INNOVATIONSFELDER ÖFFENTLICHER IT 2019 / 2020
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
F O R S C H U N G F Ü R D E N D I G I TA L E N S TA AT INNOVATIONSFELDER ÖFFENTLICHER IT 2019 / 2020
IMPRESSUM
Autor:innen
Silke Cuno, Jan Gottschick, Dorian Grosch, Jan Dennis Gumz,
Karoline Krenn, Nicole Opiela, Jens Tiemann, Mike Weber,
Christian Welzel, Armin Wolf
Danksagung:
Wir danken Thilo Ernst, Franziska Frankenfeld,
Maximilian Gahntz, Gabriele Goldacker, Simon
Sebastian Hunt und Maximilian Kupi, die mit ihrem
Fachwissen zu dieser Publikation beigetragen haben.
Gestaltung:
Reiko Kammer
Herausgeber:
Kompetenzzentrum Öffentliche IT Links:
Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS
Kaiserin-Augusta-Allee 31, 10589 Berlin Alle in dieser enthaltenen Weblinks wurden zuletzt am
Telefon: +49-30-3463-7173 30.11.2019 oder später abgerufen.
Telefax: +49-30-3463-99-7173
info@oeffentliche-it.de
www.oeffentliche-it.de
www.fokus.fraunhofer.de Bildnachweise:
ISBN: 978-3-9819921-7-5
Seite Autor:innen Quelle Lizenz
1. Auflage Dezember 2019
1, 10, 16, 24, Martha Friedrich
Dieses Werk steht unter einer Creative Commons CC BY 3.0
Namensnennung 3.0 Deutschland (CC BY 3.0) Lizenz. 32, 35, 40
Es ist erlaubt, das Werk bzw. den Inhalt zu vervielfältigen,
zu verbreiten und öffentlich zugänglich zu machen,
Abwandlungen und Bearbeitungen des Werkes bzw. 21 (links) Perlinator pixabay.com CC 0
Inhaltes anzufertigen sowie das Werk kommerziell zu nutzen.
21 (mitte) MartinThoma wikimedia.org CC0 1.0
Bedingung für die Nutzung ist die Angabe der
Namen der Autoren sowie des Herausgebers. 21 (rechts) MartinThoma wikimedia.org CC0 1.0
VORWORT
»Sich sehnsüchtig der Zukunft erinnern« – das wollten wir mit dieser Publikation aufgezeigten Entwicklungslinien können
1
der ersten Analyse der Innovationsfelder öffentlicher IT. Nach dazu beitragen, die notwendige Diskussion über Möglichkeiten
sechs Jahren kontinuierlichen Trendmonitorings mit diversen und Grenzen dieser und anderer Technologien auf eine infor-
Publikationen, beispielsweise Trendblätter , Technologiesonare
2 3
mierte Basis zu stellen.
und Zukunftsszenarien4, bleibt die Sehnsucht genauso groß.
Dass dabei nicht immer jede technische Möglichkeit auch in die
Zukunftsbezogene Aussagen haben gegenüber solchen über breite Anwendung kommt, zeigt die Rückschau auf die Ergeb-
die Vergangenheit die besondere Herausforderung, erst in der nisse der ersten Analyse der Innovationsfelder öffentlicher IT.
Zeit überprüfbar zu sein. Aber es geht bei Weitem nicht nur Begriffe können sich wandeln, Konzepte werden weiterentwi-
darum, die Zukunft treffsicher vorherzusagen. Vielmehr rekur- ckelt, Tendenzen verstärken oder verlangsamen sich und man-
rieren Zukunftsaussagen immer auf das hier und jetzt, in dem cher damals identifizierte Trend lässt sich in druckfrischen
sie getroffen werden. So können sie die Entscheidungsgrund- Trendreports wiederfinden. Dabei gilt damals wie heute, dass
lage erweitern und den Akteur:innen mehr Zeit für notwendige die aufgezeigten Möglichkeitsräume die Auseinandersetzung
Handlungen verschaffen. Zeichnen sich dystopische Entwick- mit den bereits begonnenen Entwicklungen erleichtert.
lungen und große neue Herausforderungen wie etwa bei den
neuen Angriffsvektoren für KI-Anwendungen ab, dann muss es Wir wünschen allen sich sehnsüchtig der Zukunft erinnernden
das Ziel jeder Zukunftsforschung sein, die eigene Vorausschau Entscheider:innen und technisch Interessierten in Politik und
nicht eintreten zu lassen: Die Selbstzerstörung der eigenen Vor- Verwaltung eine anregende Lektüre.
hersagen ist der größte Erfolg.
Ihr Kompetenzzentrum Öffentliche IT
Diese zweite Analyse der Innovationsfelder öffentlicher IT zielt
auf die Identifikation großer Entwicklungslinien. Im hochdyna-
mischen Feld der IT braucht es dafür einen intensiven Blick auf
die aktuellsten wissenschaftlichen Publikationen. Was heute an
der Spitze der IT-Forschung diskutiert wird, kann binnen kurzer
Zeit bereits den Markt beherrschen. Die Darstellung der Innova-
tionsfelder richtet sich entsprechend nicht nur an technologisch
Interessierte, die neue Anwendungsmöglichkeiten kennen ler-
nen möchten. Die skizzierten Entwicklungen fordern mitunter
auch Staat und Verwaltung heraus. Entsprechend werden
Regulierungsaspekte genauso angesprochen, wie Herausforde-
rungen der Anwendung in der eigenen Organisation.
Die bibliometrische Analyse von etwa zwei Millionen Konfe-
renzbeiträgen hat fünf Innovationsfelder hervorgebracht.
Künstliche Intelligenz in unterschiedlichen Fassetten dominiert
die aktuelle wissenschaftliche Auseinandersetzung, ein Ergeb-
nis, das auch durch das ÖFIT-Trendgebirge5 gestützt wird. Die in
1
Fromm, J.; Gauch, S.; Kaiser, T.; Weber, M. (2013).
2
https://www.oeffentliche-it.de/trendschau.
3
https://www.oeffentliche-it.de/trendsonar.
4
Opiela, N.; Mohabbat Kar, R.; Thapa, B.; Weber, M. (2018).
5
https://www.oeffentliche-it.de/trendgebirge.
3
Maschinen verstehen Menschen
» W E C A N O N LY S E E A S H O R T
D I S TA N C E A H E A D , B U T W E C A N
S E E P L E N T Y T H E R E T H AT N E E D S
TO BE DONE.« ALAN TURING
INHALTSVERZEICHNIS
Vorwort 3
Einleitung 5
1. Datenvisualisierung erklärt 6
2. Innovationsfelder 2019/2020 10
2.1 Ressourceneffiziente KI 10
2.2 Künstlicher Realismus 16
2.3 Blockchain – Zwischen Hype und Wirklichkeit 24
2.4 Die Achillesferse der KI? 32
2.5 Maschinen verstehen Menschen 40
3. Innovationsfelder 2013 48
3.1 Die Idee Anything as a Service wird weiterleben 48
3.2 Vom Meer zum Ozean der Daten 48
3.3 Smart Grid und dezentrale Flexibilität 49
3.4 Von drahtlosen Sensornetzwerken zu IoT-Funknetzen 51
4. Vorgehen 52
Quellen 54
4
EINLEITUNG
Für diese Publikation wurden fünf Innovations
felder6 ermittelt, deren Beschreibung und Bewert
ung das Kernstück der vorliegenden Publikation
darstellen:
1. Ressourceneffiziente KI: In Kapitel 2 sind die wesentlichen Trends der fünf Innovations-
Fortschritte bei Software und Hardware, die performante KI felder erläutert, mögliche Anwendungen und Auswirkungen
abseits von Rechenzentren ermöglichen. dargestellt sowie Wege zur Gestaltung der zukünftigen Ent-
wicklung aufgezeigt. Generell wurde ein starker Fokus auf die
2. Künstlicher Realismus: Datenauswertung und -visualisierung gelegt. Wie die in dieser
Die durch innovative Algorithmen deutlich erleichterte Mani- Publikation verwendeten Grafiken zu lesen sind, ist in Kapitel 1
pulation von Texten sowie Audio-, Bild- und Videomaterial dargelegt.
mit täuschend echten Ergebnissen. Beispielhaft seien hier
Deepfakes genannt. Um die Innovationsfelder 2019 / 2020 zu identifizieren, wurden
zunächst wissenschaftliche Publikation automatisiert nach vor-
3. Blockchain – Zwischen Hype und Wirklichkeit: her bestimmten Kriterien analysiert. Aus den sich ergebenden
Innovationen wie Smart Contracts und neue Konsensverfah- Themen wurden in Expert:innenworkshops Trends ermittelt, die
ren, die der Blockchain-Technologie den Weg zu weiteren dann zu Innovationsfeldern aggregiert wurden. Der Prozess ist
praktischen Anwendungsmöglichkeiten ebnen. ausführlich in Kapitel 4 beschrieben.
