von Manuel Altermatt

Organisationen jeglicher Art und Grösse sind mehr denn je an einer vereinfachten Anwendungsentwicklung, an kürzeren Innovationzeiten, einer effizienten Skalierung und einem gleichzeitig reduzierten Technologierisiko interessiert. Der Aufbau und die Bereitstellung solcher Anwendungsfälle ist meistens mit bedeutenden Investitionen verbunden. Die Nutzung von Public-Cloud-Plattformen bietet sich deshalb an, denn diese vereinen künstliche Intelligenz (KI), maschinelles Lernen (ML) und das Internet der Dinge (IoT) in idealer Weise, da diese Dienste stets aktuell und kosteneffizient als Service angeboten werden.

Künstliche Intelligenz hat einen hohen Reifegrad erreicht. Sie ist heute ein wesentlicher Bestandteil vieler Consumer-Produkte und wird zum Beispiel erfolgreich zur Verbesserung von Suchergebnissen eingesetzt. In der Landwirtschaft, der Fertigungsindustrie, im Handel, dem Gesundheitswesen oder bei der Realisierung intelligenter Städte gibt es vielversprechende Use Cases für KI und ML. Es sind Einsatzgebiete wie die visuelle Inspektion, die vorbeugende Wartung, automatisch gesteuerte Fahrzeuge in der Logisitk, intelligente Verkehrssteuerungen oder die Roboterchirurgie. In diesen Szenarien werden mit innovativen und transformativen Ansätzen durchgängig Qualität, Genauigkeit und Kosten zugunsten einer optimierten Nutzererfahrung verbessert.

Nun können Faktoren wie branchen- oder länderspezifische Anforderungen an Compliance, Datensouveränität und Datenverarbeitung die Nutzung von Public-Cloud-Diensten vermeintlich einschränken. Ich denke hierbei an regulierte Sektoren wie die öffentliche Verwaltung, das Gesundheitswesen, die Telekommunikation oder das Finanz- und Versicherungswesen. Damit betroffene private und öffentliche Bereiche neueste Technologien wie KI- und ML-Modelle als Service noch besser nutzen und ausreizen können, sind neue Ansätze wie die Distributed Cloud sinnvoll. Diese bringt beispielsweise die Public-Cloud-Infrastruktur und Software bis an den Edge oder in den Kundendatenzentren, und erlaubt diesen die volle Kontrolle über die entsprechende Hard- und Software. Innovations- und Transformationsprojekte, und die damit verbundenen Chancen für Unternehmen und Endanwender, sind so mit einem Multi- und Distributed-Cloud-Ansatz auch für regulierte Sektoren zugänglich. Strenge Datensicherheits- und Datenschutzanforderungen schliessen also die Nutzung innovativer Cloud-Dienste wie KI, ML und IoT nicht länger aus. Diese können unter Einhaltung relevanter Richtlinien oder Vorschriften lokal bereitgestellt und über mehrere öffentliche Clouds hinweg vereinheitlicht werden.

Das Ziel von (Public-) Cloud-Anbietern muss es deshalb sein, Organisationen den Weg in die Cloud zu erleichtern. Mit transformativen Fähigkeiten, die helfen, schneller zu innovieren und kosteneffizient zu arbeiten, verfolgt auch Google Cloud einen Open-Source-basierten Multi-und-Distributed-Cloud-Ansatz und schafft so die grösstmögliche Flexibilität und Auswahl für die Innovation in Organisationen.

par Manuel Altermatt

Les organisations de tous types et de toutes tailles sont plus que jamais intéressées par un développement d’applications simplifié, des délais d’innovation plus courts, une échelle efficace et une réduction simultanée du risque technologique. La mise en place et la mise à disposition de ces applications impliquent le plus souvent des investissements importants. L’utilisation de plateformes Public Cloud est donc idéale, car elles combinent intelligence artificielle (IA), apprentissage automatique (ML) et Internet des objets (IoT) de manière idéale, ces services étant toujours mis à jour et proposés de manière rentable.

L’intelligence artificielle a atteint un haut niveau de maturité. Elle fait aujourd’hui partie intégrante de nombreux produits de consommation et est utilisée avec succès, par exemple, pour améliorer les résultats de la recherche. Dans l’agriculture, l’industrie manufacturière, le commerce, la santé ou la réalisation de villes intelligentes, certaines utilisations des IA et des ML sont très prometteuses. Il s’agit de domaines d’application tels que l’inspection visuelle, la maintenance préventive, les véhicules à commande automatique dans la logistique, les commandes de circulation intelligentes ou la chirurgie robotique. Dans ces scénarios, des approches novatrices et transformatrices améliorent constamment la qualité, la précision et les coûts, au profit d’une meilleure expérience des utilisateurs.

