Kann KI wie ein Mensch Probleme diagnostizieren?

von Erik Pfannmöller und Max Breitsprecher

Künstliche Intelligenz (KI) kann bei der Beantwortung von Fragen großartig sein. Fragen Sie Google danach, wer den 3D-Druck erfunden hat, und Sie erhalten im Handumdrehen Ihre Antwort: „Chuck Hull“. Nicht viele Leute könnten diese Frage beantworten – vor allem nicht innerhalb eines Bruchteils einer Sekunde.

Aber was ist, wenn Sie Google eine andere Frage stellen? Versuchen wir es mit: „Warum funktioniert mein 3D-Drucker nicht?“ Offensichtlich wird Ihnen dann die normale Liste mit den Suchergebnissen von Google angezeigt.


Warum dieser Unterschied? Eine mögliche Erklärung dafür ist, dass beide Fragen von verschiedener Art sind. Während die erste Frage mit einem einzigen Fakt beantwortet werden kann, ist für die richtige Beantwortung der zweiten Frage ein Diagnoseverfahren erforderlich.

Jetzt könnte man denken: „Ok, aber die Diagnose von Problemen mit 3D-Druckern ist ein sehr seltener Fall.“ Ist das wirklich so? Viele interessante Aufgaben sind tatsächlich Diagnoseprobleme. Hier sind einige Beispiele:

  • Ein Arzt diagnostiziert Ihre Erkrankung.
  • Der Mechaniker stellt eine Diagnose Ihres kaputten Autos.
  • Ein Techniker diagnostiziert, warum Ihr Internet-Router nicht funktioniert.
  • Kundendienstmitarbeiter „diagnostizieren“, warum Ihr Paket nicht pünktlich geliefert wurde.  


Wie Menschen Probleme diagnostizieren

Alle vier Beispiele weisen einige gemeinsame Merkmale auf: Erstens beginnt der Benutzer nur mit einer vagen Vorstellung von dem Problem. Vielleicht kann er einige Symptome des Problems beobachten. Oftmals ist er kaum dazu in der Lage, dieses zu formulieren – geschweige denn, die zugrunde liegenden kausalen Zusammenhänge zu verstehen. Sich eine passende Lösung einfallen zu lassen, würde ihm eine Menge Zeit und Mühe abverlangen.

Aus diesem Grund zieht er zweitens einen Experten auf diesem Gebiet zu Rate. Durch seine Ausbildung und Erfahrung erkennt der Experte den Zusammenhang zwischen Problem und Symptom. Der Experte weiß, welche Fragen er wann stellen muss. Zudem merkt er, wenn genug Informationen gesammelt wurden, um eine fundierte Entscheidung zu treffen und eine Lösung zu bieten.

Drittens kommen alle vier Beispielsituationen immer wieder vor. Jeden Tag werden Millionen von Krankheiten diagnostiziert, Autos repariert, Verbindungsfehler behoben und Kundenprobleme gelöst.


Wie KI-Systeme Probleme diagnostizieren

Moment! Wenn etwas immer wieder vorkommt, dann stehen die Chancen für die Automatisierung dieser Aufgabe mit KI gut, richtig? Genau darauf zielen zahlreiche Unternehmen ab. Google hat diesen Versuch im Jahr 2015 tatsächlich gewagt. Dabei hat es versucht, die Fehlerbehebung durch IT-Helpdesks mithilfe von mehrschichtigen neuronalen Netzen (Deep Neural Net) zu automatisieren. Dafür trainierten sie ein Langzeit-/Kurzzeitspeicher-Netzwerk mit 1.024 Speicherzellen mithilfe des stochastischen Gradienten-Verfahrens auf Basis eines Datensatzes von 30 Millionen Tokens. Daraus ging folgendes Ergebnis hervor:


Obwohl die Leistung des Google-Teams wirklich beeindruckend ist und einige der automatisch generierten Antworten auch Sinn ergeben, ist künstliche Intelligenz für eine reale Helpdesk-Situation noch nicht einsatzfähig. Warum ist das so? Was macht die Entwicklung eines qualitativ hochwertigen Diagnosesystems so schwierig? Diesbezüglich sind zwei große Herausforderungen zu bewältigen:


Zwei große Herausforderungen

Da der Benutzer kein Experte auf dem Gebiet ist, muss das System künstlicher Intelligenz das Gespräch beginnen und voranbringen. Dafür stellt es Fragen, um zusätzliche Informationen über das Problem zu sammeln. Doch hier ist die Schwierigkeit dabei: Welche Fragen sollte das intelligente System stellen? Außerdem: Welche Frage sollte es an welcher Stelle des Gesprächs stellen?