4. Die Achillesferse der KI?: In Kapitel 3 sind die Innovationsfelder »Anything as a Service«,
Durch neu entdeckte Schwachstellen und Angriffsmöglich- »Das Meer der Daten«, »Smart Grid – das Internet der Energie«
keiten wie beispielsweise Adversarial Examples, werden Fra- und »Drahtlose Sensornetzwerke« der ersten ÖFIT-Publikation
gen bezüglich der sinnvollen Einsatzgebiete von KI aufge- zu Innovationsfeldern aus dem Jahr 2013 rückblickend betrach-
worfen. tet. Für jedes dieser Felder haben FOKUS-Expert:innen die Ent-
wicklung seit 2013 sowie zukünftige Möglichkeiten zusam-
5. Maschinen verstehen Menschen: mengefasst.
Algorithmen, die menschliche Haltungen und Absichten ein-
ordnen können. Beispielsweise wird Hate Speech Detection
eingesetzt, um die Verbreitung von Hassrede in sozialen
Netzwerken einzudämmen.
6
Ein Innovationsfeld kann einen Trend oder mehrere, sich gegenseitig
bedingende Trends beinhalten. Als historisches Beispiel sei hier die Erfindung des
Audioformats mp3 genannt. Im Innovationsfeld rundum digitalkomprimierte
Medieninhalte waren anschließend Trends wie die Entwicklung und Verbreitung
von neuen Dateiformaten, von Tauschbörsen und von kleinen Abspielgeräten
beobachtbar.
5
1. DATENVISUALISIERUNG ERKLÄRT
Begleitend zur inhaltlichen Bearbeitung erfolgte für jedes Inno- ermöglicht, ihre Ergebnisse9 frühzeitig zur Verfügung zu stellen.
vationsfeld eine Datenauswertung, deren Ergebnis auf verschie- Beispielsweise wurden 2018 über 140.000 wissenschaftliche
dene Weisen visualisiert ist. Um ein besseres Verständnis der Artikel eingereicht.
Datenvisualisierung zu ermöglichen, sind die wiederholt vor-
kommenden Grafiktypen hier erläutert. Einmalig vorkommende Mithilfe passender Suchbegriffe wurden die Artikel zu einem
Grafiktypen sind stattdessen an der Stelle erläutert, an der sie Trend identifiziert. Pro Jahr wurde anschließend die relative
auftreten. Häufigkeit ermittelt, also wie groß der Anteil der Artikel zu die-
sem Trend an der Gesamtanzahl der Artikel ist. Beispielsweise
Wissenschaftliche Relevanz wurden 2018 507 Artikel zu Big Data veröffentlicht, was einer
relativen Häufigkeit von gerundet 0,36 % entspricht. Weil Big
Die Entwicklung der jährlichen Anzahl der wissenschaftlichen Data ein bereits etabliertes und immer noch relevantes Thema
Publikationen ist ein wichtiger Indikator für die derzeitige und ist, kann diese relative Häufigkeit als vergleichsweise hoch
zukünftige Relevanz eines Trends. Als Datenquelle wurde dabei angesehen werden. Die relativen Häufigkeiten der Trends inner-
7
in der Regel arXiv und im Fall einer zu geringen Ergebnismenge halb der Innovationsfelder sind in der Regel deutlich geringer.
auch Scopus8 gewählt. arXiv ist ein durch die Cornell University
betriebener Dokumentenserver, der es Wissenschafter:innen Geografische Verortung
Wie intensiv wird in Staaten zu den Trends eines Innovationsfel-
des geforscht und wie sind die Staaten vernetzt? Um diese
arXiv-Dokumente
Frage zu beantworten, wurden die Standorte der Forschungs-
Max. % ● einrichtungen der Autor:innen zu einem Innovationsfeld be
Trend
trachtet. Eine Publikation wurde einem Staat zugeordnet, wenn
zumindest ein:e Autor:in einer Forschungseinrichtung aus die-
● sem Staat angehörte. Datengrundlage waren Scopus-Sucher-
Relative Häufigkeit
gebnisse für die Publikationsjahre 2014 bis 2019.
●
Jedes Kreisdiagramm in der Grafik repräsentiert einen Staat,
wobei nur Staaten mit einer gewissen Mindestanzahl10 an Pub-
likation berücksichtigt wurden. Die Fläche des Kreises ist dabei
proportional zur jahresübergreifenden Anzahl der Publikatio-
nen, während die Flächen der Anteile proportional zu den jah-
0% ● ● ● ● resweisen Publikationshäufigkeiten sind. Weil Veröffentlichun-
gen oftmals nicht sofort durch Literaturdatenbanken wie
2013 2015 2017 2019
Scopus erfasst werden und mit absoluten Häufigkeiten gerech-
Einreichungsjahr net wurde, ist davon auszugehen, dass die 2019er Anteile in
der Regel kleiner ausfallen als sie tatsächlich sind. Sind zwei
Staaten durch eine graue Linie verbunden, so bedeutet dies,
Abb. 1: Beispielhafte Darstellung für den Trendverlauf der wissen- dass Forscher:innen dieser Staaten gemeinsam publiziert haben.
schaftlichen Relevanz. Anhand des Graphen lässt sich die Entwick-
lung des Trends einschätzen, während sich anhand der Obergrenze
der y-Achse die bereits erreichte Relevanz ablesen lässt.
9
Dass ein eingereichter Artikel wissenschaftlichen Ansprüchen genügt, wird vor
der Veröffentlichung geprüft, allerdings nicht im gleichen Ausmaß wie bei einer
wissenschaftlichen Fachzeitschrift. Siehe auch https://arxiv.org/help/submit.
10
7
https://arxiv.org. Diese Mindestanzahl ist je nach Innovationsfeld unterschiedlich und schränkt
die Anzahl der repräsentierten Staaten ein, wodurch die Übersichtlichkeit der
8
https://www.scopus.com. Grafik gewährleistet wird.
6
Datenvisualisierung erklärt
Staat 1
Staat 36
Staat 35
Staat 2 Staat 34
Staat 33
Staat 32
Staat 31
Staat 30
Staat 29
Staat 28
Staat 3 Staat 27
Staat 26
Staat 25
Staat 24
Staat 4
Staat 23
Staat 22
Staat 5
Staat 21
Staat 20
Staat 6 Staat 19
Staat 18
Staat 7
Staat 17
2014
Staat 16 2015
Staat 8
Staat 15 2016
Staat 9 2017
Staat 14
Staat 10 Staat 13 2018
Staat 11 Staat 12 2019
Abb. 2: Beispielhafte Darstellung für die geografische Verteilung der Publikationshäufig-
keit. In den Bildbeschreibungen sind die minimalen und maximalen Publikationsanzahlen
pro Staat (proportionale Kreisdiagrammfläche) bzw. zwischen Staaten (proportionale Li-
niendicke) als »Publikationsanzahl« und »Gemeinsame Publikationsanzahl« wiedergege-
ben, also bspw. »Publikationsanzahl: 1 bis 50. Gemeinsame Publikationsanzahl: 1 bis 11.«
7
Datenvisualisierung erklärt
Die Linienbreite ist proportional zur jahresübergreifenden Häu- Wahrnehmung in Wissenschaft und sozialen Medien
figkeit der Zusammenarbeit – je breiter eine Verbindungslinie
ist, desto stärker die Zusammenarbeit. Auf diese Weise wird die Um einen Eindruck davon zu vermitteln, welche Themen mit
internationale Vernetzung zu einem Innovationsfeld deutlich. den Innovationsfeldern assoziiert werden und welche Unter-
schiede diesbezüglich zwischen Wissenschaft und Gesellschaft
Natürlich ist nicht nur die Quantität, sondern auch die Qualität bestehen, wurde die Verschlagwortung von Beiträgen zum
der Forschung von Interesse. Um die Qualität der Forschungser- Innovationsfeld grafisch aufbereitet. Dazu wurden englisch-
gebnisse zu messen wurde der auch als h-Index bekannte sprachige Tweets und wissenschaftliche Publikationen zu den
Hirschfaktor verwendet. Dieser wird in der Regel genutzt, um Trends des jeweiligen Feldes gesammelt. Anschließend wurden
den Einfluss einer Wissenschaftlerin oder eines Wissenschaftlers die 50 häufigsten Hashtags von Twitter und die 50 häufigsten
anhand der Zitationshäufigkeit der Publikationen zu messen. Schlüsselwörter aus den wissenschaftlichen Publikationen
Der Hirschfaktor h ist die größtmögliche Anzahl von Publikatio- ermittelt. Die Begriffe sind in Form einer Wordcloud dargestellt.