Or, des facteurs tels que les exigences sectorielles ou nationales en matière de conformité, de souveraineté et de traitement des données peuvent entraver l’utilisation des services publics en nuage. Je pense à des secteurs réglementés, tels que l’administration publique, la santé, les télécommunications, les finances et les assurances. Afin que les secteurs publics et privés concernés puissent utiliser et exploiter encore mieux les technologies les plus récentes comme les modèles IA et ML, de nouvelles approches telles que le Distributed Cloud sont judicieuses. Celle-ci permet par exemple d’apporter l’infrastructure de cloud public et les logiciels jusqu'à la périphérie du réseau ou aux centres de données clients et de leur donner le contrôle total du matériel et du logiciel correspondants. Les projets d’innovation et de transformation, et les opportunités qu’ils offrent aux entreprises et aux utilisateurs finaux, sont ainsi accessibles aux secteurs réglementés en utilisant une approche multi-cloud et distributed cloud. Des exigences strictes en matière de sécurité et de protection des données n’excluent donc plus l’utilisation de services cloud innovants tels que l'IA, le ML et l'IoT. Celles-ci peuvent être mises à disposition localement, dans le respect de directives ou de règles pertinentes, et être uniformisées sur plusieurs clouds publics.

L’objectif des fournisseurs de cloud (publics) doit donc être de faciliter l’accès des organisations au cloud. Avec des capacités de transformation qui permettent d’innover plus rapidement et de travailler de manière rentable, Google Cloud poursuit également une approche multi-cloud et distributed cloud basée sur l’open source et crée ainsi la plus grande flexibilité et le plus grand choix possible pour l’innovation au sein des organisations.

(cdh) – Im Internet der Dinge werden Gegenstände mit elektronischer Intelligenz ausgestattet. IoT-fähige Geräte erfassen, verarbeiten und übertragen Daten, die sie aus ihrer unmittelbaren Umgebung beziehen. Folglich müssen sie erstens fähig sein, Daten zu registrieren. Und zweitens, mit einer eindeutigen Identität (Adresse) drahtlos oder drahtgebunden, ans Internet angeschlossen werden können. Zumindest wenn die gesammelten Daten in der Cloud gespeichert und analysiert werden sollen.

Hier eine kleine Übersicht über die verschieden Arten von Chips, die im IoT zum Einsatz kommen:

• Passive RFID-Chips (Radio Frequency Identification), z. B. als Aufkleber zum Diebstahlschutz in Geschäften, im Skiabonnement oder Reisepass integriert oder zur Identifizierung von Paketen. Sie bestehen aus einem Aufkleber, in dem sich eine Antenne als Kopplungselement und eine Codierung verbirgt. Sendet ein RFID-Lesegerät ein entsprechendes Funksignal, «antwortet» der RFID-Chip innerhalb eines begrenzten Radius.
• RFID-Chips mit Speicherfunktion und mehr Reichweite können nicht nur ihre eigene Kennung, sondern auch Daten (z. B. Messdaten von Temperatur, Druck oder Feuchtigkeit in ihrer unmittelbaren Umgebung) übermitteln.
• IoT-Platinen mit USB- oder WLAN-Module kommen zum Einsatz, wenn Geräte vor Ort mehr Daten als nur einfache Sensorinformationen speichern und, übers Internet, auch über weite Strecken hinweg übertragen können sollen.
• IoT-Platinen mit Mobilfunkanbindung schliesslich sind die Brücke zu noch intelligenteren Prozessen (z. B. in der Logistik oder der autonomen Mobilität). Denn durch die mobile Anbindung werden die vernetzten Produkte frei beweglich und können von jedem denkbaren Ort aus Daten übertragen.

Mit IoT können Dinge plötzlich eine Menge. Beispielsweise werden sie eingesetzt:

• Als Türschlüssel mit eingebautem RFID-Chip und die passenden Lesegeräte
• In Zutrittskontrollen jeglicher Art
• Für die Paket- und somit Warenverfolgung über das Internet
• Als IC-Chips (integrierte Schaltungen oder, auf Englisch, Integrated Circuits) in Verbrauchsmaterialien wie Druckerpatronen (Füllstandskontrolle)
• Als automatische Bestell-Buttons an Geräten
• In Anwendungen zur Umweltbeobachtung (beispielsweise der Luftqualität)
• Für Smart City-Anwendungen jeglicher Art
• Zur Überwachung komplexer mechanischer Geräte und deren Optimierung
• In der Medizintechik, z. B. als Wearables oder mobile Blutdruckmessgeräte
• In Netzwerk-Kameras (IP-Kameras) zur Objektüberwachung
• In der sich selbst organisierenden Produktionsumgebung einer Smart Factory

Das Liefern, Sammeln und Übertragen von Daten allein macht die Dinge zwar intelligenter als sie es zuvor waren. Gleichzeitig aber noch nicht wirklich intelligent. Das werden sie erst in Kombination mit der Künstlichen Intelligenz. Denn erst wenn zu den Echtzeit-Analysen, die IoT-Geräte durchführen können, auch die Post-Event-Analysen kommen, zu der die KI fähig ist, erst dann also, wenn in den gespeicherten Daten Muster erkannt und daraus Schlüsse gezogen und Erkenntnisse abgeleitet werden, wird es wirklich intelligent. Und das geschieht, seit die Kosten für KI signifikant gesunken sind und die Anwendungsreife zunimmt, immer häufiger. Darum geht es in den nächsten Seiten.

von Adrian Bolliger

Digitalisierung, Industrie 4.0, IoT, KI und 5G: In modernen Fabriken entstehen heute immense Datenmengen. Weil diese geschäftskritisch sind und oft mit kurzen Latenzen verarbeitet werden müssen, benötigen die Unternehmen viel Rechenleistung in unmittelbarer Nähe zu den Maschinen und Anlagen.

