KI und die Bedeutung von Daten
Neues „Physik konkret“ der DPG beleuchtet die Chancen und Risiken von künstlicher Intelligenz.
Mathematische Methoden des maschinellen Lernens sind unter anderem als Werkzeuge zur Analyse großer Datensätze zunehmend ein wichtiger Bestandteil der täglichen Arbeit vieler Physikerinnen und Physiker. Durch die Entwicklung von Basismodellen wie ChatGPT und den beeindruckenden Ergebnissen, die damit erzielt werden können, sind diese Methoden unter dem Begriff künstliche Intelligenz (KI) massiv in den Fokus der Öffentlichkeit gerückt. So hatte ChatGPT innerhalb von nur fünf Tagen eine Million Nutzer, wofür Netflix noch dreieinhalb Jahre oder Instagram, mit dem drittschnellsten Nutzerzuwachs, zweieinhalb Monate brauchte!
Die Anwendung von KI ist aber nicht auf die Erstellung von Bildern, Texten, Softwareprogrammen oder Unterhaltung mit Chat-GPT begrenzt, sondern durchdringt zunehmend alle Bereiche des täglichen Lebens. Nicht zuletzt wird KI mehr und mehr in sensiblen, risikobehafteten Bereichen angewendet.
In der personalisierten Medizin interpretiert KI vielfältige medizinische Messdaten (wie Daten in einem EKG) und verbindet sie mit anderen Werten, wie Blutwert oder Blutdruck. KI steuert mit Messdaten von hunderten Sensoren autonome Fahrzeuge und deren Vernetzung in intelligenten Mobilitätskonzepten. Auch die Versorgung von Städten mit Wasser, Strom oder Wärme koordiniert KI auf Basis von Zählerdaten. Mit dem Begriff „Social Scoring“ wird die Beurteilung des Verhaltens von Menschen durch KI bezeichnet. Viele dieser Anwendungen von KI sind gesetzlich reguliert – auch auf europäischer Ebene. Das EU-Gesetz über Künstliche Intelligenz (AIA), auf dessen Grundzüge sich das Europaparlament und die EU-Staaten am 8. Dezember 2023 verständigt haben, strebt eine Regulierung des Einsatzes von Künstlicher Intelligenz an.
Der Einsatz von KI-Methoden – egal zu welchem Zweck – setzt voraus, dass die Algorithmen mit entsprechenden (Mess-) Daten trainiert und validiert werden. Es ist daher essenziell, dass dafür qualitativ hochwertige sowie vertrauenswürdige Daten verwendet werden. Nur so können ebenso qualitativ hochwertige und vertrauenswürdige KI-Modelle entstehen.
Genau hier liegt die Kernkompetenz von Physikern: Der Umgang mit großen Mengen an Messdaten sowie die Beurteilung der Qualität dieser Daten (Genauigkeit, Präzision, Rauschen und Verzerrung). Welche Datenqualität ist erforderlich, um vertrauenswürdige Antworten von der KI zu bekommen? Wie verständlich muss die KI selbst sein und wie erreicht man diese Verständlichkeit? Darüber hinaus erweist es sich in vielen Fällen als wichtig, physikalische Gesetzmäßigkeiten zu implementieren, das „Physics Informed Learning“, was auch die Verbindung zwischen modell- und datenbasierten Ansätzen erlaubt. Aber nicht nur Menge und Qualität der Daten sind von Bedeutung. Insbesondere Messdaten von wissenschaftlichen Instrumenten sollten im Sinne der FAIR-Prinzipien zugänglich gemacht werden.
Die Physik spielt also bei der Entwicklung und Anwendung von KI-Methoden eine entscheidende Rolle und muss daher in der aktuellen Debatte um deren Einsatzregulierung sowie Entwicklung eine tragende Rolle spielen.
Eine entsprechend gute universitäre oder außer-universitäre Ausbildung, wie beispielsweise am Erum-Data Hub, ist daher essentiell. Nur gut ausgebildete Fachkräfte werden in der Lage sein, KI sicher, effizient und ressourcenschonend einzusetzen. Auch die Ausbildung im Rahmen des Physikstudiums und der Promotion kann hier einen wesentlichen Beitrag leisten. Der Dialog mit den anderen Naturwissenschaften und insbesondere der Informatik aber auch mit Philosophie (Ethik) und Psychologie sollte dabei nicht zu kurz kommen – ein sehr bereichernder Blick über den eigenen physikalischen Tellerrand hinaus.
DPG / DE