nen, die mindestens h-mal zitiert wurden. Deutlich wird dies an Je populärer ein Begriff ist, desto größer ist er. Anhand der Farb-
einem Beispiel: Angenommen, eine Forscherin hat 5 Publikatio- gebung lässt sich erkennen, ob ein Begriff nur als Hashtag, nur
nen veröffentlicht, die 7-, 3-, 1-, 0- und 0-mal zitiert wurden. als Schlüsselwort oder als Hashtag und Schlüsselwort aufgetre-
Der Hirschfaktor ist dann 2, denn es existieren 2 Publikationen ten ist. Falls ein Begriff, der sowohl als Hashtag als auch als
die jeweils mindestens zweimal zitiert wurden, aber keine 3 Pu Schlüsselwort auftrat, mit einer Raute beginnt, so bedeutet
blikationen die jeweils mindestens dreimal zitiert wurden. Um dies, dass die Popularität des Begriffs als Hashtag in den sozia-
die Qualität der Forschungsergebnisse für einen Staat zu mes- len Medien größer war als die Popularität des Begriffs als
sen, wurde diese Berechnungsmethode auf die einem Staat Schlüsselwort in der Fachliteratur. Im umgekehrten Fall fehlt die
zugeordneten Publikationen angewendet. Das Ergebnis wurde Raute.
als Balkendiagramm visualisiert. Dabei wurden nur Staaten mit
mindestens fünf Publikationen berücksichtigt.
Hirschfaktor der Staaten
Staat 2 20
Staat 1 7
Staat 4 5
Staat 5 3
Staat 6 3
Staat 7 3
Staat 9 2
Staat 12 2
Abb. 3: Beispielhafte Darstellung für die geografische Verteilung
Staat 14 2
des Hirschfaktors. Es wurden stets nur die 10 Staaten mit
Staat 15 2 dem höchsten Hirschfaktor berücksichtigt.
8
Datenvisualisierung erklärt
#Hashtag11 Keyword44
#Hashtag34
Keyword48 Keyword30 #Hashtag17
#Hashtag6 Keyword39
Keyword4
Keyword45 #Hashtag19
#Hashtag10
Keyword29
#Hashtag9 Keyword21 Keyword27
Keyword28 #Hashtag8 #Hashtag30
Keyword31 Keyword12 Keyword26
Keyword33 #Hashtag32 #Hashtag27 Keyword19
Keyword5
#Hashtag23
#Hashtag41
Keyword38
Keyword46
Keyword11 #Hashtag25
#Hashtag7 Keyword6 Keyword9 Keyword47
Keyword2 Keyword25
#Hashtag42
#Hashtag16
#Hashtag2
Keyword36
Keyword23
#Hashtag1 Keyword17
#Hashtag18
Keyword32 Keyword15
Keyword18
#Hashtag28
#Hashtag20
Keyword37
#Hashtag4 #Hashtag31
Keyword1 Keyword10
#Hashtag12
#Hashtag43
Keyword13
#Hashtag40
Keyword3 Keyword24
#Hashtag15
Keyword7 #Hashtag3 #Hashtag37 #Hashtag24
#Hashtag33
#Hashtag38
Keyword8 Keyword16
Keyword43
#Hashtag35
#Hashtag13
#Hashtag26
Keyword14 #Hashtag36 #Hashtag44
Keyword41 Keyword22
#Hashtag21
#Hashtag39
Keyword20 Keyword35
#Hashtag45
#Hashtag5 Keyword34 #Hashtag29
#Hashtag46 Keyword40 Keyword42
#Hashtag14 #Hashtag22
Soziale Medien Wissenschaftliche Publikationen Beides
Abb. 4: Beispielhafte Darstellung der Wordcloud zur Wahrnehmung in Wissenschaft und sozialen Medien.
9Maschinen verstehen Menschen
2.1 RESSOURCENEFFIZIENTE KI
2.
10
INNOVATIONSFELDER 2019/2020Ressourceneffiziente KI
KI-Anwendungen sind heutzutage vorrangig rechenintensive Anwendungsmöglichkeiten und Ziele
Programme, die auf Hochleistungsrechnern ausgeführt wer-
den. Training, Datenverarbeitung und weitere Dienste sind dort Ressourceneffiziente KI-Anwendungen können auf Smartpho-
zentralisiert. Mobilgeräte, die KI-Anwendungen nutzen, be- nes, IoT-Geräten und Edge Devices, bei autonomen Fahrzeugen
schränken sich bislang auf den Datenaustausch mit den KI-Re- sowie im Bereich Augmented & Virtual Reality zum Einsatz
chenzentren der Dienstanbieter. In diesem Anwendungsgebiet kommen. Beispiele für Aufgaben, die durch ressourceneffizi-
zeichnet sich ein Dezentralisierungstrend ab: Es werden zuneh- ente KI dezentralisiert werden, sind Bild- und Spracherkennung,
mend KI-Technologien, Trainingsmethoden und spezielle Hard- Mustererkennung in Nutzerdaten, Bild- und Audiobearbeitung
ware entwickelt, durch die KI-Anwendungen unabhängig von (siehe Kapitel 2.2) sowie intelligentes und adaptives Routing
großen KI-Rechenzentren operieren und stattdessen beispiels- von Netzwerkverkehr. Durch die Dezentralisierung werden
weise auf mobilen Geräten ausgeführt werden können. Durch einige KI-Anwendungen schneller, da Latenzzeiten des Netz-
ressourceneffiziente KI lassen sich neue Anwendungsmöglich- werks wegfallen – für bestimmte Anwendungen, bspw. in
keiten von KI realisieren. Diese beeinflussen, wie KI in Zukunft autonomen Fahrzeugen, ist dies sogar eine notwendige Vor-
entwickelt, vertrieben und genutzt wird. Die Auswirkungen res aussetzung. Jedoch erfordert das Aktualisieren dezentraler KI-
sourceneffizienter KI können dabei aus gesellschaftlicher, wirt- Anwendungen (etwa für die Fehlerbehebung) wieder Soft-
schaftlicher und ökologischer Perspektive betrachtet werden. wareupdates in herkömmlicher Manier, statt nur die Software
des KI-Rechenzentrums zu ersetzen. Hierbei entstehen neue
Schwachstellen und Angriffspotenziale (siehe Kapitel 2.4). Ein
Nebeneffekt der Dezentralisierung ist, dass KI-Anwendungen
datenschutzkonformer werden können. Nutzerdaten müssen
zur Verarbeitung nicht mehr an KI-Rechenzentren versendet
werden, sondern verbleiben auf den Nutzergeräten. Zukünftig
können Daten sogar teilweise in verschlüsseltem Zustand verar-
beitet werden, um ansteigenden Datensicherheitsanforderun-
gen gerecht zu werden.
arXiv-Dokumente
0,009 % ●
Edge AI, Edge Intelligence
Neural Network & Resource-constrained Device
●
●
Relative Häufigkeit
●
●
●
●
0% ● ● ● ● ●
2013 2014 2015 2016 2017 2018 2019
Einreichungsjahr
Abb. 5: Trendverlauf für Anwendungsmöglichkeiten und Ziele ressourceneffizienter KI nach ihrem Vorkommen im Titel oder
Abstract. Erhebung vom 6.11.2019.