Um ihre Wettbewerbsfähigkeit zu erhöhen, müssen Fertigungsunternehmen immer mehr Prozesse automatisieren und digitalisieren, damit sie ihre Produktion schnell und flexibel an neue Anforderungen anpassen können.

Der erste Schritt zu einer «Smart Factory» besteht darin, die Maschinen und Anlagen zu vernetzen – je nach den Gegebenheiten vor Ort mittels Kabeln, WiFi oder 5G. Anschliessend sind die anfallenden Daten zu messen, zu sammeln und in digitale Verarbeitungssysteme zu übertragen. Hier stehen Unternehmen vor einer wichtigen Entscheidung: Wo sollen sie die vielen Daten analysieren: in einem zentralen Rechenzentrum, in der Cloud oder vor Ort?

Datenanalyse vor Ort

Es gibt produktionsrelevante und sensible Daten, die möglichst schnell zu verarbeiten sind. Für solche Daten kommen die ersten beiden Optionen oft nicht in Frage. Denn ihre Übertragung in ein zentrales Rechenzentrum oder in die Cloud dauert häufig zu lange, und unterwegs besteht die Gefahr, dass die Informationen ausgespäht werden.

Darum sollte man geschäftskritische Daten nach Möglichkeit direkt vor Ort auswerten. Das gewährleistet kurze Latenzzeiten und eine hohe Sicherheit. Zudem müssen die riesigen Datenmengen so auch nicht über das Internet zur Cloud und zurück übermittelt werden. Nur für übergreifende, allgemeine Analysen oder eine weitere Verarbeitung dieser Daten ist eine Bearbeitung in einem zentralen Rechenzentrum oder in der Cloud nötig. Doch auch dazu muss man sie zunächst zusammenfassen und komprimieren, um die Übertragungs- und Rechenkapazität zu minimieren.

^{Das Dätwyler Mini-Micro-Datencenter (Foto: Dätwyler).}

Verarbeitung in Echtzeit

Um die benötigten Rechenkapazitäten direkt an den Maschinen bereitzustellen, setzen immer mehr Fertigungsunternehmen auf ein kleines, kompaktes Rechenzentrum vor Ort, sogenannte Micro- oder Mini-Datacenter. Das sogenannte Edge-Computing bietet viele Vorteile: Die Prozesse können in Echtzeit ablaufen und Daten-, Entscheidungs- und Aktionslatenzen lassen sich deutlich reduzieren. Neben der Schnelligkeit profitieren Unternehmen auch von einer grösseren Zuverlässigkeit. Denn selbst bei einem Ausfall der Internetverbindung oder des Unternehmensnetzwerks arbeiten diese Micro- oder Mini-Datacenter problemlos weiter. Sie benötigen nur die Verbindung zur Maschine und einen Stromanschluss, um die vernetzten Geräte zu steuern. So ermöglicht es, die lokale Datenverarbeitung auch an entlegenen Orten schnell und unterbrechungsfrei zu arbeiten. Sobald die Internetverbindung wieder steht, können sie die aggregierten Daten an die übergreifenden Analysesysteme schicken.

Ein solch autarkes System kann mögliche Probleme an der Maschine selbstständig und frühzeitig erkennen und lösen. Damit lassen sich Ausfallzeiten deutlich reduzieren oder sogar vollständig vermeiden. Neben der «Predictive Maintenance» können Edge-Systeme bei Industrie 4.0 auch für die automatische Korrektur von Produktabweichungen bei der Massenfertigung oder für die individuelle Einstellung der Maschinen zur Einzelfertigung sorgen.

Zukunftsfähige IT-Infrastruktur

Solche Lösungen für das Edge-Computing sind damit wichtige Bausteine für intelligente Fabriken, in denen sich Fertigungsanlagen und Logistiksysteme ohne menschliche Eingriffe weitgehend selbst organisieren, um die gewünschten Produkte herzustellen. Entsprechend sind diese Lösungen auf dem Vormarsch: Laut Marktforschungs- und Beratungshaus ISG weist das Edge-Computing Wachstumsraten von mehr als 30 Prozent jährlich auf. Gemäss einer Studie des Netzwerkausrüsters Aruba nutzen bereits knapp drei Viertel der IT-Führungskräfte weltweit Edge-Computing-Technologien. Einer Dätwyler Studie aus dem Jahr 2020 zufolge geben in der DACH-Region 47 Prozent der mittelständischen Unternehmen die Datenverarbeitung an der «Edge» als Investitionsbereich für die kommenden Jahre an.

Praktisches Beispiel in Altdorf

Zur Vorbereitung auf diese Zukunft hat Dätwyler IT Infra am Standort Altdorf den Prototypen einer hochmodernen IoT/5G-Anwendung entwickelt, um die eigenen Produktionsprozesse zu digitalisieren. Interessenten können sich diese Lösung live anschauen. Mit einem einfachen Gateway und den Borddaten der Produktionsanlage lässt sich der Mantelverbrauch der Kabelproduktion in Echtzeit verfolgen. So können die Anlagenführer genauer an Toleranzen fahren und hohe Qualitätsstandards bei laufender Kostenoptimierung einhalten.

