22 - INFORMATION UND KOMMUNIKATION weiter.vorn 3.18 MeVis AG Uni Bremen Uni Hannover Uni Magdeburg NEC Uni Bonn, Uni Bochum, RWTH, TU Dortmund, Fh-IAIS, Fh-FHR, DLR, FZJ Honda TU Darmstadt DFKI, MPI Informatik, Uni Saarland Robert Bosch, Daimler, SAP Uni Stuttgart, Uni Freiburg, Uni Ulm, MPI für bio. Kybernetik, MPI Intelli- gente Systeme, KIT, Fh-IOSB Airbus Bayer Pharma TU Berlin, MPI Molekulare Genetik, Fh-FOKUS TU Dresden, MPI Kognitions- und Neurowissen- schaften,UFZ Uni Jena Siemens, BMW TUM, LMU, FAU, HMGU, Fh-IIS > 2501 1501-2500 Abkürzungen: FAU = Friedrich Alexander Universität Erlangen Nürnberg; Fh = Fraunhofer-Institut; FZJ = Forschungszentrum Jülich; HMGU = Helmholtz Zentrum München; LMU = Ludwig- Maximilians-Universität München; MPI = Max-Plank-Institut; TUM = TU München; UFZ = Helmholtz-Zentrum für Umweltforschung Unternehmen 501-1500 Forschung < 500 Die Grafik zeigt die bundesweit publikationsstärksten Akteure aus Wissenschaft und Industrie für die Erforschung und Entwicklung von Technologien des maschinellen Lernens – analysiert auf Basis wissenschaftlicher Publikationen im Zeit- raum von 2006–2015. © Fraunhofer IAIS/Fraunhofer IMW Maschinelles Lernen bei Fraunhofer Die Fraunhofer-Gesellschaft engagiert sich dafür, das maschinelle Lernen in Deutschland zu verankern und Unternehmen bei der stra- tegischen Implementierung zu unterstützen. An vielen Instituten, sowohl am Standort Deutschland als auch in Europa, entwickelt Fraunhofer Schlüsseltechnologien der KI und ihrer Anwendungen. Maschinelle Lernverfah- ren für die Industrie gehören ebenso dazu wie der Einsatz kognitiver Systeme in der Cybersicherheit und die weitere Erforschung künstlicher neuronaler Netze. Darüber hinaus bietet Fraunhofer zum Beispiel mit dem neuen Forschungszentrum Maschinel- les Lernen Unternehmen Unterstützung bei aktuellen Herausforderungen: Forscherinnen und Forscher arbeiten an transparenten und belastbaren Lösungen, um KI strategisch in Produktions-, Geschäfts- und Vertriebspro- zesse zu integrieren. Dem Fachkräftemangel begegnet die Fraunhofer-Allianz Big Data mit einem umfangreichen Schulungs- und Zer- tifizierungsprogramm für »Data Scientists«, das berufsbegleitend und modular absolviert werden kann. Bezeichnung Katze bildet der Lernalgorithmus in dem neuronalen Netz Muster aus, mit denen er Katzen erkennen kann, auch wenn sie nur teilweise zu sehen sind. Entscheidend für die Qualität des erlernten Wissens ist die Menge an Beispieldaten. Deshalb spielt maschinelles Lernen da seine Stärken aus, wo große Mengen von Bildern, Dokumenten oder Sprachbeispielen verfügbar sind. So können lernende Systeme aus den medizinischen Bildern bereits Brustkrebs, Herzerkrankungen, Osteoporose und erste An- zeichen von Hautkrebs identifizieren. Stark in den Grundlagen, schwach in der Umsetzung Für die Untersuchung von Deutschlands Position im maschinellen Lernen werteten die Fraunho- fer-Forscher Publikations- und Patentstatistiken aus. Sie zeigen, dass Deutschland in der Grund- lagenforschung gut aufgestellt ist, aber Defizite bei der Umsetzung im Markt hat. Dies spiegelt sich unter anderem in den vergleichsweise gerin- gen Patentanmeldungen Deutschlands wider. Die großen Technologieunternehmen in den USA, die auf riesige Datenbestände zurückgrei- fen können, haben uneinholbare Vorsprünge gegenüber deutschen Mittelständlern, die nur über eine schmale Datenbasis verfügen. Weil der Zugang zu Daten wettbewerbsentschei- dend ist, bleibt ihnen nur die Möglichkeit, Daten mit anderen auszutauschen. Das tun sie aber nur, wenn Kontrolle und Datenschutz gesichert sind. Die andere große Herausforderung für Deutsch- land besteht in den fehlenden Fachkräften, warnen die Experten. Ohne ausreichende Datenwissenschaftler und ML-Spezialisten ist die Wettbewerbsfähigkeit Deutschlands ernsthaft gefährdet. Ein extrem wichtiges Forschungsziel ist die Nachvollziehbarkeit der Entscheidun- gen lernender Systeme. Die Fachleute nennen das »erklärbare KI«. Man will wissen, wie die Systeme zu ihren Entscheidungen kommen. Andere Handlungsfelder für die Forschung sind »Maschinelles Lernen mit wenigen Daten« und »Maschinelles Lernen mit zusätzlichem Wis- sen von Experten«. Ergänzendes Wissen kann fehlende Daten kompensieren und die Nachvoll- ziehbarkeit erhöhen. Gleichzeitig müssen viele rechtliche und ethische Fragen geklärt werden: Wer haftet bei Schäden und Fehlern? Wer ist für Inhalte verantwortlich? Wer hat das Urheberrecht? Warum hat die Ma- schine so und nicht anders entschieden? Wer- den bestimmte Personen diskriminiert? Was darf das System selbstständig entscheiden? Wie wird Daten- und Verbraucherschutz gewährleistet? Die zentrale ethische Herausforderung lau- tet, die Systeme so zu gestalten, dass sie mit unseren Gesellschafts-, Rechts- und Wertevor- stellungen übereinstimmen. »Es wäre niemals akzeptabel, wenn sich eine KI weniger ethisch, weniger moralisch, weniger korrekt, weniger ge- sellschaftlich akzeptiert verhält als ein Mensch«, betont KI-Experte Stefan Wrobel. Dann werden die lernenden Maschinen auch als wertvolle As- sistenten akzeptiert und nicht als Angriff auf das menschliche Unwissen wahrgenommen.