11Ressourceneffiziente KI
Software Die Methode des Neural Network Pruning bietet zudem einen
Ansatz, bereits vollständig trainierte neuronale Netzwerke im
Ressourceneffiziente KI wird durch die Weiterentwicklung der Nachhinein zu verkleinern. Oft können Teile von neuronalen
zugrunde liegenden mathematischen Modelle, Trainingsalgo- Netzwerken entfernt werden, ohne dass das Netzwerk dadurch
rithmen und Auswertungsmechanismen ermöglicht. Das For- seine Leistungsfähigkeit einbüßt. Es soll dabei im bildlichen Sinn
11
schungsgebiet Machine Learning und insbesondere dessen aus dem gegebenen Netzwerk ein kleineres, aber bezüglich der
Teilbereich Deep Learning befindet sich seit einigen Jahren im Anwendung annähernd gleichwertiges Netzwerk herausgemei-
Aufschwung. Dabei werden neue Netzarchitekturen für künst- ßelt werden. Durch diese Methode lässt sich die Größe neuro-
liche neuronale Netze12 entworfen und Trainingsalgorithmen naler Netzwerke um einen Faktor von 10 bis 100 reduzieren.13
verbessert, die maßgeblich zu Güte und Effizienz der daraus Neural Network Pruning könnte sich im Vergleich zu den zuvor
resultierenden KI-Anwendungen beitragen. beschriebenen Ansätzen als bedeutender für die Verbreitung
ressourceneffizienter KI erweisen. Zwar muss das Training zent-
ralisiert und mit hohem Ressourcenaufwand ausgeführt wer-
den, das trainierte KI-System kann aber dann lokal eingesetzt
arXiv-Dokumente
werden und ist damit in der Anwendungsphase ressourceneffi-
0,046 % ●
Binarized Neural Network zienter.
MobileNet
SqueezeNet
ShuffleNet Durch die geringere Größe und die effizienteren Ausführungs-
●
Relative Häufigkeit
mechanismen dieser neuen neuronalen Netze können sie einfa-
cher und kostengünstiger über das Internet übertragen und
auch auf leistungsschwächeren Geräten ausgeführt werden.
● ●
● ●
●
●
●
● ●
●
● arXiv-Dokumente
●
0% ● ● ● ●
0,0085 % ●
Neural Network Pruning
2013 2015 2017 2019
Einreichungsjahr
Relative Häufigkeit
●
Abb. 6: Trendverlauf für Typen ressourceneffizienter künstli-
cher neuronaler Netze nach ihrem Vorkommen im Titel oder
Abstract. Erhebung vom 6.11.2019. ●
●
●
Forscher:innen drehen bei der Weiterentwicklung von KI an 0% ● ●
mehreren Stellschrauben gleichzeitig: Der Anzahl der Trainings-
parameter, der Größe und Beschaffenheit der neuronalen Netze 2013 2015 2017 2019
und den Auswertungsmechanismen. Außerdem werden neue Einreichungsjahr
Techniken entworfen, um einzelne Rechenoperationen effizien-
ter zu gestalten und architekturelle Vorteile zu nutzen. Beispiele
dafür sind der Einsatz von binären Operatoren statt ganzzahli- Abb. 7: Trendverlauf für Neural Network Pruning nach Vorkom-
ger, der Einsatz von sogenannten Convolutions (Faltungen) in men im Titel oder Abstract. Erhebung vom 27.11.2019.
der Netzarchitektur und die Verkleinerung der Netzparameter
durch neu entwickelte Kompressionsmethoden.
11
Wesentliches Teilgebiet der KI.
12
Durch das menschliche Gehirn inspirierte Machine-Learning-
Modellarchitekturen. Siehe auch: Grosch, D. (2019). 13
Frankle, J.; Carbin, M. (2019).
12Ressourceneffiziente KI
Hardware Auswirkungen, Chancen und Risiken
Ressourceneffiziente KI wird nicht nur durch Fortschritte in der Ressourceneffiziente KI ist ein entscheidender Schritt hin zur
Software ermöglicht. Die ressourcenintensiven Rechenoperatio- Allgegenwärtigkeit von KI-Anwendungen. Diese Entwicklung
nen neuronaler Netze werden auch durch spezielle Hardware kann langfristig zum flächendeckenden Einsatz lokal ausge-
wie KI-Prozessoren effizienter ausgeführt. Insbesondere für bat- führter KI-Anwendungen und neuromorpher Hardwarechips
teriebetriebene Mobilgeräte wie Smartphones sind Hardware- auf Mobilgeräten führen. Die durch ressourceneffiziente KI
Effizienzgewinne bei KI-Anwendungen wichtig. Spezielle Hard- erreichte Lokalität von KI-Anwendungen bietet Chancen für
ware für KI-Anwendungen hat ein neues Marktsegment einen besseren Datenschutz und mehr Nutzerkontrolle. KI-
eingeläutet. Immer mehr Chiphersteller produzieren zusätzlich Anwendungen können dabei sogar auf Betriebssystemebene
zu herkömmlichen Prozessoren (CPUs und bisher dominierende eingebunden werden und somit eine noch passgenauere Indivi-
Hardwarebeschleuniger wie etwa GPUs und TPUs) sogenannte dualisierung ermöglichen. Dabei ist ressourceneffiziente KI
neuromorphe Prozessoren (NPUs), deren elektronische Struktu- auch aus einer ökologischen Perspektive interessant: Die Verrin-
ren auf die Architektur von neuronalen Netzen zugeschnitten gerung der Ressourcenanforderungen für Training und Einsatz
sind. Durch die Kopplung mit in Hardware »gegossenen« Aus- von KI könnte sich positiv auf die Klimabilanz niederschlagen,
wertungsmechanismen können KI-Algorithmen um ein Vielfa- allerdings ist hier auch ein Rebound-Effekt14 denkbar.
ches schneller oder auch energiesparender ausgeführt werden.
NPUs sind eine neue Technologie, in der sich noch kein domi- Die Anforderungen an die für das Trainieren und Ausführen
nantes Design durchgesetzt hat. Es gibt zwei Varianten von performanter KI-Anwendungen notwendige Rechenleistung
NPUs. Erstere implementieren bewährte und erfolgreiche Trai- werden durch ressourceneffiziente KI geringer. Wenn keine
ningsalgorithmen als Hardwarekomponenten und beschleuni- Rechenzentren mehr notwendig sind oder zumindest kosten-
gen den aufwändigen Trainingsprozess dadurch signifikant. Bei günstiger und breiter verfügbare Server ohne GPUs/TPUs nutz-
Letzteren werden bereits trainierte neuronale Netze temporär bar werden, könnte dies zu einer neuen Welle von KI-Anwen-
auf die neuromorphe Hardware »geladen« und so von der dungen führen, die auch von kleineren Entwicklungsteams
Hardware beschleunigt ausgeführt. bzw. sogar von Privatpersonen programmiert werden. Somit
könnte ressourceneffiziente KI potenziell zu mehr Chancenge-
Konferenzbeiträge rechtigkeit bei KI beitragen.
0,003 % ●
Neural Processing Unit Handlungsempfehlungen
AI Chip
AI Hardware
Trainingsdaten in Bezug auf Datenschutz regulieren. Res-
Relative Häufigkeit
sourceneffiziente KI ist eine Chance aber keine Garantie für ver-
●
besserten Datenschutz. Daher gilt, wie auch bei KI im Allgemei-
nen, dass die Gewinnung und Nutzung (insbesondere sensibler)
nutzergenerierter Trainingsdaten aus einer datenschutzrechtli-
●
●
chen Perspektive bewertet und reguliert werden müssen.
● ●
●
●
Forschung zu ressourceneffizienten neuronalen Netzen
● ●
0% ● ● ● ● ● fördern. Die Förderung der Grundlagenforschung zu künstli-
chen neuronalen Netzen und deren Überführung zu Anwen-
2013 2015 2017 2019 dungen ist von zentraler Bedeutung für den (wissenschaftli-
Publikationsjahr chen) Fortschritt in diesem Innovationsfeld. Insbesondere
unkonventionelle und experimentelle Ansätze könnten zu Fort-
schritten bei der Ressourceneffizienz führen.