Im praktischen Einsatz zeigen sich dabei folgende Vorteile:

• Kurze Reaktionszeiten durch unmittelbare Nähe zur Datenquelle
• Unterstützung der dezentralen Datenverarbeitung
• Automatische Steuerung von Maschinen und IoT-Geräten
• Leistungsfähige Anbindung an das Internet
• Komplettes IT-Equipment in einem oder mehreren Racks
• Strategische Nähe zu Nutzern und Geräten
• Unterstützung aller Protokolle und Verbindungen (5G/WiFi, Kupfer-/Glasfaserkabel)
• Optimale physikalische und Cyber-Sicherheit
• «Tier-Level» ist so hoch wie der des zentralen Rechenzentrums und der Cloud

Micro- und Mini-Datacenter

Ein Micro-Datacenter sollte sich immer in direkter Nähe der Maschinen oder der IoT-Geräte befinden, um die Vorteile optimal zu nutzen. Für die genaue Ausgestaltung der Infrastruktur anhand der individuellen Anforderungen sind Experten einzubinden. Sie kümmern sich um die kabelgebundene und kabellose Vernetzung der Maschinen sowie die Bereitstellung der Rechenzentren und der zugehörigen Räume inklusive Stromanbindung, Klimatisierung und Absicherung.

Für die Produktion in Altdorf fiel die Entscheidung, eine Edge-Cloud in einem Mini-Datacenter zu betreiben. Für diese Edge-Cloud kommt eine Lösung mit hyperkonvergenten Infrastrukturen (HCI) zum Einsatz, die Hardware- und Software-Stacks umfasst. Das Mini-Datacenter ist eine Plug-and-Play-IT-Infrastrukturlösung, mit der sich kleine Rechenzentren und Edge-Computing-Anwendungen massgeschneidert für den jeweiligen Bedarf betreiben lassen. Für die IoT-Plattformen, Server-, Storage- oder KI-Lösungen stehen Technologiepartner mit dem nötigen Know-how zur Verfügung.

Fazit

Durch die Zeit- und Kostenersparnis aufgrund von Automatisierung, Digitalisierung und vereinfachtem Remote-Management rechnen sich in der Regel die Investitionen in Edge-Systeme schnell. Alle Einzellösungen lassen sich in hybride Systeme einbetten. So können systemkritische Edge-Lösungen nahtlos mit weniger systemkritischen Cloud-Lösungen für Analyse und Monitoring integriert werden. Fertigungsunternehmen erhöhen ihre Wettbewerbsfähigkeit mit Edge-Cloud-Lösungen deutlich. Denn sie ermöglichen viele neue Applikationen und Geschäftsmodelle, um auch in Zukunft erfolgreich zu sein.

von Marc Pouly und Simone Lionetti

Immer wieder liest man in diesen Tagen von den wahrlich erstaunlichen Fortschritten der Künstlichen Intelligenz. Sie besiegt den Menschen in allen von ihm jemals ersonnenen Strategiespielen, übertrifft menschliche Experten in der medizinischen Diagnostik und macht auch vor unserer Kreativitätsbastion nicht länger halt. Längst werden von KI erschaffene Portraits versteigert und TV-Serien nach deren Drehbuch produziert. In gleichem Masse durchdringt die Künstliche Intelligenz unseren Alltag, sei es beim Freischalten des Smartphones mittels Gesichtserkennung oder beim vorweihnachtlichen Online-Shopping. All diesen Beispielen liegt eine Technologie zugrunde, die wir heute als Neuronale Netze oder Deep Learning bezeichnen, und ihr Durchbruch war alles andere als absehbar.

Theodore Maiman, Vater der Lasertechnologie, bezeichnete seine Erfindung einstmals als «Lösung auf der Suche nach einem Problem». Rund 60 Jahre später stellt wohl niemand mehr die Bedeutung des Lasers für die Sensorik, Medizin oder Kommunikation in Abrede. Ähnlich erinnert sich auch der Schreibende dieses Textes an sein eigenes Informatikstudium zu Beginn der Jahrtausendwende, als der Professor im Hörsaal neuronale Netze ganz nonchalant mit der Bemerkung abhandelte, dass dies sowieso nicht funktionieren würde. Bereits damals blickten neuronale Netze auf eine 60-jährige Historie zurück, und es sollte noch 15 weitere Jahre bis zu ihrem Durchbruch dauern. Alles begann zum Jahreswechsel 2016 – dem Annus Mirabilis der Künstlichen Intelligenz.

2016 – Als Computer das Sehen lernten

Jedes Jahr treten die weltweit führenden Forschungsgruppen in der Bildanalyse an der ImageNet Challenge gegeneinander an. ImageNet ist eine öffentliche Bilddatenbank mit über 14 Millionen Bildern, welche von freiwilligen Helfern in knapp 22’000 Kategorien eingeteilt wurden. Auf diesen Daten werden Modelle trainiert und später auf einem geheim gehaltenen Testset evaluiert. Da viele Bilder Objekte mehrerer Kategorien zeigen, werden sowohl die Top-1 wie auch die Top-5 Fehlerraten der Modelle bestimmt. Bei der Top-5 Evaluation dürfen die Modelle also fünf Kategorien für das Bild vorschlagen, unter denen sich die richtige Zuordnung befinden muss. Abbildung 1 zeigt die Resultate der Wettbewerbsgewinner seit der erstmaligen Durchführung im Jahr 2010. Die menschliche Leistung in der Bestimmung der korrekten Kategorie wird auf eine Top-5 Fehlerrate von 5.1% geschätzt. Am 10. Dezember 2015 verkündete die New York Times den grossen Durchbruch: Eine Künstliche Intelligenz namens ResNet von Microsoft Research gewann die ImageNet Challenge und durchbrach dabei erstmals die Schallmauer der menschlichen Leistung.

