00:00:00: Hi und herzlich willkommen zu einem Audio-Lernangebot der Charité und des KI-Campus, der Lernplattform für künstliche Intelligenz.

00:00:12: Ich bin Mike vom KI-Campus Team und ich freue mich riesig,

00:00:15: über das Thema KI und KI in der Medizin zu sprechen. Zu diesem Thema haben wir Kerstin Ritter zu uns eingeladen. Sie ist Juniorprofessorin für Computational Neuroscience an der Klinik für Psychiatrie und Psychotherapie an der Charité

00:00:31: hier in Berlin. Hi Kerstin! Kannst du dich vielleicht selbst kurz in einigen Sätzen vorstellen. Ja, hallo Mike. Ich freue mich sehr mit dir heute zu sprechen. Wie du schon gesagt hast

00:00:41: mein Name ist Kerstin Ritter, ich bin Juniorprofessoren für Computational Neuroscience an der Charité in Berlin und leite dort eine Arbeitsgruppe zu dem Thema Maschinelles Lernen in der klinischen Neurobildgebung.

00:00:53: Ich beschäftige mich hier mit der Frage, inwieweit man bestimmte neurologische und psychische Erkrankungen anhand von

00:01:00: Bildern des Gehirns diagnostizieren oder auch weiter charakterisieren kann. Kerstin, wie bist du zum ersten Mal mit dem großen Feld der KI in Verbindung gekommen?

00:01:10: Ja, ich habe

00:01:11: Mathematik studiert in Münster und Berlin und habe mich aber schon relativ früh auch für neurowissenschaftliche und psychologische Fragestellung interessiert und habe dann während des Studiums einen Vortrag von einer Wissenschaftlerin aus England gehört,

00:01:25: der mich so fasziniert hat,

00:01:28: dass ich in dieses Feld gehen wollte. Sie hatte nämlich eine Studie vorgestellt, in der sie maschinelles Lernen, was ja ein Teilgebiet von KI ist,

00:01:38: auf

00:01:40: Daten von Patienten mit Depressionen und ohne Depressionen angewendet und gezeigt, dass man mit diesen Methoden zwischen diesen Gruppen unterscheiden kann.

00:01:49: Und ich habe mich dann für einen Doktorandenprogramm am Bernstein Zentrum für Computational Neuroscience beworben und dann genau das gemacht: Mich weiter in maschinelles Lernen an der TU eingearbeitet,

00:01:59: mich in Neurobildgebung eingearbeitet und dann vor allen Dingen zunächst zu Multiple Sklerose gearbeitet und

00:02:04: dann im Laufe immer mehr, weitere Erkrankung hinzu genommen und auch von den Methoden das immer weiter

00:02:10: erweitert. Kerstin, was würdest du sagen in wenigen Sätzen: was ist für dich KI?

00:02:16: Also KI ist erstmal ein relativ weiter Oberbegriff, mit dem man versucht vielfältige Beispiele und Anwendung zu beschreiben, in denen Computer eingesetzt werden, um bestimmte Probleme zu lösen.

00:02:27: Bevor man sich jetzt aber fragt, was künstliche Intelligenz eigentlich bedeutet, muss man sich auch fragen, was man eigentlich sonst unter Intelligenz versteht.

00:02:35: In der Regel wird Intelligenz als eine Eigenschaft von Menschen oder auch teilweise von Tieren gesehen, die unterschiedlich stark ausgeprägt ist

00:02:44: und allgemein die Auffassungsgabe in ungewohnten Situationen beschreibt, also z.B. wie schnell man in der Lage ist, bestimmte logische oder sprachliche Rätsel zu lösen.

00:02:53: Aber würde man jetzt mehrere Intelligenzforscher nach einer Definition von Intelligenz befragen,

00:02:59: würde man ganz unterschiedliche Antworten erhalten. Der Hirnforscher Gerhard Roth sagt z.B., dass allgemeine Intelligenz im schnellen, effektiven Erkennen und Assoziieren besteht.

00:03:08: Es gibt aber auch weitere Definitionen wie z.B. fluide und kristalline Intelligenz oder auch weitere Intelligenz-Konzepte wie z.B. emotionale oder praktische Intelligenz

00:03:18: Wenn man jetzt zur künstlichen Intelligenz

00:03:22: kommt, ist die Frage, was meint man damit. Man versucht im Prinzip eine menschenähnliche Intelligenz zu erschaffen, also man möchte Computer so programmieren, dass sie bestimmte Probleme lösen können.