Abb. 8: Trendverlauf für Hardware für ressourceneffiziente KI
nach Vorkommen im Titel oder Abstract. Datenquelle: Scopus.
Erhebung vom 6.11.2019.
14
Beim Rebound-Effekt kommt es zu einem insgesamt erhöhten Ressourcenver-
brauch, weil ein neuerlich ressourceneffizienteres Gut nun deutlich häufi-
ger genutzt wird. Siehe auch https://www.umweltbundesamt.de/themen/
abfall-ressourcen/oekonomische-rechtliche-aspekte-der/rebound-effekte.
13Ressourceneffiziente KI
Geografische Verortung
Im Innovationsfeld »Ressourceneffiziente KI« sind, wie beim all-
gemeinen Trend der KI, die Volksrepublik China und die USA die
führenden Forschungsnationen. Es lässt sich eine hochgradige
Kooperation zwischen den beiden Nationen erkennen. Die For-
schungskooperation bei ressourceneffizienter KI ist aber auch
sonst sehr umfangreich. Im Vergleich zu den anderen Innovati-
onsfeldern liegt Deutschland bezüglich der Publikationshäufig-
keit etwas weiter zurück.
VR China
USA
Vietnam
Ukraine
Sri Lanka
Norwegen
Marokko
Mexiko
Macau
Indien Irland
Ecuador
Rumänien
Kasachstan
Südkorea
Iran
Griechenland
Belgien
UK
Bangladesch
Österreich
Japan Polen
Philippinen
Niederlande
Taiwan
Thailand
Schweden
Kanada
Pakistan
Italien Hong Kong
2014
Finnland
Australien 2015
Singapur 2016
Deutschland
Saudi−Arabien 2017
Brasilien Indonesien 2018
Russland Schweiz
Spanien Türkei Frankreich 2019
Abb. 9: Geografische Verteilung der Publikationshäufigkeit für ressourceneffiziente KI.
Publikationsanzahl: 3 bis 157. Gemeinsame Publikationsanzahl: 1 bis 20. Erhebung vom 08.11.2019.
14Ressourceneffiziente KI
Hirschfaktor der Staaten
USA 12 Wahrnehmung in Wissenschaft und sozialen Medien
VR China 9
Südkorea 5 Die Namen bekannter Hersteller von Hardware und Software
UK 5 für KI fallen in den sozialen Medien besonders häufig, was sich
Italien 4
möglicherweise als Diskussion über ressourceneffiziente KI-
Deutschland 4
Produkte dieser Hersteller interpretieren lässt. Die wissenschaft-
Indien 3
lichen Publikationen befassen sich hingegen stark mit den
Japan 3
unterschiedlichen Architekturen neuronaler Netze. Anwen-
Taiwan 3
dungsmöglichkeiten wie Edge Computing und das Internet der
Kanada 3
Dinge werden sowohl in der Wissenschaft als auch den sozialen
Medien wahrgenommen.
Abb. 10: Geografische Verteilung des Hirschfaktors für
ressourceneffiziente KI. Erhebung vom 08.11.2019.
object recognition hardware accelerator
#digitaltransformation
#aichip convolution neural network
inception internetof things #amazon
#hardware classification mobilenet v2
neural network
remote sensing
#chip edge intelligence
fog computing
#technology
convolutional neural network
realtime #data
edge computing
#analytics
#nvidia computer vision model compression
#datacenter
#blockchain
#gpu
bnn #intel tensorflow #bigdata
pruning transfer learning #edge
#honor10
#business
ssd mobilenet convolution neural network cnn
embedded system #ml mobilenet #technews
image classification
#iiot
deep convolutional neural network
mobilenetssd ssd
cnn resnet #it
#ai
feature extraction
raspberrypi #cloud
fpga #tech
object detection
#nlp
#tesla
edge ai
#datascience
#deep
#startup #iot #dl
inceptionv3
energy efficiency deeplearning
#cloudcomputing
#innovation machine learning lstm
#robot
face detection
#fintech
#artificialintelligence
#honor10on10
binarized neural network #5g #news
#huawei
deep neural network #aipic
quantization squeezenet #robotic
#china
convolutional neural networks cnn #facebook
image recognition #google
convolutional neural network cnn
Soziale Medien Wissenschaftliche Publikationen Beides
Abb. 11: Wordcloud für das Innovationsfeld ressourceneffiziente KI. Die populärsten
Hashtags und Schlüsselwörter für die Jahre 2018 und 2019. Erhebung vom 15.11.2019.
15Maschinen verstehen Menschen
2.2 KÜNSTLICHER REALISMUS
16Künstlicher Realismus
Authentisch wirkende Bild-, Video- und Audioaufnahmen Fotoaufnahme des Empire State Buildings, während die zweite
sowie Texte mit teilweise oder vollständig künstlichem Ursprung Eingabe ein Gemälde Vincent van Goghs ist. Die gewünschte
sind nicht neu. Bei der Erstellung kamen dabei in der Vergan- Ausgabe ist ein Bild, das das Empire State Building so zeigt, als
15
genheit beispielsweise Computer Generated Imagery , Bildbe- wäre es von van Gogh gemalt worden. Der Anspruch auf Rea-
arbeitungsprogramme und Stimmimitator:innen zum Einsatz. lismus besteht hierbei in der möglichst getreuen Nachahmung
Vor wenigen Jahren erfolgte ein auf neuartigen Architekturen des künstlerischen Stils Vincent van Goghs. Image Style Transfer
künstlicher neuronaler Netze beruhender technologischer wird zum Beispiel durch Neural Style Transfer ermöglicht. Hier-
Durchbruch. Während die Ergebnisse rasch überzeugender bei handelt es sich um einen Sammelbegriff für Methoden, die
werden, ist das Alleinstellungsmerkmal gegenüber etablierten auf Objekterkennung spezialisierte künstliche neuronale Netze
Techniken ein anderes: Die notwendigen Voraussetzungen verwenden. Mithilfe von Objekterkennung werden Inhalt und
bezüglich Aufwand und Fachwissen für die massenhafte Erzeu- Stil der Eingaben getrennt, um dann den Stil zu übertragen.
gung dieser Inhalte werden geringer. Bilder sind in der Fachliteratur besonders häufig Gegenstand
der Forschung zu Style Transfer, allerdings ist Style Transfer auch
Style Transfer für Video- und Audioaufnahmen, Text16 sowie Typografie17
möglich. Während künstliche neuronale Netze ein sehr populä-
In der Informatik versteht man unter Style Transfer die Erzeu- rer Lösungsansatz für Style Transfer sind, wurden auch ohne
gung von Texten sowie Audio-, Bild- oder Videomaterial mit neuronale Netze bereits überzeugende Ergebnisse erreicht.18
zwei verschiedenen Eingaben. Dabei soll der Inhalt der einen
Eingabe und der Stil der anderen Eingabe übernommen wer-
den. Beispielhaft lässt sich dies am Style Transfer für Bilder
16
Prabhumoye, S.; Tsvetkov, Y.; Salakhutdinov, R.; Black, A. W. (2018).
erklären. Bei der ersten Eingabe handelt es sich bspw. um eine
17
Wenige Zeichen dienen als Stilvorlage, anhand derer dann ein Zeichensatz im
gleichen Stil erzeugt wird, wodurch eine komplette Schriftart entsteht. Siehe
auch Yang, S.; Liu, J.; Lian, Z.; Guo, Z. (2016).
18
Siehe auch Yang, S.; Liu, J.; Lian, Z.; Guo, Z. (2016) und Jamriška, O.;
15
Bildsynthese, die beispielsweise in der Filmindustrie zum Einsatz kommt. Sochorová, Š.; Texler, O.; Lukáč, M.; Fišer, J.; Lu, J.; Shechtman, E.; Sýkora, D.
(2019).
arXiv-Dokumente
0,092 % ●
Style Transfer
Style Transfer & Image
●
Neural Style Transfer
Relative Häufigkeit
●
●
●
●
●
● ● ● ●
● ● ●
0% ● ● ●
●
2013 2014 2015 2016 2017 2018 2019
Einreichungsjahr
Abb. 12: Trendverlauf für Style Transfer nach Vorkommen im Titel oder Abstract. Erhebung vom 14.10.2019.