^{Top-1 und Top-5 Fehlerrate der ImageNet Gewinnerteams seit Beginn des Wettbewerbs im Jahr 2010. Das Top-1 Resultat von 2011 wurde nicht erhoben.}

Ein digitales Bild ist eine Zahlenmatrix pro Farbkanal, woraus eine Abbildung auf 22’000 unterschiedliche Kategorien erstellt werden muss. Dieses elementare Verständnis pulverisiert ein verbreitetes Vorurteil gegenüber der modernen Künstlichen Intelligenz, nämlich dass es sich dabei um ein von Menschen erdachtes Regelwerk handelt. Bei einer durchschnittlichen Auflösung von 482x418 Pixel pro Bild mit drei Farbkanälen in ImageNet müsste der Mensch also aufgrund von 604'428 Zahlen dem Computer einprogrammieren, wie ein Dalmatiner von einer Perserkatze zu unterscheiden ist. Ein hoffnungslosen Unterfangen!

Deep Learning Revolution

In den frühen Jahren der ImageNet Challenge konnten selbstlernende Algorithmen keine rohen Pixelwerte verarbeiten. Die Support Vector Machine, das damals erfolgreichste Verfahren, war also darauf angewiesen, dass in einem Vorverarbeitungsschritt charakteristische Bildmerkmale mittels Bildfiltern extrahiert wurden, welche sie dann auf Kategorien abzubilden lernte. Sie war also auf Gedeih und Verderb von der Auswahl geeigneter Bildfilter durch den menschlichen Programmierer abhängig. Rückblickend kamen diese Systeme nie an die für industrielle Anwendungen geforderte Leistungsfähigkeit heran. Den Wendepunkt markierte das Jahr 2012, als mit AlexNet erstmals ein Deep Learning Verfahren die ImageNet Challenge gewann, und zwar gleich mit einer Verbesserung um 10% in der Top-5 Fehlerrate gegenüber der Support Vector Machine als Vorjahresgewinnerin.

Mit Neuronalen Netzen zum Paradigmenwechsel

Deep Learning basiert auf sogenannten Neuronalen Netzen, einem durch das biologische Neuron inspirierte Verfahren des Maschinellen Lernens, dessen Grundzüge bereits 1943 von einem Neurophysiologen und einem Mathematiker skizziert wurden. Ein einzelnes künstliches Neuron, wie in Abbildung 2 dargestellt, wendet eine nichtlineare Transferfunktion auf eine gewichtete Summe seiner Inputwerte an. Nun werden tausende solcher künstlichen Neuronen in Schichten angeordnet, so dass der Output einer früheren Schicht den Input einer späteren Schicht liefert. Die Gewichte aller einzelnen Neuronen bilden dabei die Parameter des Systems, deren Werte in einem sehr rechenintensiven Trainingsprozess unter Zuhilfenahme bereits kategorisierter Trainingsdaten ermittelt werden.

^{Ein künstliches Neuron berechnet eine nichtlineare Funktion einer gewichteten Summe seiner Eingabewerte, y=f(w₁x₁+⋯+w_n x_n+b), wobei x_i die Eingabewerte und w_i die aus den Trainingsdaten gelernten Gewichte darstellen.}

Werden die gelernten Gewichte über die verschiedenen Schichten hinweg visualisiert, so fällt auf, dass frühere Schichten eigenständig primitive Bildstrukturen zu erkennen lernen und damit die Bildfilter imitieren. Der entscheidende Unterschied liegt also darin, dass neuronale Netze diese Bildfiltern selbstständig aus den Daten lernen. In späteren Schichten werden diese Informationen automatisch zu komplexeren Merkmalen kondensiert und schlussendlich auf eine Wahrscheinlichkeitsverteilung über die möglichen Bildkategorien abgebildet. Computer begannen also die menschliche Leistungsfähigkeit zu übertreffen, nachdem sie von der expliziten Eingabe menschlichen Wissens befreit werden konnten.

Big Business in Artificial Intelligence

Nicht nur für uns Menschen gehört das Sehen zu den wichtigsten Voraussetzungen, um erfolgreich mit unserer Umgebung interagieren zu können. Als eine Künstliche Intelligenz namens AlphaGo 2017 den damalige Weltmeister Ke Jie im Brettspiel GO schlug, war dies zweifellose eine Meisterleistung und damit ein historisches Ereignis in der Entwicklung der Künstlichen Intelligenz. Das zuverlässige Kategorisieren und Segmentieren von Objekten auf Bildern hat aber ungleich weitreichendere Bedeutung, sei es für die medizinischen Diagnostik, für autonome Fahrzeuge, die automatisierte Schädlingsbekämpfung in der Landwirtschaft oder für die optische Qualitätskontrolle in der produzierenden Industrie. So gesehen markiert der Durchbruch von 2016 in der Bildanalyse auch gleichzeitig den Beginn von Big Business in Artificial Intelligence.

