zurück zum Artikel

Dass Siri mehrere Sprecher auseinanderhalten kann und die QuickType-Funktion sinnvolle Vorschläge unterbreitet, hat einen guten Grund: Federated Learning.

Bis ein neuronales Netz beispielsweise einen Esel von einem Schäferhund unterscheiden kann, muss es sich zunächst Tausende von Fotos „ansehen“ und unter Anleitung lernen, welche Merkmale (Größe, Schnauze, Fell und so weiter) grundsätzlich auf einen Hund hinweisen. Klappt das halbwegs, können sich die Entwickler daran wagen, der KI das Aussehen verschiedener Hunderassen beizubringen, wiederum mit unzähligen Fotos. Funktioniert auch das zufriedenstellend, steht dem Einsatz des KI-Modells in Apps, beispielsweise zur Bestimmung von Hunden, nichts mehr im Weg.

Das Problem dabei: Die KI lernt normalerweise nichts im Praxiseinsatz hinzu, das zugrunde liegende Modell können lediglich die Entwickler weiter optimieren. Haben die nun einige Rassen beim Training vergessen, hält das neuronale Netz den Pekinesen vielleicht für einen Chihuahua. Praktisch wäre es also, wenn eine KI, wie auch ein Mensch, täglich ihr Wissen erweiterte, zum Beispiel, indem der Anwender der KI mitteilt: Chihuahua ist falsch, Pekinese richtig. Aufgrund dieser Information könnte sich das neuronale Netz neu trainieren und entsprechend korrigieren. Neuronale Netze wären so auch in der Lage, sich auf die spezifischen Anforderungen des jeweiligen Benutzers einzustellen.

Häufig hosten Entwickler neuronale Netze allerdings auf Server-Farmen in der Cloud, so bislang auch Apple seine Sprachassistenz Siri. Das iPhone des Anwenders überträgt Anfragen zunächst an die Server, auf denen die KI läuft und die schließlich die Antwort zurücksenden. Das erfordert einerseits eine Internetverbindung, die selbst in größeren Städten nicht immer flächendeckend zur Verfügung steht. Andererseits müssen eventuell sensible Daten hin- und herwandern.

URL dieses Artikels:
https://www.heise.de/-4700297

Copyright © 2020 Heise Medien