Leben retten durch Algorithmen

Wie kann KI uns helfen, die Sicherheit unserer Unternehmen zu verbessern?
Das 21. Jahrhundert begann mit einer digitalen Revolution, die für die Menschen lebenswichtig war, die aber erst in den letzten Jahren ihr Potenzial unter Beweis gestellt hat und zwar in Form von massiver und vor allem günstiger Speicherung von Informationen. Diese hat dazu geführt, dass in der Forschung wie auch in der Wirtschaft Mathematikern, Physikern, Chemikern, Ingenieuren und Strategen erheblich mehr Informationen zur Verfügung stehen, als dies noch bis vor kurzem der Fall war. In diesen sogenannten Big Data beinhaltet sind immer auch versteckte Muster und Korrelationen, die zu unerwarteten Ergebnissen führen, welche sich auf die Rentabilität der Unternehmen und in diesem Fall auf die Sicherheit der Arbeitnehmer auswirken können.
Wie Kinder, wenn sie anfangen, Laufen zu lernen, brauchen die Algorithmen eine Trial-and-Error-Umgebung, in der sie ihre „Fall- und Aufstiegstests" durchführen können. Cloud-Infrastrukturen (Cloud Computing) und Data-Mining-Werkzeuge haben die Schaffung künstlicher “Gehirne” (neuronale Netze) ermöglicht, in denen Wissenschaftler ihre Formeln entwickeln und das perfekte Ökosystem zu schaffen, in dem Computer selbstständig lernen und Lösungen für komplexe Probleme finden können, die der Mensch alleine nicht lösen kann.
Algorithmen sind mathematische Formeln, die wie der Mensch Millionen von Kombinationen mittels Versuch-Fehler-Methodik durchspielen, um die beste Lösung in Rekordzeit zu finden.
Dieser Ansatz kann in der Wirtschaft heute unter anderem zur Berechnung von Risikofaktoren genutzt werden, um dadurch die Zahl der Unfälle in Betrieben zu reduzieren. Ein Unfall entsteht durch eine Kombination aus erwarteten und unerwarteten Umständen, die jedoch ein unerwartetes und vor allem unerwünschtes Ereignis auslösen. Dieses Ereignis kann mehr oder weniger schwerwiegend sein, und meistens besteht eine Korrelation zwischen den Rahmenbedingungen und Variablen.
Bei einem Verkehrsunfall zum Beispiel beeinflussen die Art des Asphalts, das Wetter, die Art des Fahrzeugs, die Tageszeit, der Fahrstil und sogar der emotionale Zustand des Fahrers die Wahrscheinlichkeit eines Unfalls.
All dies wurde bereits 1760 von dem britischen Mathematiker Thomas Bayes formuliert, der das Konzept der „bedingten Wahrscheinlichkeit" beschrieb.
Entscheidungsfindung eines Algorithmus
Die bedingte Wahrscheinlichkeit ist die Grundlage für die Entwicklung von Algorithmen basierend auf Entscheidungsbäumen. Das Einzige, was zu Bayes’ Zeiten eigentlich noch für den großen Sprung in Richtung Künstlicher Intelligenz fehlte, war die Rechenkapazität und natürlich die in digitalen Umgebungen gespeicherten Informationen.
Um auf den vorliegenden Fall der Unfallverhütung zurückzukommen: Sobald die eigentliche Aufgabenstellung angelegt wurde, ist deren Modellierung nichts anderes als das Verstehen der Geschäftsregeln, welche Unternehmen antreiben, und deren Übersetzung in mathematische Formeln. Die passenden Algorithmen entwickelt die Neu-Ulmer LIS DataSolutions GmbH mit dem Data-Mining-Tool Knime, welche einmal dem Endnutzer für den Echtbetrieb übergeben diesen später auch nachvollziehen lassen, was der Algorithmus eigentlich bei jedem Schritt genau tut.