17Künstlicher Realismus
Übersetzungsprobleme men (Superresolution), die Beseitigung von Artefakten (z. B.
Rauschen) bei Audio-, Bild-, und Videoaufnahmen sowie die
Viele Probleme, bei denen Audio-, Bild- oder Videomaterial in Erzeugung synthetischer Aufnahmen sind weitere Aufgaben,
realistischer Weise verändert werden soll, lassen sich als Über- für die eine Formulierung als Übersetzungsproblem möglich ist.
setzungsprobleme auffassen. Das Prinzip des Übersetzungspro-
blems lässt sich am Beispiel mathematischer Funktionsvorschrif- Die technologischen Fortschritte bei Image-to-Image Transla-
ten erklären. Mathematische Funktionen ordnen den Elementen tion beruhen auf Encoder-Decoder Networks enthaltende
einer Definitionsmenge Elemente einer Wertemenge zu und die Generative Adversarial Networks. Bei Generative Adversarial
Funktionsvorschrift gibt an, wie das geschieht. Bei Überset- Networks übernehmen Teile der Architektur die Aufgabe, syn-
zungsproblemen sind zwei Mengen von Beispielen gegeben thetische Bilder zu erzeugen (Generators), während andere
und anhand dieser Beispiele soll ein Computer nun eine Zuord- Teile die erzeugten Bilder auf ihre Authentizität prüfen (Discri-
arXiv-Dokumente
0,1 % ●
Image-to-Image Translation
Pix2Pix
CycleGAN
Relative Häufigkeit
●
●
●
●
● ●
●
0% ● ● ● ●
● ●
2013 2014 2015 2016 2017 2018 2019
Einreichungsjahr
Abb. 13: Trendverlauf für Übersetzungsprobleme nach Vorkommen im Titel oder Abstract. Erhebung vom 15.10.2019.
nungsvorschrift von der ersten zur zweiten Menge lernen, die minators). Durch eine Art Wettlauf optimieren sich Generators
dann auf neue Eingaben anwendbar ist. Image-to-Image Trans- und Discriminators so gegenseitig. Die eingesetzten neuronalen
lation ist eine Klasse von Übersetzungsproblemen, der in den Netze komprimieren dabei Bilddaten und extrahieren so die
letzten Jahren verstärkte Aufmerksamkeit zuteilwurde. Beispiel- wesentlichen Bildinhalte (Encoder), um anschließend anhand
haft lässt sich Image-to-Image Translation anhand von Land- dieser Bildinhalte wieder vollständige Bilder durch Dekompres-
schaftsfotos erklären: Angenommen, für Fotos von Landschaf- sion zu konstruieren (Decoder). Die Architekturen der Genera-
ten während des Sommers sollen plausible Darstellungen der tive Adversarial Networks unterscheiden sich dabei durch
gleichen Landschaften während des Winters erzeugt werden. Anzahl, Aufbau und Anordnung von Generators und Discrimi-
Diese Aufgabe lässt sich als Image-to-Image Translation formu- nators. Besonders populär sind etwa Pix2Pix19 und CycleGAN20.
lieren: Anhand von Beispielbildern von Landschaften während Während für Pix2Pix paarweise Trainingsdaten (etwa pro Land-
des Sommers und Winters soll eine Zuordnungsvorschrift
erlernt werden, um die zu erwartenden Auswirkungen des
Winters auf das visuelle Erscheinungsbild der Sommerland-
19
schaften zu übertragen. Dieses Beispiel zeigt, dass sich Style Verschiedene Implementierungen und Link zur Publikation unter
https://phillipi.github.io/pix2pix/.
Transfer als Image-to-Image Translation Problem formulieren 20
Verschiedene Implementierungen und Link zur Publikation unter
lässt. Das Erhöhen der Auflösung bei Bild- und Videoaufnah- https://junyanz.github.io/CycleGAN/.
18Künstlicher Realismus
schaft und Blickwinkel ein Bild während des Sommers und ein – Betrug durch Social Engineering, beispielsweise ermöglicht
Bild während des Winters) benötigt werden, entfällt diese die Deepfake-Technologie, die Stimmen von Unternehmens
Anforderung bei CycleGAN, was die Entwicklung erleichtert. führer:innen zu imitieren,22
– Wahlmanipulation, etwa durch die Verbreitung rufschädi-
Deepfakes gender Deepfakes der Kandidat:innen23,
– Pornografie, bei der Gesichter in Videos ausgetauscht wer
Wenn Medien über manipulierte Audio-, Bild- oder Videoauf- den,24 und
nahmen sowie Texte berichten, wird in den letzten Jahren oft – automatisierte und dadurch massenhafte Generierung von
das aus Deep Learning und Fake zusammengesetzte Koffer- Fake-News-Artikeln.25
wort Deepfake verwendet. Dabei existiert bisher keine eindeu-
tige Begriffsdefinition. So wird Deepfake etwa sowohl für die
arXiv-Dokumente
0,0091 % ●
Deepfake ●
Deepfake & Detection
Relative Häufigkeit
●
●
0% ● ● ● ● ●
2013 2014 2015 2016 2017 2018 2019
Einreichungsjahr
Abb. 14: Trendverlauf für Deepfakes nach Vorkommen im Titel oder Abstract. Erhebung vom 15.10.2019.
manipulierten Aufnahmen als auch für die dahinterstehende Aufgrund des Schadenspotenzials existiert ein Interesse an der
Technik verwendet. Der kleinste gemeinsame Nenner hierbei Entwicklung von Methoden, mithilfe derer feststellbar ist, ob es
ist, dass es sich um mittels künstlicher Intelligenz erstellte Au sich bei Medieninhalten um Deepfakes handelt. Solche Metho-
dio-, Bild-, Text- oder Videofälschungen handelt. den funktionieren jedoch oftmals nur kurze Zeit und helfen
dabei, Schwächen bei Deepfakes zu identifizieren und zu elimi-
Zu den diskutierten und teilweise bereits beobachteten Einsatz- nieren.26 Doch selbst wenn sich Deepfakes als Fälschungen ent-
möglichkeiten von Deepfakes gehören tarnen lassen, taugen sie trotzdem dazu, Personen oder Perso-
nengruppen Schaden zuzufügen. Denkbar ist etwa der Einsatz
– Museumsattraktionen, beispielsweise wird im Dalí Museum offensichtlicher Fälschungen als Mobbingwerkzeug.
in Florida ein Deepfake des Künstlers als interaktives Ausstel-
lungsstück genutzt,21
22
BBC (2019).
23
Shao, G. (2019).
24
Kühl, E. (2018).
25
OpenAI (2019).
21
Dalí Museum (2019). 26
Vincent, J. (2019).
19Künstlicher Realismus
Twitterergebnisse für »Deepfake«
42792
Beiträge
Nutzer
Monatliche Anzahl
0
Jan 2015 Jan 2016 Jan 2017 Jan 2018 Jan 2019
Abb. 15: Trendverlauf für Deepfakes nach Vorkommen im Kurztext. Erhebung vom 17.10.2019
Weitere Anwendungen
Das Entfernen von Bildrauschen, die Korrektur verschwomme- Weiterhin könnte in einer Vielzahl von Branchen die Erstellung
ner Bilder oder das Erzielen einer höheren Bildauflösung sind von Entwürfen beschleunigt werden, indem anhand von Skiz-
Aufgaben, die zum Beispiel für die medizinische Bildgebung zen variantenreiche fotorealistische Abbildungen erstellt wer-
relevant sind. Image-to-Image Translation kann für solche Auf- den.31 Dies könnte beispielsweise beim Design von Kleidung
gaben eingesetzt werden und könnte daher für Fortschritte in zum Einsatz kommen.32
der Diagnostik sorgen, weshalb spezifische Lösungsansätze
erforscht werden.27 In der Astronomie wurde Image-to-Image Außerdem wird Image Translation als Möglichkeit zur Erstellung
Translation erprobt, um Bildrauschen zu beseitigen und so prä- echtzeitfähiger fotorealistischer Avatare erforscht, um soziale
28
zisere Informationen zu Himmelskörpern zu erhalten. Interaktionen innerhalb virtueller Realitäten zu verbessern.33
Plausible synthetische Bildaufnahmen lassen sich auch (massen- Stilgetreue Textgenerierung könnte bei Schreibassistenten,
haft) mittels zufälligen Rauschens erzeugen. Dadurch könnten Chatbots und Übersetzungsprogrammen eingesetzt werden.
etwa große Trainingsdatenbestände mit hohem Anonymisie-
rungsgrad29 für Machine-Learning-Systeme erstellt werden.30
27
Armanious, K.; Jiang, C.; Fischer, M.; Küstner, T.; Nikolaou, K.; Gatidis, S.;
Yang, B. (2019).
