Mit künstlicher Intelligenz Alltagsprodukte revolutionieren

Dec 26, 2023

Vorheriges Bild Nächstes Bild

„Wer ist Bram Stoker?“ Diese drei Worte zeigten das erstaunliche Potenzial der künstlichen Intelligenz. Es war die Antwort auf eine letzte Frage in einer besonders denkwürdigen Folge von Jeopardy! aus dem Jahr 2011. Die drei Konkurrenten waren die ehemaligen Champions Brad Rutter und Ken Jennings sowie Watson, ein von IBM entwickelter Supercomputer. Durch die richtige Beantwortung der letzten Frage war Watson der erste Computer, der in der berühmten Quizshow einen Menschen besiegte.

„In gewisser Weise schien es den Leuten unfair zu sein, dass Watson Jeopardy! gewonnen hat“, sagt Jeehwan Kim, Professor für Karriereentwicklung der Klasse 47 und Fakultätsmitglied der MIT-Abteilungen für Maschinenbau und Materialwissenschaft und -technik. „Zu dieser Zeit war Watson mit einem Supercomputer von der Größe eines Raumes verbunden, während das menschliche Gehirn nur ein paar Pfund wiegt. Aber die Fähigkeit, die Lernfähigkeit eines menschlichen Gehirns nachzubilden, ist unglaublich schwierig.“

Kim ist auf maschinelles Lernen spezialisiert, das auf Algorithmen basiert, um Computern beizubringen, wie ein menschliches Gehirn zu lernen. „Maschinelles Lernen ist kognitives Computing“, erklärt er. „Ihr Computer erkennt Dinge, ohne dass Sie ihm sagen, was er sieht.“

Maschinelles Lernen ist ein Beispiel für künstliche Intelligenz in der Praxis. Während der Begriff „maschinelles Lernen“ oft an Science-Fiction erinnert, die in Serien wie „Westworld“ oder „Battlestar Galactica“ typisch ist, sind intelligente Systeme und Geräte bereits in unserem täglichen Leben allgegenwärtig. Computer und Telefone nutzen zum Entsperren die Gesichtserkennung. Systeme erfassen und regulieren die Temperatur in unseren Häusern. Geräte beantworten Fragen oder spielen auf Abruf unsere Lieblingsmusik. Nahezu alle großen Automobilhersteller haben sich dem Rennen um die Entwicklung eines sicheren selbstfahrenden Autos angeschlossen.

Damit eines dieser Produkte funktioniert, müssen Software und Hardware perfekt synchron funktionieren. Kameras, Tastsensoren, Radar und Lichterkennung müssen alle ordnungsgemäß funktionieren, um Informationen an Computer zurückzugeben. Es müssen Algorithmen entwickelt werden, damit diese Maschinen diese sensorischen Daten verarbeiten und Entscheidungen auf der Grundlage höchster Erfolgswahrscheinlichkeiten treffen können.

Kim und ein Großteil der Fakultät der Fakultät für Maschinenbau des MIT entwickeln neue Software, die sich mit Hardware verbindet, um intelligente Geräte zu schaffen. Anstatt die in der Populärkultur romantisierten empfindungsfähigen Roboter zu bauen, arbeiten diese Forscher an Projekten, die den Alltag verbessern und Menschen sicherer, effizienter und besser informiert machen.

Tragbare Geräte intelligenter machen

Jeehwan Kim hält ein Blatt Papier hoch. Wenn er und sein Team erfolgreich sind, wird die Leistung eines Supercomputers wie IBMs Watson eines Tages auf die Größe eines Blattes Papier schrumpfen. „Wir versuchen, ein tatsächliches physikalisches neuronales Netzwerk auf Briefpapiergröße aufzubauen“, erklärt Kim.

Bisher sind die meisten neuronalen Netze softwarebasiert und werden mit der konventionellen Methode, der sogenannten Von-Neumann-Rechenmethode, erstellt. Kim verwendet jedoch neuromorphe Computermethoden.

