Schon immer war der Mensch ein Genie darin, für die Probleme welche ihm durch seine Umwelt gestellt wurden, das dazu passende Werkzeug zu erschaffen. Von den einfachen Steinwerkzeugen der Steinzeit bis hin zu den automatisierten Fabriken der Neuzeit. Heutzutage, wo eine die grösste Herausforderung des Alltags das durchdringen der täglichen Datenflut zu sein scheint, ist das keine Ausnahme. Schnell etablierten sich sogenannte Bots, kleine Programme welche repetitive Aufgaben übernehmen, das Internet nach Informationen durchsuchen oder automatisiert Fragen in Foren oder Chats beantworten.
Bots waren über Jahre hinweg grossartige Tools, wenn es darum geht einfache repetitive Dinge zu erledigen. Diese gehen von kleinen Twitterbots für das automatisierte schreiben von Kurznachrichten bis hin zum mächtigen Googlebot welcher täglich das Internet nach neuen Informationen durchkämmt. Jedoch waren diese Systeme bisher in ihren Aufgabengebieten sehr beschränkt.

Game-Changer Machine Learning

In den letzten Jahren erlebte eine bereits seit Jahrzehnten bekannte Technologie eine Renaissance. Durch die extrem gestiegene Rechenleistung von Computern ist das maschinelle Lernen aus seinem Schattendasein herausgetreten und zeigen fast überall wo es eingesetzt wird ihre Teils gewaltige Überlegenheit zu herkömmlichen Verfahren. So übertreffen Bilderkennungssysteme auf der Basis von ML bereits trainierte Menschen beim Beschreiben von Bildinhalten. Bis vor kurzem wurde noch davon ausgegangen, dass dies noch weit in der Zukunft liegen würde.
Das gleiche Muster zeigte sich jüngst auch beim antiken Brettspiel aus dem fernen Osten namens GO. Bei diesem schaffte es ein System von Google den momentanen Weltbesten Spieler zu bezwingen. Das scheint auf den ersten Blick nicht sehr beeindruckend. Doch dieses Spiel ist aus mathematischer Sicht um Grössenordnungen komplexer als z.B. Schach, weswegen von Experten lange bezweifelt wurde, ob es jemals einem Computer gelingen würde, auch nur annähernd so gut wie ein Menschlicher Widersacher zu sein. Deswegen spricht Demis Hassabis, der Leiter des Teams welches hinter dem Historischen Sieg in Go steht, bei Go vom Heiligen Gral der AI-Forschung. Er hofft die bei dem Spiel verwendeten Algorithmen auf reale Probleme anwenden zu könnten. Und so arbeitet das Team heute daran die Medizin zu revolutionieren.
(Sam Byford, DeepMind founder Demis Hassabis on how AI will shape the future, 2016, von http://www.theverge.com/2016/3/10/11192774/demis-hassabis-interview-alphago-google-deepmind-ai)
Das verfrühte Eintreffen von Expertenvorhersagen scheint mehr und mehr zur Gewohnheit zu werden. Man fragt sich, was wohl als nächstes durch das maschinelle Lernen revolutioniert wird.

Open-Source Bewegung

Ein wichtiger Grund für die grossen Sprünge, welche momentan im Bereich des ML gemacht werden ist die öffentlich verfügbare und gut dokumentierte Software. Diese werden von Unternehmen wie Google oder Facebook zur Verfügung gestellt und gepflegt. Hinzu kommt die grosse und aktive Community zu diesen Frameworks, welche sich rege über best practices und neue Entdeckungen austauschen. Dies ermöglicht es einer relativ grossen Masse an interessierten Personen schnell den Einstieg zu finden und eigene Experimente damit zu starten.
Daraus resultieren auch viele neue Startups, die die neuen Techniken an realen Problemen anzuwenden versuchen. Dabei sind sie meist sehr erfolgreich. Machine Learning befindet sich also auf dem Sprung in die Marktwirtschaft, und birgt Gefahren für Unternehmen welche den Anschluss verpassen.

ML-Upgrade für Bots

Was sind nun die Auswirkungen dieser rasanten Entwicklung auf Bots. Dazu müssen wir erst einen Blick in die Funktionsweise der „alten“ Bots werfen. Sie basieren normalerweise auf einem Regelset mit wenn-dann-Verknüpfungen. Wobei dies Abbildungsregeln vom Entwickler von Hand eingepflegt werden müssen. Dieser Prozess ist langwierig und Zeitintensiv. Das Resultat ist ein unflexibles System, welches nur einen sehr begrenzten Einsatzbereich hat.

Mit ML ist die Herangehensweise ein Andere. Es werden keine Regeln mehr definiert sondern das System lernt durch ein Set an Beispielen wie es sich zu verhalten hat. Beispielsweise zeigt man einem Chat-Bot eine grosse Anzahl an Fragen und Antworten, und der Bot versucht diese „nachzuahmen“ und generelle Regeln daraus abzuleiten. Er könnt zum Beispiel lernen, dass auf die Frage „Wie heisst dieser Schauspieler?“ ein Name gesucht wird und dass der Name mit einem Schauspieler in Verbindung stehen muss. Dadurch ist das System in der Lage auch Fragen zu beantworten, welche nicht so in den Trainingsdaten vorhanden ist. Die Menge der zur Verfügung stehenden Lern-Daten ist hierbei entscheidend für die Qualität des Systems. Die „Intelligenz“ eines solchen Bots auf der Basis von ML ist also genereller, als jener mit einem fixen Regelset.

Das Beispiel oben zeigt die neue Herangehensweise an die Entwicklung von Bots. Nicht mehr das Aufstellen der Regaltabellen nimmt die grosse Zeit in Anspruch, sondern das Erstellen und Aufbereiten der Beispieldaten. Und das System kann potentiell immer besser werden, sobald mehr Daten zur Verfügung stehen. Man könnte such zum Beispiel vorstellen, dass ein Chatbot die Antworten seiner Menschlichen Chatpartnern aufzeichnet und später als Trainigsdaten weiterverwendet um sich weiter zu verbessern.
Der Trend im Bereich der Bots ist klar. Wöchentlich werden neue Bots bekannt bei welchen diese ML Techniken erfolgreich angewendet wurden. Sie entwickeln sich mehr und mehr zu wirklich nützlichen Helfern im Alltag, wie Beispielsweise Google Now oder auch Siri zeigen. Und die riesigen Investitionen der grossen Player im Internet in diesem Bereich lassen vermuten, dass sich hier in der nächsten Zeit noch einiges bewegen wird. Man darf also gespannt sein.