00:03:36: Was würdest du sagen, was ist der grundlegende Unterschied, zumindest zum jetzigen Stand, zwischen menschlicher und künstlicher Intelligenz?

00:03:45: Computer sind natürlich, oder auch

00:03:47: generell künstliche Intelligenz, sehr gut darin, schnell und quasi fehlerfrei Informationen zu verarbeiten. Sie können unglaubliche

00:03:56: Datenmengen prozessieren, die kein Mensch überblicken kann. Das sieht man auch sehr gut in der Medizin, wo ja auch sehr viele Daten anfallen. Und wenn man jetzt tausende Fallbeispiele hat,

00:04:06: dann ist das was, was ein Computer wesentlich besser

00:04:09: prozessieren kann. Ein Computer hat ein ewig langes Gedächtnis, man kann also beliebig viel Wissen anhäufen.

00:04:18: Aber Computer sind eben auch sehr spezialisiert, also man kann sie nur für bestimmte Aufgaben trainieren. Also man gibt eine bestimmte Aufgabe vor und dann sind sie eben

00:04:27: relativ gut darin, diese Aufgabe zu lösen. Menschen im Unterschied können sehr gut generalisieren, können Muster anhand von nur sehr wenigen Beispielen erkennen, sie können Sachen verstehen und durchdringen,

00:04:41: sie haben Empathie

00:04:44: und sie sind auch sehr flexibel und können auch kreative Lösungen entwickeln. Das geht auch in die Richtung von starker und schwacher KI.

00:04:52: Bei starker KI würde man annehmen, dass man wirklich was wirklich menschenähnliches erschafft, also jemand der selbstständig, völlig kreativ und eigenständig bestimmte Lösungen entwickelt.

00:05:03: Schwache KI ist, dass man dem Computer ein bestimmtes Problem gibt und der versucht dieses relativ spezialisiert

00:05:10: zu lösen und das ist im Moment das, was gemacht wird und was auch so erfolgreich ist.

00:05:15: Kannst du uns vielleicht ein oder zwei Beispiele nennen, wo die KI heutzutage möglicherweise schon besser ist und besser agiert oder besser funktioniert als menschliche Intelligenz.

00:05:28:  

00:05:29: Es gibt viele Beispiele, wo KI quasi fast so gut ist wie der Mensch. Zum Beispiel in der Bilderkennung wurden große Fortschritte gemacht oder auch Gesichter zu erkennen, die haben dann natürlich auch

00:05:42: viel mehr Daten zur Verfügung. Es gibt aber auch verschiedene Beispiele in der Medizin, wo

00:05:47: KI-Systeme mit menschlichen Experten verglichen worden sind und auch hier ist es so, dass KI-Systeme häufig das Level von Experten erreichen und teilweise sind die Experten auch besser in bestimmten Lösung. Aber es

00:06:04: zeichnet sich auch ein bisschen ab, dass sich Menschen und KI so ein bisschen ergänzen oder auch sich gegenseitig korrigieren können. Also z.B. kann die KI in einem System

00:06:13: besser sein und die Menschen sind wiederum in einem anderen System besser, so dass man quasi den Computer als eine..

00:06:20: als eine zweite Meinung, als ein zweites System ansieht.

00:06:25: Kerstin, du hast bereits den Begriff "Maschinelles Lernen" verwendet. Im Mainstream wird KI und maschinelles Lernen häufig gleichgesetzt, es wird nahezu synonym verwendet. Würdest du sagen, es ist tatsächlich synonym verwendbar oder bestehen Unterschiede zwischen

00:06:41: der Terminologie KI und maschinelles Lernen insbesondere. KI

00:06:48: ist ein Teilgebiet der Informatik, erstmal, und maschinelles Lernen wiederum ist ein Teilgebiet von KI.

00:06:56: Traditionell hat man unter KI vor allem regelbasiertes Lernen verstanden, also man

00:07:03: definiert als menschlicher Experte bestimmte Regeln, übergibt diese Regeln an einen Computer und dieser Computer hält sich dann an diese Regeln, um eine bestimmte Entscheidung zu treffen. Zum Beispiel könnte man an medizinischen Entscheidungsbaum denken.

00:07:16: Wenn bestimmte Werte höher sind, hier höher sind und woanders aber niedriger sind, dann ist das die oder jene Diagnose,

00:07:24: das heißt, der Computer führt im Prinzip einer Entscheidung nach menschlichen Regeln aus.