„Neuromorpher Computer bedeutet tragbare KI“, sagt Kim. „Man baut also künstliche Neuronen und Synapsen auf einem kleinen Wafer.“ Das Ergebnis ist ein sogenanntes „Brain-on-a-Chip“. Anstatt Informationen aus binären Signalen zu berechnen, verarbeitet Kims neuronales Netzwerk Informationen wie ein analoges Gerät. Signale wirken wie künstliche Neuronen und bewegen sich über Tausende von Arrays zu bestimmten Kreuzungspunkten, die wie Synapsen funktionieren. Wenn Tausende von Arrays verbunden sind, könnten riesige Informationsmengen auf einmal verarbeitet werden. Zum ersten Mal könnte ein tragbares Gerät die Rechenleistung des Gehirns nachahmen.

„Der Schlüssel bei dieser Methode ist, dass man die künstlichen Synapsen wirklich gut kontrollieren muss. Wenn man von Tausenden von Kreuzungspunkten spricht, stellt das eine Herausforderung dar“, sagt Kim.

Laut Kim waren das Design und die Materialien, die bisher zur Herstellung dieser künstlichen Synapsen verwendet wurden, alles andere als ideal. Die in neuromorphen Chips verwendeten amorphen Materialien machen es unglaublich schwierig, die Ionen zu kontrollieren, sobald Spannung angelegt wird.

In einer Anfang des Jahres veröffentlichten Studie von Nature Materials fand Kim heraus, dass sein Team, als es einen Chip aus Siliziumgermanium herstellte, in der Lage war, den aus der Synapse fließenden Strom zu kontrollieren und die Variabilität auf 1 Prozent zu reduzieren. Nachdem sie die Kontrolle darüber hatten, wie die Synapsen auf Reize reagieren, war es an der Zeit, ihren Chip auf die Probe zu stellen.

„Wir stellen uns vor, dass wir tatsächlich Handschrifterkennung durchführen können, wenn wir das tatsächliche neuronale Netzwerk mit Material aufbauen“, sagt Kim. In einer Computersimulation ihres neuen künstlichen neuronalen Netzwerkdesigns stellten sie Tausende von Handschriftproben zur Verfügung. Ihr neuronales Netzwerk konnte 95 Prozent der Proben genau erkennen.

„Wenn Sie eine Kamera und einen Algorithmus für den Handschriftdatensatz haben, der mit unserem neuronalen Netzwerk verbunden ist, können Sie eine Handschrifterkennung erreichen“, erklärt Kim.

Während der Aufbau des physischen neuronalen Netzwerks zur Handschrifterkennung der nächste Schritt für Kims Team ist, geht das Potenzial dieser neuen Technologie über die Handschrifterkennung hinaus. „Die Reduzierung der Leistung eines Supercomputers auf eine tragbare Größe könnte die von uns verwendeten Produkte revolutionieren“, sagt Kim. „Das Potenzial ist grenzenlos – wir können diese Technologie in unsere Telefone, Computer und Roboter integrieren, um sie wesentlich intelligenter zu machen.“

Häuser intelligenter machen

Während Kim daran arbeitet, unsere tragbaren Produkte intelligenter zu machen, hoffen Professor Sanjay Sarma und der Forschungswissenschaftler Josh Siegel, intelligente Geräte in das größte Produkt, das wir besitzen, zu integrieren: unsere Häuser.

Eines Abends war Sarma in seinem Haus, als einer seiner Schutzschalter immer wieder ausfiel. Dieser Schutzschalter – bekannt als Arc-Fault-Circuit-Interrupter (AFCI) – wurde entwickelt, um den Strom abzuschalten, wenn ein Lichtbogen erkannt wird, um Brände zu verhindern. Während AFCIs Brände hervorragend verhindern können, schien es im Fall von Sarma kein Problem zu geben. „Es gab keinen erkennbaren Grund dafür, dass es so weiterging“, erinnert sich Sarma. „Es war unglaublich ablenkend.“

