Künstliche Intelligenz – Lessons learned

Am 29. November veranstaltete die FH Campus02 den 96. Digitaldialog. Das Thema war „Künstliche Intelligenz – Lessons learned“ mit Berndt Jesenko als Moderator und vier Keynote Speakern: Arno Hollosi von blackshark.ai, Philipp Jocham von HS_ART Digital Service, Paul Anton Mayer von capito und Adrian Spataru von cleanvoice.at. Im Anschluss gab es eine spannende Podiumsdiskussion bei der das Publikum Fragen stellen konnten.

Der Fokus dieses Digitaldialogs lag auf der Praxis – Was wird benötigt um künstliche Intelligenz / Machine Learning in meinem Unternehmen zu integrieren? Reicht es wenn ich eine Person anstelle, muss ich mir eine Partnerfirma suchen, bringt es mir überhaupt einen Mehrwert?

Bernd Jesenko fasste die Idee des 96sten Digitaldialog in seiner Anmoderation sehr prägnant zusammen:
Auf Tagungen und Veranstaltungen (wo eines der zentralen Thema KI [künstliche Intelligenz] ist) werden einem oft schöne Use-Cases, Best-Practice Beispiele präsentiert, […] was man alles mit KI machen kann. Aber irgendwo fehlt einem am Ende dann die Quintessenz. Man kann sehr wenig für das eigene Unternehmen mitnehmen, wenn man mit dem Gedanken spielt KI in der eigenen Organisation zu implementieren. Deshalb gehen wir das Thema heute von der anderen Seite an: Wir konzentrieren uns nicht nur auf Best-Practice Beispiele, sondern wir fragen wirklich konkret: Was sind denn die Probleme bei der Implementierung von KI, was gibt es für Hürden, welche Fehler wurden in der Vergangenheit gemacht und welche Lehren wurden daraus gezogen? Idealerweise gehen Sie heute hier heraus und sagen: Heute habe ich wirklich etwas wertvolles mitgenommen.

Dass diese Erwartungen erfüllt wurden, soll anhand von vier Zitaten deutlich gemacht werden:
„Machine-Learning ist fein, stellt aber nur den innersten Kern Ihres USPs [unique selling proposition] dar“ – Arno Hollosi von blackshark.ai. Arno Hollosi zeigte den Prozess auf wie die Daten für den „digital twin“ verarbeitet werden: Zuerst müssen Menschen per Hand Daten beschriften (Gebäude, Brücken etc). Danach ist das Trainieren: Es wird eine Testregion definiert und der ML (Machine-Learning) Algorithmus (zusammen mit dem aktuellen Modell) muss dem Praxistest stand halten. Als dritter Schritt wird der Algorithmus und das Modell auf die Produktionsseite gehoben und ein größeres Gebiet (z.B. ganz Spanien) abgearbeitet.
Die meisten Schritte beinhalten ML, aber der größte Aufwand ist das Labeln, das Verwalten der verschiedenen Versionsmodelle, Trainieren, so wie das Auswerten der Heuristiken. ML stellt nur den innersten Kern dar.

„Conclusio: AI hat uns erlaubt neue Software zu schreiben und die Arbeit leichter zu machen“ sagt Philipp Jocham von HS_ART Digital Service. Er ist der Meinung, dass nicht alles was mit AI lösbar ist auch mit AI gelöst werden soll. Wenn es eine traditionelle Vorgehensweise gibt, die einfacher ist und konsistent gute Resultate liefert, dann ist das zu bevorzugen.
Eine der Aufgaben die HS_ART Digital Service mit AI gelöst hat ist die Colorisierung von Filmen. Meist ist ein gemischter Ansatz zielführend:
Ein Mensch bestimmt die initialen Farben (z.B: müssen Uniformfarben aus historischen Filmen den echten Farben entsprechen), die AI ist dann gut diese Farben auf den gesamten Film anzuwenden. Konkurrenzprodukte liefern weit schlechtere Ergebnisse, da man nicht (oder nur sehr schlecht) in den Prozess eingreifen kann.

„KI ist kein Allheilmittel“ und „Wenn ein Problem (mit gleicher Qualität) regelbasiert gelöst werden kann, sollte der Einsatz von KI vermieden werden.“ waren zwei Learning-Outcomes nach Paul Anton Mayer von „capito“. Weiters betonte er, dass oft neben den technischen gerne der betriebliche und rechtliche Aufwand unterschätzt wird.

Adrian Spataru von cleanvoice.at betonte ebenfalls „Nicht alles muss KI sein“. Seine Software verbessert Podcast Aufnahmen. Es werden Füllwörter wie „äh, hm“ entfernt. Ein weiterer Outcome war, dass es manchmal ausreicht ein Modell zu trainieren das halbwegs richtig ist, und danach können die Daten reduziert werden, um das Training zu beschleunigen.

• Scale up! Was uns ein Petabyte an Daten über die Welt und AI gelehrt hat
  Arno Hollosi – Blackshark.ai
• Alte Filme / Bunte Filme
  Philipp Jocham – HS-ART Digital Service
• Digitalisierung mittels künstlicher Intelligenz – Das steirische Erfolgsbeispiel capito
  Paul Anton Mayer – capito
• Clean AI: Der Umgang mit Komplexität
  Adrian Spataru – Cleanvoice AI

^{Fotos: Magdalena Zatsch | FH Campus 02}