00:07:30: Maschinelles Lernen ist anders. Hier lernt der Computer selbstständig anhand von Beispielen. Das heißt, man gibt einen Computer oder einem Computerprogramm und da gibt es ganz unterschiedliche Algorithmen, die man verwenden kann,

00:07:42: ganz viele Beispiele, das können z.B. Bilder von Katzen und Bilder von Hunden sein und sag dann dem Computer, er soll

00:07:50: lernen zwischen Katzen- und Hundebilder zu unterscheiden

00:07:54: und der Computer versucht dann selbstständig, anhand von den Bildern Regeln zu extrahieren und eine möglichst gute Unterscheidung auch für neue

00:08:03: Daten zu erschaffen. Also das besondere ist, dass man dem Computer nicht Daten

00:08:08: später zeigt, nach dem Training, die er schon kennt, sondern dass man völlig neue Daten präsentiert, also neue Bilder von Hunden und Katzen und der Computer trotzdem noch gut darin ist, zwischen Katzen und Hunden zu unterscheiden.

00:08:20: Würdest du sagen oder könnte man sagen, maschinelles Lernen ist ein Teilgebiet der KI. Genau, so wäre es streng genommen, aber

00:08:29: meistens, wenn Leute von KI sprechen, meinen Sie genau wie du gesagt hast, meint man eigentlich maschinelles Lernen. Was jetzt noch dazu gekommen ist, ist das sogenannte Deep Learning, also das tiefgehende Lernen. Das sind Algorithmen, die besonders

00:08:44: erfolgreich sind, bestimmte Muster und Strukturen in Daten zu erkennen. Wie lange gibt es eigentlich schon KI?

00:08:52: Den Begriff KI und die Forschung gibt es schon relativ lange, so etwa seit den 1950er Jahren. Da gab 1956 eine erste Konferenz zu dem Thema, an der auch viele wichtige

00:09:06: Wegbereiter teilnahmen.

00:09:07: Es wurden hier auch erste neuroale Netzwerke entwickelt - das sogenannte Perceptron - und hat dann relativ schnell festgestellt, dass so ein einzelnes künstliches neuronales Netzwerk

00:09:21: bestimmte Probleme gar nicht so gut lösen kann. Deswegen gab es den sogenannten KI-Winter in den 1970er und 80er Jahren.

00:09:29: Hier wurde relativ wenig geforscht und dann ab den 80ern, Ende der 80er Jahre, wurden dann mehrschichtige neuronale Netzwerke entwickelt

00:09:38: und auch weitere Methoden, wie sogenannte Support-Vector-Machines.

00:09:43: Die richtig großen Durchbrüche sind eigentlich erst in den letzten zehn Jahren etwa entstanden und nicht nur weil neue Methoden entwickelt worden sind, sondern einfach weil wir

00:09:52: jetzt viel mehr Daten zur Verfügung haben, mit denen wir solche Systeme trainieren können. Und wir haben auch wesentlich höhere Rechnerkapazitäten.

00:10:00: Die Grundlage für KI, könnte man sagen, sind zunächst einmal Daten und eine große Menge von Daten.

00:10:07: Genau, das ist das Allerwichtigste: gute und große Mengen von Daten. Jetzt hast du auch schon den Begriff

00:10:15: neuronale Netze und neuronale Netzwerke benutzt. Kannst du uns ganz kurz erklären, was darunter zu verstehen ist?

00:10:23: Genau, künstliche neuronale Netzwerke bestehen aus künstlichen Neuronen und künstliche Neuronen sind eine Abstraktion von

00:10:31: biologische Neuronen, also Nervenzellen.

00:10:35: Und genauso wie bei biologischen Nervenzellen hat man ein bestimmtes Eingangssignal und ein bestimmtes Ausgangssignal.

00:10:43: In einem künstlichen Neuronen gewichtet man das Input-Signal und

00:10:48: appliziert dann noch eine Nicht-Linearität und schaut, ist jetzt dieses Neuron aktiv oder nicht aktiv. In einem künstlichen neuronalen Netzwerk verschaltet man ganz viele solcher künstlichen Neuronen ineinander. Man macht das meistens in Schichten,

00:11:04: sodass man am Anfang das Eingangssignal hat, das dann durch das neuronale Netzwerk durch geschoben wird,

00:11:11: und am Ende hat man dann das Ausgangssignal, das kann z.B. sein, ob man auf dem Bild eine Katze oder ein Hund gesehen hat und das Input-Signal, also das Eingangssignal wäre dann dementsprechend ein Bild von einer Katze oder einem Hund.