AFCIs sind für solche „Belästigungsfahrten“ berüchtigt, bei denen sichere Objekte unnötigerweise getrennt werden. Sarma, der auch als MIT-Vizepräsident für offenes Lernen fungiert, verwandelte seine Frustration in eine Chance. Wenn er den AFCI mit intelligenten Technologien einbetten und ihn mit dem „Internet der Dinge“ verbinden könnte, könnte er dem Leistungsschalter beibringen, zu lernen, wann ein Produkt sicher ist oder wann ein Produkt tatsächlich ein Brandrisiko darstellt. „Stellen Sie es sich wie einen Virus vor.“ Scanner", erklärt Siegel. „Virenscanner sind mit einem System verbunden, das sie im Laufe der Zeit mit neuen Virendefinitionen aktualisiert.“ Wenn Sarma und Siegel eine ähnliche Technologie in AFCIs integrieren könnten, könnten die Leistungsschalter genau erkennen, welches Produkt angeschlossen wird, und im Laufe der Zeit neue Objektdefinitionen lernen.

Wenn beispielsweise ein neuer Staubsauger an den Schutzschalter angeschlossen wird und der Strom ohne Grund ausfällt, kann die intelligente AFCI erkennen, dass er sicher ist, und ihn zu einer Liste bekannter sicherer Objekte hinzufügen. Der AFCI lernt diese Definitionen mit Hilfe eines neuronalen Netzwerks. Doch im Gegensatz zum physischen neuronalen Netzwerk von Jeewhan Kim ist dieses Netzwerk softwarebasiert.

Das neuronale Netzwerk wird durch das Sammeln Tausender Datenpunkte während der Simulation von Lichtbögen aufgebaut. Anschließend werden Algorithmen geschrieben, die dem Netzwerk dabei helfen, seine Umgebung einzuschätzen, Muster zu erkennen und Entscheidungen auf der Grundlage der Wahrscheinlichkeit zu treffen, mit der das gewünschte Ergebnis erzielt wird. Mit Hilfe eines 35-Dollar-Mikrocomputers und einer Soundkarte kann das Team diese Technologie kostengünstig in Leistungsschalter integrieren.

Während der intelligente AFCI mehr über die Geräte erfährt, auf die er trifft, kann er sein Wissen und seine Definitionen gleichzeitig über das Internet der Dinge an jedes andere Zuhause weitergeben. „Das Internet der Dinge könnte genauso gut „Intelligenz der Dinge“ genannt werden“, sagt Sarma. „Intelligente, lokale Technologien mit Hilfe der Cloud können unsere Umgebungen anpassungsfähig und das Benutzererlebnis nahtlos machen.“

Leistungsschalter sind nur eine von vielen Möglichkeiten, wie neuronale Netze genutzt werden können, um Häuser intelligenter zu machen. Diese Art von Technologie kann die Temperatur Ihres Hauses steuern, Anomalien wie Einbrüche oder Rohrbrüche erkennen und Diagnosen durchführen, um zu erkennen, wann Dinge repariert werden müssen.

„Wir entwickeln Software zur Überwachung mechanischer Systeme, die selbstlernend ist“, erklärt Siegel. „Man bringt diesen Geräten nicht alle Regeln bei, man bringt ihnen bei, wie man die Regeln lernt.“

Fertigung und Design intelligenter gestalten Künstliche Intelligenz kann nicht nur dazu beitragen, die Interaktion von Benutzern mit Produkten, Geräten und Umgebungen zu verbessern. Es kann auch die Effizienz bei der Herstellung von Objekten verbessern, indem der Herstellungs- und Designprozess optimiert wird.

„Das Wachstum der Automatisierung zusammen mit ergänzenden Technologien wie 3D-Druck, KI und maschinellem Lernen zwingt uns langfristig dazu, die Art und Weise zu überdenken, wie wir Fabriken und Lieferketten entwerfen“, sagt Associate Professor A. John Hart.

Hart, der umfangreiche Forschung im Bereich 3D-Druck betrieben hat, sieht in KI eine Möglichkeit, die Qualitätssicherung in der Fertigung zu verbessern. 3D-Drucker mit Hochleistungssensoren, die Daten im Handumdrehen analysieren können, werden dazu beitragen, die Einführung des 3D-Drucks für die Massenproduktion zu beschleunigen.

„3D-Drucker zu haben, die lernen, Teile mit weniger Fehlern herzustellen und Teile während der Herstellung zu prüfen, wird eine wirklich große Sache sein – insbesondere wenn die Produkte, die Sie herstellen, kritische Eigenschaften haben, wie etwa medizinische Geräte oder Teile für Flugzeugtriebwerke, "Hart erklärt.