28
Shirasaki, M.; Yoshida, N.; Ikeda, S. (2019).
29
Die Erzeugung synthetischer Daten aus echten Daten ist eine Methode, um 31
Zhu, J.; Zhang, R.; Pathak, D.; Darrell, T.; Efros, A. A.; Wang, O.; Shechtman,
anonymisierte Daten zu erhalten. Bei sensitiven Bilddaten ist eine
E. (2018).
Anonymisierung mitunter notwendig. Zu Anonymisierung siehe auch Gumz, J.
D.; Weber, M.; Welzel, C. (2019). 32
Date, P.; Ganesan, A.; Oates, T. (2017).
30
Ein Verwendungszweck ist bspw. Machine Learning in der medizinischen 33
Wei, S.; Saragih, J.; Simon, T.; Harley, A. W.; Lombardi, S.; Perdoch, M.; Hypes,
Diagnostik, siehe auch Kaji, S.; Kida, S. (2019). A.; Wang, D.; Badino, H.; Sheikh, Y. (2019).
20Künstlicher Realismus
Auswirkungen, Chancen und Risiken Handlungsempfehlungen
In den letzten Jahren sind völlig neue Möglichkeiten zur Erzeu- Medienkompetenz fördern. Eine Förderung der Medienkom-
gung künstlicher, realistisch wirkender Medieninhalte geschaf- petenz könnte negativen Auswirken vorbeugen. Dazu gehört
fen worden. Die niedrigeren Hürden bezüglich Fachwissen und sowohl die Fähigkeit, die Echtheit von Texten sowie Audio-,
Aufwand führen zu einer Demokratisierung der Erstellung sol- Bild- und Videoaufnahmen einschätzen zu können (also etwa
cher Inhalte. Dadurch können Aufgaben, für die bisher Fach- die Beurteilung der (Ursprungs-)Quelle oder die Suche nach
kräfte zuständig waren, nun von Personen mit einem anderen ergänzenden Informationen), als auch ein verantwortungsvoller
beruflichen Hintergrund bearbeitet und teilweise bis vollständig Umgang bei der Erzeugung und Verbreitung veränderter Auf-
durch Maschinen erledigt werden. Daher sind auch Änderun- nahmen.
gen auf dem Arbeitsmarkt wahrscheinlich. Es ist zu erwarten,
dass die Verbreitung künstlich realistischer Inhalte weiter zuneh- Plausibilität nicht mit Realität verwechseln. Auch bei
men und die Technik für immer neue Ziele eingesetzt werden Anwendungen ohne Täuschungsabsicht, also beispielsweise
wird. Die Eignung von Audio-, Bild-, und Videoaufnahmen als der Rauschentfernung bei Bildern, handelt es sich letztlich um
Tatsachenbeleg wird damit jedoch infrage gestellt. Dies könnte Manipulation. Selbst wenn die Ergebnisse überzeugend sind,
Auswirkungen auf die Meinungsbildung innerhalb der Bevölke- gibt es keine Garantie, dass tatsächlich die Realität abgebildet
rung haben. Denkbar sind etwa ein generelles Misstrauen oder wird. Dies ist zum Beispiel bei synthetischen Daten oder der
ein gesundes Ausmaß an Skepsis gegenüber Medieninhalten. medizinischen Bildgebung relevant.
Weil es schwerer ist, den eigenen Sinnen zu trauen, könnten
technische Möglichkeiten zur Sicherung der Authentizität von Gemeinnützige Anwendungen fördern. Die neuen Mög-
Aufnahmen populärer werden. Diskutiert wird beispielsweise lichkeiten zur Generierung und Veränderung von Text-, Audio-,
der Einsatz der Blockchain-Technologie, um die Rückverfolgung Bild- und Videomaterial sollten nicht auf ihr Gefahrenpotenzial
von Inhalten zu ihrer Quelle zu ermöglichen.34 reduziert werden. Diese Möglichkeiten könnten zu Fortschrit-
ten in der Medizin, der Astronomie und möglicherweise auch
weiteren gemeinnützigen Bereichen führen.
34
Hasan, H. R.; Salah, K. (2019). Aktuelle Methoden zur Feststellung der Authentizität
nutzen. Ähnlich wie bei IT-Sicherheit sollte auf die Aktualität
der Methoden zur Enttarnung von Deepfakes geachtet werden.
Zwar wird auf neue Methoden wiederum mit verbesserten Fäl-
schungen reagiert, aktuelle Methoden könnten aber zumindest
Deepfakes, die nicht mehr dem Stand der Technik entsprechen,
enttarnen.
Beispiel für die Anwendung von Neural Style Transfer.
21Künstlicher Realismus
Geografische Verortung
In den USA wurde schon früh zum Innovationsfeld »Künstlicher
Realismus« geforscht und beim Indikator für die Qualität der
Forschung ist ein deutlicher Vorsprung erkennbar. Doch bei der
Quantität belegt mittlerweile die VR China den Spitzenplatz.
Besonders die VR China, die USA und das Vereinigte Königreich
sind stark vernetzt. Deutschland ist nach dem Vereinigten
Königreich das stärkste europäische Land.
VR China
Vereinigte
Arabische
USA Emirate Serbien
Macau
Zypern
Österreich
Schweden
Pakistan
Irland
Iran
Indonesien
Japan Niederlande
Finnland
Tschechien
Belgien
UK Griechenland
Brasilien
Türkei
Deutschland
Spanien
Singapur
Polen
Südkorea
Israel
Hong Kong 2014
Indien
2015
Russland 2016
Kanada 2017
Italien
Frankreich 2018
Australien
Taiwan Schweiz 2019
Abb. 16: Geografische Verteilung der Publikationshäufigkeit für das Innovationsfeld künstlicher Realis-
mus. Publikationsanzahl: 2 bis 254. Gemeinsame Publikationsanzahl: 1 bis 34. Erhebung vom 10.11.2019.
22Künstlicher Realismus
Hirschfaktor der Staaten
USA 21 Wahrnehmung in Wissenschaft und sozialen Medien
VR China 11
UK 8 Durch die Hashtags in den sozialen Medien werden Medien,
Deutschland 8 Fälschung und gezielte Desinformation betont. Die wissen-
Kanada 7 schaftliche Diskussion wird hingegen vor allem durch die ver-
Japan 5 schiedenen technischen Ansätze geprägt. Die Verwendung
Frankreich 5 künstlicher Intelligenz kommt sowohl in den sozialen Medien
Australien 5 als auch der Wissenschaft häufig zur Sprache.
Italien 3
Hong Kong 3
Abb. 17: Geografische Verteilung des Hirschfaktors für das
Innovationsfeld künstlicher Realismus. Erhebung vom 10.11.2019.
convolutional neural network
image segmentation
generative adversarial network
image style transfer
#datascience
generative adversarial network gan
semantic segmentation
#fakenews
generative model
image processing
#qanon
#innovation
image generation
#startup
#algorithm
#misinformation
machine learning
#fintech domain adaptation
image restoration
image translation
#twitter
style transfer
object detection
computing methodologies
#robotic #wwg1wga #cybersecurity
attention
#deepfake
#tech texture synthesis
#data
#news #rt
#dl mri #fake #facebook #security
data augmentation
gan
#ftag
#maga
#ml
image stylization #design
#iot neural style transfer
conditional gan
#ai adversarial network super resolution
#privacy
#disinformation #bigdata
neural network
#deepstate
#technology cnn
person re identification
#socialmedia #infosec
segmentation
image synthesis pix2pix
#video
#trump
#deep
cyclegan variational autoencoder
#media
deep neural network
deeplearning
#business #zao
adversarial training
#technews
computer vision
#aipic autoencoder voice conversion
image to image translation
#blockchain #politic unet convolutional network
unsupervised learning
#insurtech color transfer
#artificialintelligence
conditional generative adversarial network
generative adversarial networks gan
deep convolutional neural network
Soziale Medien Wissenschaftliche Publikationen Beides
Abb. 18: Wordcloud für das Innovationsfeld künstlicher Realismus. Die häufigsten Hashtags
und Schlüsselwörter für die Jahre 2018 und 2019. Erhebung vom 15.11.2019.