00:11:26: Kerstin, du hast gesagt, es hat eine Weile gedauert bis die KI den Durchbruch schaffte. Was würdest du sagen, kannst du uns eines der initialen Beispiele nennen, anhand derer man sagen kann, ok, das

00:11:38: war der Punkt, an dem KI tatsächlich auf der Bildfläche erschienen ist.

00:11:43: Ja, das ist eine schwierige Frage, weil auf so vielen unterschiedlichen Gebieten geforscht wurde und langsam immer bessere KI-Algorithmen

00:11:52: entwickelt worden sind.

00:11:54: Ein Beispiel ist z.B. Bilderkennung oder auch Spracherkennung. Da gibt's ja schon relativ lange Systeme, aber die sind jetzt eben immer besser geworden. Das liegt vor allen Dingen an diesem sogenannten Deep Learning. Ein Beispiel ist hier die sogenannte ImageNET

00:12:10: Challenge. Da geht es darum

00:12:14: ganz viele Bildkategorien zu klassifizieren, also man hat Millionen von Bildern, die von Google extrahiert worden sind und die alle gelabelt worden sind und dann

00:12:24: soll man ein System trainieren, das selbständig erkennt, ob jetzt auf dem Bild ein Vogel oder ein Haus oder was da eben eigentlich drauf zu sehen ist. Das ist eine Challenge, die in mehreren Jahren immer wieder stattgefunden hat

00:12:35: und man hatte hier relativ große Fehlerraten.

00:12:39: 2012 wurde dann das erste Mal ein tiefes neuronales Netzwerk angewendet und plötzlich waren die Fehlerraten deutlich geringer. Das war ein großer Sprung in der Klassifikationsgenauigkeit! In den nächsten Jahren wurden dann eigentlich nur noch Deep Learning Netzwerke

00:12:57: benutzt und der Fehler immer geringer gemacht. So ähnliche Beispiele gibt es auch in der Spracherkennung, bei denen auch gerade das Deep Learning dazu geführt hat, dass wir einen

00:13:07: riesigen Qualitätssprung gemacht haben. Aber es gibt natürlich auch aus ganz unterschiedlichen Bereichen Beispiele. Ein anderes Beispiel sind

00:13:17: Spiele. Da ist der große Durchbruch

00:13:20: AlphaGo oder auch AlphaZero. Das sind Computerprogramme, die es geschafft haben, die weltbesten Go-Player im Go spielen zu schlagen. Das ist vor allen Dingen deshalb so eindrucksvoll, weil

00:13:32: Go nicht nur ein sehr komplexes Spiel ist, sondern auch ein intuitives

00:13:36: Spiel, was man im Unterschied zu Schach nicht dadurch lösen kann, dass man alle möglichen Züge vorberechnet und dann guckt, was am wahrscheinlichsten einen Erfolg gibt,

00:13:47: sondern man muss das Spiel auf eine intuitive Weise begreifen. Was hier noch sehr eindrucksvoll ist: man hat am Anfang dem

00:13:56: Computer-Algorithmus ganz viele Partien gegeben, also wie Meister Go gespielt haben und hat dann den Computer anhand von diesem Partien lernen lassen. Die neueren Algorithmen benutzen aber sogenanntes Reinforcement Learning. Hier braucht

00:14:10: man gar keine Trainingsbeispiele, sondern man sagt dem Computer nur wie sind die Regeln

00:14:15: und spricht dann bestimmte Belohnungen aus und der Computer lernt dann selbstständig dieses Spiel zu spielen und entwirft dann selbstständig ganz viele Partien und das Besondere ist, dass der

00:14:27: Computer dann auch ganz viele neue Eröffnungspartien erfunden hat, die dann wieder Go-Experten sich angucken, inwieweit sie das in ihr eigenes Spiel aufnehmen können.

00:14:37: Was würdest du sagen, wo gibt es möglicherweise, wo findet KI heutzutage Anwendung

00:14:45: wo man es möglicherweise nicht vermuten würde?

00:14:48: Zunächst nochmal zu dem Paradebeispiel: Wo KI sehr wichtig ist, ist bei selbstfahrenden Autos, dieser ganze Bereich Bilderkennung, Computer Vision, also wenn man versucht einer Maschine das Sehen beizubringen, sodass ein Computer selbstständig, so wie wir, bestimmte Objekte

00:15:05: in Bildern erkennt oder auch bestimmte Emotionen und Stimmungen, Menschen und so weiter. Das ist so ein

00:15:11: Paradebeispiel und genauso auch die Spracherkennung. Weniger

00:15:16: erwartbar ist es in der Kunst, weil man natürlich denkt, dass vor allen Dingen der Mensch kreativ ist und die Frage ist, in  wie weit kann

00:15:25: eine Maschine auch Kunst erzeugt. Aber es gibt verschiedene Anwendung, mit denen gezeigt

00:15:31: wurde, dass auch KI-Algorithmen sehr schöne Kunst produzieren können, natürlich immer nur im Rahmen von den Möglichkeiten, die sie auch gelernt haben.