Auch der Prozess der Strukturgestaltung dieser Teile kann von intelligenter Software profitieren. Die außerordentliche Professorin Maria Yang hat untersucht, wie Designer Automatisierungstools nutzen können, um effizienter zu entwerfen. „Wir nennen es hybride Intelligenz für Design“, sagt Yang. „Ziel ist es, eine effektive Zusammenarbeit zwischen intelligenten Werkzeugen und menschlichen Designern zu ermöglichen.“

In einer aktuellen Studie testeten Yang und sein Doktorand Edward Burnell ein Designtool mit unterschiedlichem Automatisierungsgrad. Die Teilnehmer nutzten die Software, um Knoten für ein 2D-Fachwerk eines Stoppschilds oder einer Brücke auszuwählen. Das Tool würde dann automatisch optimierte Lösungen basierend auf intelligenten Algorithmen für die Verbindungspunkte und die Breite jedes Teils erstellen.

„Wir versuchen, intelligente Algorithmen zu entwerfen, die zu den Denkweisen der Designer passen“, sagt Burnell.

Roboter intelligenter machen

Wenn es auf dem MIT-Campus etwas gibt, das den futuristischen Robotern der Science-Fiction am ähnlichsten ist, dann wäre es der Roboter-Gepard von Professor Sangbae Kim. Mithilfe von LIDAR-Technologien nimmt das vierbeinige Lebewesen seine Umgebung wahr und bewegt sich als Reaktion auf diese Informationen. Ähnlich wie sein Namensvetter kann er über Hindernisse rennen und springen.

Kims Hauptaugenmerk liegt auf der Navigation. „Wir bauen ein ganz einzigartiges System, das speziell für die dynamische Bewegung des Roboters konzipiert ist“, erklärt Kim. „Ich glaube, dass es die interaktiven Roboter auf der Welt neu gestalten wird. Man kann sich alle möglichen Anwendungen vorstellen – Medizin, Gesundheitswesen, Fabriken.“

Kim sieht die Möglichkeit, seine Forschung schließlich mit dem physikalischen neuronalen Netzwerk zu verbinden, an dem sein Kollege Jeewhan Kim arbeitet. „Wenn man möchte, dass der Gepard Menschen, Stimmen oder Gesten erkennt, muss man viel lernen und verarbeiten“, sagt er. „Jeewhans Hardware für neuronale Netzwerke könnte dies möglicherweise eines Tages ermöglichen.“

Die Kombination der Leistung eines tragbaren neuronalen Netzwerks mit einem Roboter, der in der Lage ist, seine Umgebung geschickt zu navigieren, könnte eine neue Welt voller Möglichkeiten für die Interaktion zwischen Mensch und KI eröffnen. Dies ist nur ein Beispiel dafür, wie Forscher im Maschinenbau eines Tages zusammenarbeiten können, um die KI-Forschung auf die nächste Stufe zu bringen.

Auch wenn wir vielleicht noch Jahrzehnte davon entfernt sind, mit intelligenten Robotern zu interagieren, haben künstliche Intelligenz und maschinelles Lernen bereits Einzug in unsere Routinen gehalten. Ob es darum geht, Gesichts- und Handschrifterkennung zum Schutz unserer Informationen zu nutzen, das Internet der Dinge zu nutzen, um unsere Häuser zu schützen, oder Ingenieure dabei zu unterstützen, effizienter zu bauen und zu entwerfen – die Vorteile von KI-Technologien sind allgegenwärtig.

Die Science-Fiction-Fantasie einer von Robotern überrannten Welt ist weit von der Wahrheit entfernt. „Es gibt diese romantische Vorstellung, dass alles automatisch ablaufen wird“, fügt Maria Yang hinzu. „Aber ich denke, die Realität sieht so aus, dass Sie über Werkzeuge verfügen werden, die mit Menschen zusammenarbeiten und ihnen dabei helfen, ihr tägliches Leben ein wenig einfacher zu machen.“

Vorheriger Artikel Nächster Artikel