23Maschinen verstehen Menschen
2.3 BLOCKCHAIN –
ZWISCHEN HYPE UND
WIRKLICHKEIT
24Blockchain – Zwischen Hype und Wirklichkeit
Als 2008 die Kryptowährung Bitcoin entstand35, war das ambi- Ein Blick in die vielfältigen Anwendungsgebiete zeigt die unter-
tionierte Ziel, eine digitale Währung zu schaffen, die gänzlich schiedlichen Perspektiven auf die Technologie. Mal wird sie als
ohne zentrale Instanzen wie beispielsweise Banken auskommt. Kryptowährung gesehen, mal als Register (Datenbank) genutzt
Damit in einem solchen System Transaktionen trotzdem mani- und mal als verteilter Computer verstanden, auf dem kleine
pulationssicher und korrekt ablaufen, werden sie im Konsens Programme (sogenannte Smart Contracts) ablaufen.
zwischen allen Teilnehmenden überprüft, durchgeführt und
nachvollziehbar protokolliert. Was aufwändig klingt, wird wei- Allgemein wird zwischen öffentlichen und privaten Blockchain-
testgehend automatisiert. Durch eine geschickte Kombination Lösungen unterschieden. Während erstere für jede:n frei ein-
aus Wettbewerb, Kryptografie und Transparenz bietet die sehbar und zugänglich sind, werden private Blockchain-Lösun-
36
Blockchain hierfür die technologische Basis. Auch wenn durch gen vor allem im Verwaltungs- oder Unternehmensbereich
Bitcoin zumindest bislang keine Bank abgelöst wurde, so hat eingesetzt. Private Blockchain-Lösungen werden oftmals auch
die zugrunde liegende Technologie doch einen globalen Hype als Konsortial-Blockchain bezeichnet. Zwischen öffentlichen
ausgelöst. und privaten Blockchain-Lösungen finden sich zudem weitere
Abstufungen, bspw. in Bezug auf die Schreib- und Leserechte
Während der Hype mittlerweile wieder etwas nachlässt, genießt für Transaktionen. In der Regel werden hierbei »permissioned«
die Blockchain bis in die Politik hinein noch immer hohe Auf- und »permissionless« Blockchains unterschieden. Während bei
merksamkeit. Im Herbst 2019 hat die Bundesregierung eine »permissioned« Blockchains nur berechtigte Teilnehmer eines
37
eigene Blockchain-Strategie vorgelegt. Darin werden fünf Netzwerkes Transaktionen veranlassen dürfen, ist dies bei »per-
Handlungsfelder identifiziert und 44 Maßnahmen beschrieben, missionless« Blockchains allen Teilnehmern gestattet. Diese Ein-
mit denen die Technologie im Wesentlichen erprobt werden ordnung hilft insbesondere bei der Auswahl geeigneter Bau-
soll. steine für eine Blockchain-Lösung. Klassische Kryptowährungen
sind beispielsweise in der Regel als öffentliche und »permission-
less« Blockchains konzipiert. In diesem Fall sind die kryptografi-
schen Verfahren, der Konsensmechanismus sowie die techni-
schen Lösungen zur Dezentralität von entscheidender
35
Nakamoto, S. (2008).
Bedeutung. Bei privaten Blockchains wiederum können andere
36
Welzel, C.; Eckert, K.; Kirstein, F.; Jacumeit, V. (2017).
Aspekte im Vordergrund stehen, wie beispielsweise die Authen-
37
Siehe: https://www.blockchain-strategie.de.
tizität der Teilnehmer.
arXiv-Dokumente
0,02 % ●
Public Blockchain
Private Blockchain
Consortium Blockchain
Relative Häufigkeit
●
●
●
●
●
●
● ●
0% ● ● ● ●
2013 2014 2015 2016 2017 2018 2019
Einreichungsjahr
Abb. 19: Trendverlauf für verschiedene Blockchaintypen nach ihrem Vorkommen im Titel oder Abstract. Erhebung vom 18.10.2019.
25Blockchain – Zwischen Hype und Wirklichkeit
arXiv-Dokumente
0,13 % ●
Smart Contract
●
Relative Häufigkeit
●
●
0% ● ● ●
2013 2014 2015 2016 2017 2018 2019
Einreichungsjahr
Abb. 20: Trendverlauf für Smart Contracts nach Vorkommen im Titel oder Abstract. Erhebung vom 18.10.2019.
Smart Contracts Jeder Smart Contract muss daher mit einem entsprechenden
Budget ausgestattet werden. Durch die Festlegung einer maxi-
Oftmals sind Transaktionen an bestimmte Vorbedingungen malen Anzahl von Ausführungsschritten je Smart Contract
geknüpft, lösen weitere Aktivitäten aus oder sind in komplexe kann verhindert werden, dass zu viel Budget verbraucht wird.
Abläufe eingebunden. Für diese Fälle wurden sogenannte Smart Contracts bieten einen vielversprechenden Ansatz, um
38
Smart Contracts entwickelt. Sie ermöglichen es, komplexe bestimmte, insbesondere überschaubare und automatisierbare
Transaktionen und deren Validierungsprozesse präzise zu Prozesse vollautomatisiert ablaufen zu lassen.
beschreiben und zu programmieren. In diesem Fall fungiert ein
Blockchain-Netzwerk als verteilter Computer, auf dem die Pro- Alternative Konsensverfahren
gramme und Validierungsregeln ausgeführt werden. Wesentli-
cher Treiber hinter dieser Entwicklung ist das Blockchain-Netz- Ein häufig thematisiertes Problem aktueller Blockchain-Imple-
39
werk Ethereum. Der Name Smart Contract vermittelt bereits, mentationen ist ihr enormer Energieverbrauch.41 Dieser ist vor-
dass das komplette Regelwerk eines Vertrags abgebildet wird, rangig durch das aufwändige Konsensverfahren namens Proof-
sodass – zumindest in der Theorie – keine weitere Interaktion of-Work bedingt.42 Dabei versuchen die Betreiber der Knoten
zwischen den Beteiligten notwendig ist.40 (Teilnehmer) des Blockchain-Netzwerks im Wettbewerb ein
kryptografisches Rätsel zu lösen. Wer dieses zuerst löst, kann
Smart Contracts werden als eigenständige, zustandsbehaftete, ausstehende Transaktionen in Form eines neuen Blocks zur
adressierbare Objekte betrachtet. Eine Zustandsänderung wäh- Blockchain hinzufügen, wofür es im Gegenzug als Belohnung
rend der Ausführung eines Smart Contracts wird über Ereig- eine definierte Menge der jeweiligen Kryptowährung gibt. Da
nisse ausgelöst. So könnte bspw. eine Versicherungssumme die Knoten mit höherer Rechenleistung eine größere Chance
automatisch ausgezahlt werden, wenn ein definierter Scha- haben, das Rätsel zuerst zu lösen, besteht ein starker Anreiz, in
densfall eintritt. Die Ausführung eines Smart Contracts erfolgt mehr Rechenleistung zu investieren. Der Schwierigkeitsgrad des
in einzelnen Schritten. Die dafür notwendige Rechenleistung kryptografischen Rätsels steigt mit der verfügbaren Rechenleis-
wird über die Blockchain-eigene Kryptowährung abgerechnet. tung. Diese Spirale führt zu einem steigenden Energieverbrauch
für den Betrieb der Kryptowährung.
38
Zakhary, V.; Agrawal, D.; El Abbadi, A. (2019).
39 41
Siehe: https://www.ethereum.org/. Das, D.; Dutta, A. (2019).
40 42
Green, S. (2019). Li, J.; Li, N.; Peng, N.; Cui, H.; Wu, Z. (2019).
26Sie können auch lesen
