert werden kann – try and error», sagte denn auch Regula Züst, Projektleiterin Berufsbildung von Swissmem, dem Verband der Maschinen-, Elektro- und Metallindustrie, in einem ­Video zum IAP-Event. Gelernt wird beispielsweise im beruflichen Alltag bei jedem Projekt, das man durchführt. Hier seien aber auch die Arbeitgeber gefordert, so Negri. Bei der Arbeit – aber auch an einer Hochschulweiterbildung – erworbenes Wissen eines Mitarbeitenden sollte systematischer für das Unternehmen genützt und anderen Mitarbeitenden zugänglich gemacht werden. Bereits bestehen Ideen, Gelerntes in Zukunft nicht mehr nur in formellen Weiterbildungs­abschlüssen zu spiegeln: Alle Kompetenzen, die man im Laufe seines Lebens im Beruf und im Privaten erworben hat, könnten in einer Art «Pass des lebenslangen Lernens» abgebildet werden, in einem Raster, wo diese Fähigkeiten neben Abschlüssen und Berufserfahrung berücksichtigt werden. «Wir müssen das informelle Lernen ernster nehmen», so Negri. In einen solchen Kompetenzraster könnten dann auch die Erfahrungen durch die Kinder­erziehung zum Tragen kommen – aber auch die Leidenschaft für private Hobbys wie Gamen oder Rosenzüchten. Sibylle Veigl

Der Pu-Erh-Tee wird in der chinesischen Medizin seit Jahrhunderten eingesetzt. Er soll unter anderem den Stoffwechsel anregen sowie das Immunsystem stärken. «Die beiden Sorten Scheng und Shou werden unterschiedlich fermentiert», erklärt Lebensmitteltechnologiestudentin Priscilla Laube. «Daraus ergeben sich drastische Aromaunterschiede.» Der Scheng wird unter natürlichen Bedingungen über Jahrzehnte veredelt. Das Resultat ist ein blumiges und fruchtiges Geruchsprofil. Der Shou wird hingegen beschleunigt fermentiert, was zu muffig-erdigen Geruchsqualitäten führt. Wie zahlreich und vielfältig die aromaaktiven Komponenten des koffeinhaltigen Tees sind, dokumentiert Priscilla Laube in ihrer Bachelorarbeit. «Ich musste erst lernen, wie man Aromen beschreibt», erzählt sie. «Was heisst würzig? Wie schmeckt blumig?» Ein Gerät half ihr dabei, ihren Geruchsinn zu schärfen. Mit sensorischen und instrumentell-analytischen Methoden fand sie schliesslich 53 Komponenten, welche für die Geruchsprofile der beiden Teesorten massgeblich verantwortlich sind. «Mir ist klar geworden, wie das typische Aroma zustande kommt.» Mit diesem Wissen möchte sie nun eine Analysemethode entwickeln, welche die Authentifizierung der beiden Teesorten ermöglicht. «Fälschungen kommen häufig vor, da der Tee sehr beliebt und entsprechend gesucht ist», sagt sie. Wer täglich mehrere Tabletten benötigt, verliert leicht den Überblick. Medikamente werden verwechselt, vergessen oder nicht in der verschriebenen Dosis eingenommen. Jonas Frei und Frederik Imhof haben sich der Problematik angenommen und einen Prototypen eines Automaten gebaut, der Anwender bei der korrekten Einnahme unterstützen könnte. Er lagert die benötigten Arzneien in der Originalverpackung, dem sogenannten Blister. Damit gewährleistet er einen optimalen Schutz der Präparate, bis diese eigenommen werden müssen. In einem speziellen Rahmen kann er bis zu sechs Blister mit unterschiedlich grossen und schweren Tabletten lagern. Soll er eine herausgeben, identifiziert er sie über eine Kamera und drückt sie mit Hilfe von Aktoren und Sensoren aus der Verpackung. «Es hat uns gereizt, ein potenziell markttaugliches Produkt von Grund auf zu entwickeln», sagen die beiden Bachelorabsolventen, die an der School of Engineering studiert haben und sich in früheren Projekten bereits mit ähnlichen Fragestellungen befasst hatten. «Wir konnten das erlernte Wissen in Mechanik, Elektrotechnik und Informatik optimal einsetzen.» Viel Zeit investierten sie unter anderem in die Bauweise. «Den Prototypen möglichst kompakt zu gestalten, war eine der grössten konstruktiven Herausforderungen», berichten sie. Sie haben das Gerät mehrheitlich aus 3D-gedruckten Teilen gebaut. Die Steuerung funktioniert über ein Display. Denkbar wäre es jedoch, diese weiterzuentwickeln und beispielsweise mit einer App zu kombinieren. Eine Therapeutin, die nochmals in den Spiegel schaut, bevor sie einem Patienten gegenübertritt. Ein Therapeut, der während einer Sitzung erotische Fantasien hat. Verliebtheit in der Psychotherapie ist ein Tabuthema. Sie kann nicht nur die therapeutische Arbeit beeinträchtigen. Führt sie zu sexuellen Handlungen, kann sie auch strafrechtliche Konsequenzen haben. «Gefühle von Verliebtheit sind brisant», sagt Esther Rhyn, die an der ZHAW einen Master in klinischer Psychologie abgeschlossen hat. «Sie erzeugen für die Betroffenen ein Spannungsfeld zwischen Verführung und Kontrollverlust einerseits sowie Schutz der Klientel und Aufrechterhaltung der therapeutischen Beziehung andererseits.» In welcher Form und wie häufig derartige Empfindungen vorkommen, dokumentiert die Absolventin anhand von 409 Stichproben. Sie zeigt zudem verschiedene Erklärungsmuster auf. Das von Sigmund Freud geprägte Konzept der Gegenübertragung ist eines davon. Fast alle der Befragten (95,3 Prozent) gaben an, mindestens einmal einen Patienten, eine Patientin attraktiv gefunden zu haben. Mehr als die Hälfte erlebten Verliebtheitsgefühle. Ebenso viele – darunter Männer mit einer 5,9 Mal erhöhten Chance im Vergleich zu Frauen – bejahten die Frage nach sexuellen Anziehungsgefühlen. Rund 42 Prozent der Therapierenden berichteten von sexuellen Fantasien; gut ein Viertel von Sehnsuchtsgedanken sowie Flirtverhalten. 4,2 Prozent gaben sich schon einmal erotischen Aktivitäten hin, 2,4 Prozent sogar sexuellen Handlungen. «Dies darf mit Blick auf die Missbrauchsproblematik nicht unbeachtet bleiben», sagt Rhyn. Sie hofft, mit ihrer Arbeit zur Reflexion, Diskussion und Sensibilisierung beizutragen. Eveline Rutz

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.