KI demokratisieren

Quicklinks

• Home
• Kontakt

Künstliche Intelligenz (KI) wird oft als eine Technologie beschrieben, die es Computern ermöglicht, aus Daten zu lernen. In der Praxis bedeutet dies, dass Systeme Muster erkennen, Vorhersagen treffen, Sprache verstehen oder menschliche Entscheidungsprozesse unterstützen können. KI spielt bereits in vielen Bereichen des Alltags eine Rolle, von Übersetzungstools und Suchmaschinen bis hin zu Empfehlungssystemen und digitalen Assistenten.

In den letzten Jahren hat sich die KI bemerkenswert schnell weiterentwickelt. Ein Grossteil dieses Fortschritts folgte einer einfachen Logik: Mehr Daten, grössere Modelle und höhere Rechenleistung führen oft zu besserer Leistung. Dieser Ansatz hat beeindruckende Systeme hervorgebracht, darunter moderne Sprachmodelle, hängt jedoch auch von einem ganz bestimmten Umfeld ab - einem, in dem riesige Datensätze und erhebliche Rechenressourcen zur Verfügung stehen.

Gleichzeitig gehören einige der Bereiche, in denen KI am wertvollsten sein könnte, auch zu denen, in denen es am schwierigsten ist, sie effektiv einzusetzen. Im Gesundheitswesen könnte KI beispielsweise Ärztinnen und Ärzten dabei helfen, Krankheiten früher zu erkennen, Diagnosen zu verbessern oder eine individuellere Behandlung zu ermöglichen. In den Umweltwissenschaften könnte sie bei der Überwachung der Artenvielfalt und beim Verständnis von Veränderungen in Ökosystemen und im Klima helfen. Im Finanzwesen könnte sie die Betrugserkennung und Risikobewertung verbessern. In all diesen Bereichen haben datengesteuerte Methoden ein beträchtliches Potenzial.

Doch es gibt ein grundlegendes Hindernis: In solchen Umgebungen sind Daten oft sensibel, über verschiedene Institutionen verteilt und lassen sich nur schwer - oder gar nicht - direkt austauschen. Ein Krankenhaus kann Patientenakten nicht einfach auf einen zentralen Server übertragen. Eine Forschungsgruppe verfügt vielleicht über wertvolle Daten, aber nur in begrenzten Mengen. Öffentlichen Einrichtungen fehlt zudem oft der Zugang zu der Recheninfrastruktur, die vielen der heute bekanntesten KI-Systeme zugrunde liegt.

An der Universität Zürich, wo ich als Assistenzprofessorin für KI und Optimierung forsche, beschäftigen wir uns genau mit dieser Frage: Wie entwickelt man die mathematischen und algorithmischen Grundlagen, die KI unter realistischeren Bedingungen zum Funktionieren bringen? Wir arbeiten an der Schnittstelle von maschinellem Lernen, Mathematik und Optimierung - Disziplinen, die gemeinsam die Grundlage dafür bilden, dass Systeme effizient und zuverlässig lernen können.

Genauer gesagt entwickeln wir Algorithmen, die es verschiedenen Personen oder Institutionen ermöglichen, ein Modell gemeinsam zu trainieren und zu verbessern, ohne dass sie ihre Rohdaten teilen müssen. Anstatt sensible Informationen zu zentralisieren, besteht das Ziel darin, Daten lokal zu halten und nur sorgfältig gestaltete Zwischenergebnisse auszutauschen, die gemeinsames Lernen ermöglichen.

Ein zentraler Teil unserer Arbeit besteht darin, solche Formen der KI sowohl praktisch als auch vertrauenswürdig zu gestalten. Dafür müssen drei grundlegende Herausforderungen gleichzeitig gemeistert werden:

Die erste ist der Datenschutz. Selbst wenn Rohdaten nicht geteilt werden, können Informationen dennoch durch den Lernprozess selbst nach aussen dringen. Wir arbeiten daher an Methoden, die strenge Datenschutzgarantien bieten, damit die Zusammenarbeit nicht auf Kosten der Offenlegung sensibler Informationen geht.

Die zweite ist die Effizienz. Viele der von uns untersuchten Systeme umfassen Parteien - Institutionen, Labore oder einzelne Geräte -, die über verschiedene Standorte verteilt sind und über unterschiedliche Datenmengen, Rechenleistung und Kommunikationskapazitäten verfügen. Einige verfügen vielleicht über schnelle Rechner und zuverlässige Verbindungen, andere nicht. Algorithmen müssen unter Berücksichtigung dieser ungleichen realen Bedingungen entworfen werden.

Die dritte Herausforderung ist die Leistung. Datenschutz und verteiltes Training erschweren das Lernen grundsätzlich. Wenn die Algorithmen nicht sorgfältig entworfen werden, können Modelle ungenauer, langsamer oder weniger präzise werden. Unser Ziel ist es, zu verstehen, wie solche Systeme nicht nur sicher und effizient, sondern in der Praxis auch wirklich effektiv gestaltet werden können.

Was diese Arbeit besonders anspruchsvoll macht, ist, dass diese Ziele oft im Widerspruch zueinander stehen. Datenschutz kann die Genauigkeit verringern. Skalierbarkeit kann zu Instabilität führen. Effizienz kann auf Kosten anderer Garantien gehen. Ein Grossteil unserer Forschung befasst sich daher damit, diese Zielkonflikte zu verstehen und sie, wo möglich, zu überwinden, anstatt sie einfach hinzunehmen.

Heute werden die leistungsfähigsten KI-Systeme oft von einer kleinen Anzahl von Organisationen entwickelt, die über aussergewöhnlichen Zugang zu Daten und Rechenleistung verfügen.

Eines unserer übergeordneten Ziele ist es, zur Demokratisierung der KI beizutragen: fortgeschrittene Methoden des maschinellen Lernens zugänglich zu machen - nicht nur für ressourcenreiche Umgebungen, sondern auch für öffentliche Einrichtungen, Forschungslabore und andere Organisationen, die unter realen praktischen Einschränkungen arbeiten. Denn dahinter steckt für mich nicht nur eine technische, sondern auch eine gesellschaftliche Frage: Wer profitiert von der KI - und wer darf sie mitgestalten?

Anastasiia Koloskova ist DSI Professorin und Assistenzprofessorin für KI und Optimierung an der Universität Zürich. Sie ist zudem Mitglied des ETH AI Center, des European Laboratory for Learning and Intelligent Systems (ELLIS) und der Zurich Graduate School in Mathematics. Bevor sie nach Zürich kam, war sie Postdoktorandin an der Stanford University und promovierte an der EPFL.

Dieser Text ist Teil der Reihe «DSI Insight» auf Inside IT.

Universität Zürich

• Auf einen Blick
• Fakultäten
• UZH Agenda
• Jahresbericht
• Preise
• Berufungen
• In Memoriam

News abonnieren

• UZH Weekly abonnieren
• UZH News abonnieren
• Medienmitteilungen abonnieren

Kontakt

• Kommunikation

Folgen Sie uns

• LinkedIn
• Instagram
• Facebook
• TikTok
• YouTube
• Issuu

© 2023 Universität Zürich

• Impressum
• Kontakt
• Accessibility
• Datenschutzerklärung