Aktuelle Herausforderungen und Entwicklungen

Neuronale Netze berechnen ihre Resultate aufgrund von Millionen von Parametern, welche zuvor in einem oftmals tagelangen Rechenprozess unter Miteinbezug von zehntausenden durch Menschen annotierte Daten festgelegt wurden. Zurecht stellt sich dabei die Frage, was ein neuronales Netz nun tatsächlich gelernt hat und inwiefern sich dieses gegenüber Menschen erklären lässt. Handelt es sich bei der Anwendung um eine optische Entriegelungsfunktion einer Katzentür, so sind die meisten Kunden durchaus gewillt, diese Intransparenz zu akzeptieren. Interessanterweise stimmt diese Aussage sogar für höchst sicherheitsrelevante Systeme. Vielleicht nutzen auch Sie die Smartphone Gesichtserkennung für den Zugriff auf Ihre privaten Daten und vertrauen damit einem neuronalen Netz, dessen erlerntes Wissen sich nicht einmal seinen Entwicklern erschliesst. Weitaus differenzierter gestaltet sich diese Beziehung in medizinischen Anwendungen. Zu Recht ist die Erklärbarkeit von Modellen eines der aktivsten und dringendsten KI Forschungsfelder, insbesondere im Hinblick auf die medizinische Zulassung solcher Verfahren.

Eine weitere Herausforderung ergibt sich aus dem beinahe unstillbaren Datenhunger moderner Deep Learning Modelle. Mit zunehmender Anzahl Neuronen und Schichten steigt gleichsam die Anzahl Optimierungsparameter, und je mehr Parameter durch den Trainingsprozess optimiert werden müssen, desto mehr Trainingsdaten und Rechenressourcen müssen zur Verfügung stehen. ResNet, der ImageNet Gewinner von 2015, hatte rund 60 Millionen Optimierungsparameter. Vor wenigen Wochen veröffentlichten Microsoft und Nvidia ein neuronales Sprachmodell mit über 500 Milliarden Optimierungsparametern.

Somit stellt sich zurecht die Frage, inwiefern diese Technologie überhaupt in unseren Unternehmen zum Einsatz kommen kann. Die Antwort liefert die wohl wichtigste Entwicklung für die Industrialisierbarkeit von Künstlicher Intelligenz in den letzten Jahren. So wie wir unseren Kindern das Lesen und Schreiben in der Schule beibringen, um junge Erwachsene später im Lehrbetrieb domänenspezifisch auszubilden, lassen sich diese Modelle auf riesigen, allgemeinen Datenbanken vortrainieren. Wir bezeichnen dieses Vorgehen als Transfer Learning. Google, Facebook und Co. stellen mittlerweile ganze Bibliotheken von vortrainierten Modellen zur Verfügung, die wir mit wenigen Tagen Aufwand und überschaubaren Datenmengen anwendungsspezifisch anpassen können. Zur Illustration: Das initiale Training von GPT-2 vom November 2019 mit immerhin 1,5 Milliarden Optimierungsparametern würde auf einer modernen Cloud Infrastruktur schätzungsweise 35'000 Euro kosten, während das Transfer Learning des vortrainierten Modells mit lediglich 300 Euro zu Buche schlägt.

Mittlerweile haben neuronale Netze weitestgehend alle anderen Verfahren der Künstlichen Intelligenz für die Verarbeitung von unstrukturierten Daten wie Bilder, Texte, Video und Audio verdrängt. Dabei werden auch wir Forschenden tagtäglich von neuartigen und innovativen Anwendungen überrascht. Stellen Sie sich vor: Sie sitzen im Restaurant, zücken Ihr Smartphone, fotografieren den servierten Teller und ein neuronales Netz schreibt Ihnen das Kochrezept – mit Zutatenlisten, detaillierten Mengenangaben und Zubereitungsinstruktionen. Schon 2019 hat Facebook ein Modell veröffentlicht, das genau dazu in der Lage ist. Schlussendlich war es jedoch die brillant einfache Idee des Transfer Learnings, welche den Datenhunger der KI gezähmt und damit ihre breite industrielle Nutzung, insbesondere auch für unsere KMUs als Rückgrat und Innovationsmotor der Schweizer Wirtschaft, erst möglich gemacht hat.

(cdh) – KI-​Anwendungen gibt es heute in so unterschiedlichen Forschungsgebieten wie Naturwissenschaften, Ingenieurwissenschaften, Robotik, Gesundheit, Fertigung, Klima, Umwelt, Energie, Mobilität, Architektur, Bauwesen, Design, Gesellschaft, Recht oder Sicherheitspolitik.

Auch im Alltag ist KI schon angekommen. Ein paar interessante Beispiele:

	Wettervorhersage: Der Frosch hat ausgedient. Dasselbe gilt teilweise auch schon für komplexe physikalische Modellierungen und aufwendige statistische Berechnungen. KI-Verfahren können aus meteorologischen Daten sowie Daten von Ökosystemen präzise Wettervorhersagen liefern oder meteorologische Extremereignisse vorhersagen. Das ist für Behörden, Gesellschaft sowie für viele Wirtschaftszweige von grosser Bedeutung.
	Medizin: Für medizinische Anwendungen trainierte KI-Modelle können Ärtzinnen und Ärzte bei der Diagnose unterstützen. Beispielsweise indem sie auf schwarz-weissen Ultraschallaufnahmen Krebsknötchen zuverlässiger erkennen als das menschliche Auge. Sieben der zehn grössten Kantons- und Unispitäler in der Schweiz setzen laut dem «Tagblatt» schon heute standardmässig KI ein.
	Biologie: Dass die Impfstoffe gegen Covid in Rekordzeit entwickelt werden konnten, hat ebenfalls viel mit KI zu tun. Weil sie es ermöglicht, die dreidimensionalen Strukturen hochkomplexer Zielproteine, die bisher mit grosser Genauigkeit vorherzusagen. Bisher geschah dies in einem langwierigen und mühsamen experimentellen Prozess.
	Mobilität: Dank KI wird autofahren sicherer und komfortabler. KI-gestützte Fahrasisstenzsysteme halten die Spur, parken ein, messen Distanzen oder leiten bei Bedarf die Notbremsung ein. Und am Steuer einschlafen kommt bei ihnen garantiert nicht vor. Bereits sind die meisten Neuwagen mit solchen elektronischen Schutzengeln ausgestattet.
	Energie: Moderne Smartphones ziehen Schlüsse aus dem Userverhalten. Und wissen dann, zu welchen Tageszeiten sie nicht benutzte Apps schliessen oder das Display dimmen können, um den Akku zu schonen.
	Musik: Musikerkennungs-Apps gibt es schon eine ganze Weile. Unlängst hat nun Computer mithilfe Künstlicher Intelligenz (KI) die «Unvollendete» von Ludwig van Beethoven zu Ende komponiert. Aus zahlreichen Sinfonien, Klaviersonaten und Streichquartetten erlernte die KI die einzigartige Handschrift des Komponisten, dessen Genie ja eben gerade ausmachte, dass er sich nicht immer an die Regeln hielt. Und errechnete dann mögliche Variatonen dazu, wie die 10. Sinfonie hätte weitergehen können. Am 9. Oktober 2021, fast 195 Jahre nach Beethovens Tod wurde dessen letzte Sinfonie in Bonn uraufgeführt.
	Sprache: Maschinelle Übersetzungssysteme wie DeepL werden laufend besser. Denn je länger sie das Übersetzen trainieren und aus ihren Fehlern lernen, desto präziser finden sie in der Folge die genau richtige Wendung. Das hilft nicht zuletzt dabei, Sprachbarrieren abzubauen. Zum Beispiel indem Spracherkennungs- und Übersetzungsalgorithmen die Untertitel in Social-Media-Posts oder Youtube-Videos automatisiert in (fast) jede beliebige Sprache übertragen.

^{Icons made by Pixel perfect from www.flaticon.com}

von Andres Marti

Raphael Sznitman leitet das neue Zentrum für künstliche Intelligenz der Universität Bern und des Inselspitals. Die Erwartungen in die neuen Technologien sind hoch. Es gibt aber auch Risiken.

Herr Sznitman, werden wir bald nur noch von Robotern operiert?

Dass Roboter bei Operationen eingesetzt werden, ist nicht neu. Auch am Inselspital haben wir in den letzten Jahren entsprechende Prototypen entwickelt. Allerdings übernimmt der Chirurg bei diesen roboterunterstützenden Operationen immer noch die Verantwortung. Das wird sich meiner Meinung nach auch nicht so schnell ändern. Im Moment geht es eher darum, die Schnittstelle zwischen Mensch und Maschine zu verbessern.

Der Medizinstandort Bern setzt stark auf künstliche Intelligenz (KI). Können Sie ein aktuelles Beispiel nennen, wo diese in der Medizin zur Anwendung kommt?

KI kann auch bei ganz neuen Fragestellungen in der Medizin hilfreich sein, etwa dabei, wie Covid-19 rasch und zuverlässig diagnostiziert und wie die Therapie genau auf den einzelnen Betroffenen zugeschnitten werden kann. Ein anderes aktuelles Beispiel ist eine Studie des Inselspitals und der Universität Bern, die zeigt, dass KI die Fertigkeit von Chirurginnen und Chirurgen zuverlässig beurteilen kann. Dies ist ein Schritt hin zur Entwicklung von Assistenzsystemen, die Chirurginnen und Chirurgen während der Operation unterstützen können – unter anderem, indem sie darauf hinweisen, wenn sie eine Ermüdung feststellen, und so zur Vermeidung von Komplikationen beitragen.

Wo wird KI in der Medizin sonst noch eingesetzt werden?

KI ist heute vor allem bei der automatischen Bilderkennung weit fortgeschritten – denken Sie etwa an Software zur Gesichtserkennung oder autonome Fahrsysteme. Die Software wird dabei mit möglichst vielen Bildern gefüttert und so darauf trainiert, bestimmte Muster zu erkennen. In der Medizin ist das derzeit vor allem dort interessant, wo KI unterstützt, eine Diagnose zu erstellen. Mithilfe von selbstlernenden Programmen könnte künftig etwa Krebs auf Röntgenbildern früher entdeckt werden.

Und wer trägt die Verantwortung, wenn die Software den Tumor übersieht?

Die meisten Systeme werden heute so programmiert, dass sie lediglich eine Empfehlung abgeben. Sie identifizieren Auffälligkeiten, die Verantwortung trägt aber weiterhin der Arzt oder die Ärztin. Die KI soll dabei in erster Linie ein zusätzliches Werkzeug sein und so das Gesundheitspersonal entlasten.