Für die Unfallvorhersage und -Verhütung kommen sog. Prädiktive Algorithmen zum Einsatz. Diese können auf zwei Arten lernen, und zwar indem sie sich ähnlich zum Menschen verhalten, d.h. entweder von anderen und beaufsichtigt lernen (wissenschaftlich) oder aus der eigenen Erfahrung, also quasi unbeaufsichtigt lernen (empirisch).
Beaufsichtigtes Lernen (Wissenschaftlicher Ansatz)
Prinzipiell kann man sagen, dass dem Algorithmus die Erfahrung und das Wissen, das wir Menschen bereits darüber haben, was passieren kann, hilft. So wie ein kleines Kind, das an den Rand eines Sees tapst und wir unsere Stimme erheben, um es vor der Gefahr zu warnen, tun wir dasselbe mit Algorithmen. Da man z.B. weiß, dass ein erhöhtes Unfallrisiko besteht, wenn die Lichtverhältnisse schlecht sind, ist es nicht notwendig, dass dieser Fall in der Vergangenheit bereits tatsächlich eingetreten ist (Unfall durch geringe Beleuchtung). Der Algorithmus interpretiert ihn vielmehr als Risiko, weil wir ihm dies zuvor als festes Kriterium beigebracht haben. Deshalb trainieren wir unsere Algorithmen genauso, wie wir unserem Kind beibringen würden, sich vom Ufer des Sees fernzuhalten, damit Unfälle idealerweise gar nicht erst eintreten.
Unbeaufsichtigtes Lernen (Empirisch)
In diesem Fall führt der Algorithmus eine ganze Reihe von Kombinationen durch (in einigen Fällen sogar Milliarden), um das spezifische Muster zu finden, das letztendlich einen Unfall auslöst. Um eine möglichst hohe Aussagekraft zu erreichen, müssen die Algorithmen mit einer großen kritischen Masse (Variablen, Einschränkungen, Ereignisse und bereits eingetretene Unfälle) gefüttert werden, denn je mehr Informationen sie bekommen, desto genauer ist die Vorhersage, die sie später treffen.
In den von LIS DataSolutions durchgeführten Projekten kamen zunächst überwachte Algorithmen zum Einsatz, von denen einer beim ersten Test bereits 20% der Unfälle vorhersagen konnte, die sich während eines ganzen Jahres ereigneten. Aber sobald der Algorithmus darauf trainiert war, zusätzlich Variablen wie Wetter, Erfahrung der Arbeiter oder die Randbedingungen (Helligkeit, Belagszustand usw…) einzubeziehen, war der Algorithmus in der Lage, über 50 % der Unfälle mit einem falsch-positiven Verhältnis von unter 2 % vorherzusagen. Dies ermöglichte es den Kunden, vorbeugende Maßnahmen zu ergreifen, wenn der Algorithmus ein mögliches Risiko entdeckte, das als „Hohes Risiko" oder „Extremes Risiko" eingestuft wurde. Auf diese Weise konnten die Unternehmen die Unfälle z.B. in ihren Produktionsprozessen um bis zu 80% reduzieren, ohne die tägliche Leistung der Produktion zu beeinträchtigen.
Gegenwärtig gibt es eine gewisse Kontroverse über die Gefährlichkeit von Algorithmen und ihrer Anwendung, und wie bei jeder neuen Technologie hängt dies immer vom Nutzer und ihrem Einsatzzweck ab. In unserem Fall werden die Algorithmen tatsächlich dazu genutzt, Menschenleben zu retten, aber auch Ressourcen gezielter einzusetzen und den CO²-Fußabdruck zu reduzieren, indem sie unnötige Wege verhindern oder sogar vorhersagen, wann eine Maschine stoppt, bevor es zum Ausfall der gesamten Fertigung kommt (vorausschauende Wartung).
Nach ethischen Standards eingesetzt kann die Künstliche Intelligenz daher schon zu einem unverzichtbaren Helfer in der Wirtschaft, aber auch im Alltag von uns Menschen werden.