00:15:41: Ein Beispiel ist DeepArt. Hier kann man den Stil von ganz unterschiedlichen Gemälden auf ganz unterschiedliche Bilder übertragen. Das ist sehr schön und man kann sehr schöne Bilder erzeugen. Ein anderes Beispiel ist Musik.

00:15:55: Da kann man z.B. verschiedene Stile miteinander verbinden und dann auch neue Stücke erzeugen.

00:16:03: Ein weiteres Beispiel ist "Schreiben wie Shakespeare". Das sind Programme, die dann, wenn man einen kleinen

00:16:10: Input-Text schreibt, also beginnt eine Geschichte zu schreiben, der dann selbstständig die Geschichte weiter schreibt.

00:16:16: Das kann man auch selber mal ausprobieren und die Ergebnisse sind nicht immer überzeugend, aber man kann durchaus ganz nette Beispiele bekommen.

00:16:25: Sehr interessant. Wir sehen auch KI heutzutage in der Anwendung in den schönen Künsten. Aber vielleicht dann mal die Perspektive so ein Stück weit gedreht: was würdest du sagen, gibt es auch Bereiche wo man Miss-

00:16:39: brauch von KI auch sehen kann?

00:16:42: Ja, das ist wirklich eine, im Englischen würde ich sagen "powerful", also eine sehr leistungsstarke Technik und die kann natürlich missbraucht werden. Ein Beispiel ist, dass man

00:16:57: mit solchen Algorithmen es schaffen kann, Videos oder auch

00:17:01: Bilder so zu verändern, dass man nicht merkt, dass sie gefaked worden sind. Es wurde z.B. benutzt, um Obama beliebige Wörter in den Mund zu legen und das Gleiche kann man natürlich mit allen großen Regierungschefs und Chefinnen machen.

00:17:16: Und ja, da muss man

00:17:20: natürlich aufpassen. Oder ein anderes Beispiel ist, es gibt eine Studie bei der gezeigt wurde, dass man anhand von Portraits erkennen kann, ob jemand homosexuell ist oder nicht.

00:17:32: Die Studie wurde auch viel kritisiert und es sind auch nur bestimmte Bilder und es ist auch unklar, wie generalisierbar das ist. Aber

00:17:41: wenn man jetzt an Länder denkt, in denen darauf vielleicht die Todesstrafe steht und wenn man dann sowas benutzt und einsetzt und missbraucht,

00:17:50: dann ist eben auch die Frage: darf man sowas entwickeln oder nicht? Wenn wir es nicht entwickeln, entwickelt es jemand anderes? Die Algorithmen sind ja in der Regel frei verfügbar, die kann im Prinzip jeder benutzen und sie auch dann

00:18:03: für seine eigenen Zwecke einsetzen. Überwachung ist ein weiteres großes Thema, über das man auch streiten kann. Wie sinnvoll ist

00:18:13: der Einsatz?

00:18:15: Also könnte man sagen, dass ethische Aspekte untrennbar mit dem Thema KI verbunden sind oder fest verbunden sein sollten?

00:18:24: Ja, absolut! Ethik ist sehr wichtig. Man muss sich bei jeder Anwendung fragen, wofür wird sie eingesetzt, wie kann sie missbraucht werden,

00:18:32: wie kann man vor einem Missbrauch schützen? Und auch natürlich der gesellschaftliche Diskurs: Was für KI-Algorithmen wollen wir eigentlich? Wofür soll das eingesetzt werden

00:18:43: und wofür nicht?

00:18:45: Ja, es ist super interessant. Ich denke, wir werden auch in einer der nächsten Folgen auf das Thema KI und Ethik zurückkommen. Wir sind schon am Ende dieser Folge. Ich bedanke mich sehr herzlich bei Kerstin Ritter

00:18:58: und kann vielleicht schon vorwegnehmen, dass wir in der nächsten Folge einen Deep Dive in das Thema KI und KI in der Medizin

00:19:06: vornehmen werden. Okay, auf Wiedersehen und tschüss! Tschüss.