Schauen wir uns noch einmal das Gespräch von oben an. „Ist es eine Windows-Maschine?“ ist in der Regel eine gute Frage. Sie scheint jedoch dumm, wenn der Benutzer bereits zuvor „Linux“ als Betriebssystem angegeben hat.

Um daher eine gute Frage zu stellen, muss die Maschine verschiedene Faktoren berücksichtigen:

  • Welche Informationen habe ich bereits über die Situation?
  • Welche Antwort würde mir dabei helfen, mögliche Lösungen auszuschließen?
  • Welche Antwort würde mich schneller zu gängigen Lösungen führen?

Das sind nur ein paar der wichtigen Faktoren, die es zu berücksichtigen gilt. Offenbar ist das Stellen der richtigen Frage in der Tat der schwierigste Teil im Diagnoseverfahren.

Zudem gibt es eine zweite Herausforderung für ein System künstlicher Intelligenz. Es muss schnell entscheiden, wann es an Zeit ist, mit dem Fragen aufzuhören und sich auf die Lösung zu konzentrieren. Auch wenn es sich bei der Festlegung von Schwellenwerten um triviale Berechnungen handelt, ergeben sich einige interessante Fragen unter realen Bedingungen.

  • Sollte sich das intelligente System immer um die richtige Lösung des Problems bemühen, auch wenn dies mit einem sehr, sehr langen Frageprozess verbunden ist?
  • Oder sollte es etwas riskieren, um früher zu einer möglichen Lösung zu kommen? Ist das gewünschte Verhalten vielleicht abhängig von dem jeweiligen Bereich (medizinische Diagnose vs. Fehlerbehebung bei 3D-Druckern)?
  • Sollten alle Lösungen gleichbehandelt werden? Oder sollte das intelligente System seltene Lösungen anders behandeln?
  • Sollte das intelligente System auf alle Benutzerantworten (gleich) vertrauen? Was ist, wenn der Benutzer einen Fehler gemacht hat?


KI-Experten von fredknows.IT

Wir von www.fredknows.IT sind der Ansicht, dass diese beiden Herausforderungen für den aktuellen Stand der Technik im Bereich mehrschichtige neuronale Netze zu schwierig sein könnten – vor allem, wenn man nur ein paar Tausend Trainingsbeispiele zur Hand hat. Eins sollte jedoch klar sein: Wir sind davon überzeugt, dass Deep Learning dies schaffen wird – vielleicht in fünf oder zehn Jahren. Bis dahin brauchen wir allerdings einen anderen Ansatz zur Entwicklung von Systemen künstlicher Intelligenz, die zur Diagnose fast aller Dinge in der Lage sind.

Aus diesem Grund haben wir eine Plattform eingeführt, mit der jeder KI-Experten entwickeln kann. Unsere typischen Kunden sind Unternehmen, die jede Woche Hunderte von Anfragen zur Fehlerhebung erhalten. Mithilfe der Plattform können sie intelligente KI-Experten entwickeln, so dass sich ihre Nutzer selbst helfen können. Was sind die Vorteile davon?

  • Nutzer erhalten rund um die Uhr sofortige und kostenlose Unterstützung bei der Fehlerbehebung.
  • Unternehmen können die Kosten für den Kundendienst gering halten.
  • Außerdem verbessert sich dadurch die Service-Qualität, da das intelligente System aus jeder Nutzerinteraktion lernt und sich dadurch verbessert.

Um Ihnen einen Eindruck vom Erscheinungsbild und der Handhabung unserer Diagnosesysteme künstlicher Intelligenz zu vermitteln, haben wir zwei Demo-Projekte für Sie erstellt (siehe unten). Beim ersten können Sie den „Zookinator“ herausfordern. Denken Sie sich ein Tier aus und prüfen Sie, ob Zooki dieses erraten kann. Das ist ein lustiges Spiel – versprochen!

Der zweite KI-Experte ist auf 25 häufige Probleme von 3D-Druckern geschult. Vielleicht kann die Frage „Warum funktioniert mein 3D-Drucker nicht?“ schließlich doch mit einem System künstlicher Intelligenz beantwortet werden.  

Kommentare
Einen Kommentar schreiben
Entschuldigung

Ihr Browser ist leider nicht aktuell genug.
Um diese Webseite zu benutzen, benötigen Sie einen aktuellen Browser
Wir empfehlen einen der folgenden Browser in der aktuellsten Version zu installieren.

Auf iOS Geräten sollte mindestens die Betriebssystem Version iOS 9 installiert sein.

Mozilla Firefox Google Chrome Microsoft Edge Internet Explorer