Auch in der Notfallmedizin soll künftig KI zum Einsatz kommen. Wie das?

Neben der Unterstützung bei Diagnosen kann KI künftig auch bei der Entscheidungsfindung zum Einsatz kommen. Stellen Sie sich vor, es ist Neujahr und der Notfall im Inselspital überfüllt mit Patienten. Wer soll zuerst behandelt werden? Bei wem ist das Risiko zu sterben am höchsten? Eine Software könnte unter Berücksichtigung möglichst vieler Daten Empfehlungen abgeben und die Triage so erleichtern.

Warum soll das eine Maschine besser können als eine gut ausgebildete Ärztin?

Auch Menschen vergleichen Daten und suchen nach Mustern und Regeln. Bei grossen Datenmengen sind Maschinen aber viel schneller und uns deshalb überlegen.

Das Zentrum für künstliche Intelligenz wird neben der Insel-Gruppe auch gemeinsam mit den Universitären Psychiatrischen Diensten eröffnet. Was hat die Psychiatrie mit KI zu tun?

Hier bin ich kein Experte. Aber es geht auch hier einerseits um Bilderkennung. Auf Gehirnscans lassen sich etwa psychische Krankheiten oder Dispositionen heute schon feststellen. Mithilfe von KI könnten auch hier bereits früh Krankheiten erkannt und entsprechende Therapien vorgeschlagen werden. Ausserdem könnten künftig Daten aus Umgebungssensoren etwa anzeigen, wenn sich die psychische Gesundheit eines Menschen verschlechtert.

Das hört sich gruselig an.

Es ist klar, dass auch künftige Diagnosen für psychische Krankheiten nur im Gespräch mit Fachpersonen zustande kommen werden. Und es ist wichtig, dass es bei diesem Thema immer auch um ethische Fragen geht. Unser Zentrum besitzt darum ein integriertes Ethik-Labor.

Der Einsatz von KI im Gesundheitsbereich ist jedenfalls heikel: So wird in den USA etwa eine Software eingesetzt, die Personen mit besonderem Pflegebedarf identifizieren soll. Nun hat sich gezeigt, dass schwarze Menschen bei gleicher Krankheitsschwere seltener vorgeschlagen wurden als weisse Menschen.

Man spricht hier auch von KI-Bias, also unerwünschten Verzerrungen durch fehlerhafte Programmierung. Dazu kann es auch kommen, wenn man die Programme beispielsweise nur mit Daten von Männern füttert, was zur Benachteiligung von Frauen führen würde. Solche Fehler müssen unbedingt vermieden werden! Mittlerweile ist man sich dieser Probleme in der KI-Forschung aber bewusst.

Die KI-Forschung ist auf grosse Datenmengen angewiesen. Wie kann da gleichzeitig der Datenschutz gewährleistet werden? Etwa bei Röntgenbildern: Braucht es da die Zustimmung von den Patienten?

Ohne das Einverständnis der Patienten dürfen wir ihre Daten nicht nutzen, das ist so. Und wie bei allen klinischen Studien müssen auch unsere Forschungsprojekte jeweils von der Ethikkommission bewilligt werden.

Für ihre Forschung wäre es aber besser, sie könnte so viel Daten wie möglich verwenden, oder?

Das entspricht nicht meiner Erfahrung. Neben Quantität ist die Qualität der Daten enorm wichtig. Ich kann nicht einfach alle Bilder vom Inselspital nehmen und damit eine Software auf Krebserkennung trainieren. Ein Lungenkrebs sieht anders aus als ein Gallenkrebs. Für ein funktionierendes KI-System sind gut aufbereitete Daten deshalb essenziell.

In der KI-Forschung ist Bern bislang kaum aufgefallen. Die Musik spielt in Zürich, wo ETH und Google ihre Standorte haben.

Klar, wird auch in anderen Städten zu KI geforscht. Die Stärke von Bern liegt aber in der engen und institutionalisierten Zusammenarbeit von Informatik, Ingenieurwesen und Medizin. Das ist in der Schweiz einzigartig, und wir haben deswegen auch schon viele Male Forschungsergebnisse direkt in klinische Anwendungen überführen können. Im Sinne dieser Stärke in der Translation arbeitet unser Zentrum mit dem Swiss Institute for Translational and Entrepreneurial Medicine (sitem-insel) zusammen.

Was bringt der technologische Fortschritt eigentlich den Patienten? Bessere Gesundheitsversorgung? Tiefere Prämien?

Zu den Prämien wage ich keine Prognosen, da deren Höhe von vielen unterschiedlichen Faktoren abhängt. Ich bin aber überzeugt, dass der technologische Fortschritt letztlich den Patienten zugutekommen wird. Vor allem bei der Prävention wird es grosse Fortschritte geben. Denken Sie beispielsweise nur schon an entsprechende Apps, die uns zu mehr Sport oder besserer Ernährung animieren.

Und was bringt die KI dem Gesundheitspersonal?

Dank der KI könnte das Gesundheitspersonal künftig von den mühsamen Arbeiten entlastet werden, um so mehr Zeit mit den Patienten zu haben.

Das Gespräch führte Andres Marti. Erstpublikation des Interviews am 19.3.21 in «Der Bund». Übernahme des Textes mit freundlicher Genehmigung der Redaktion.

par Andres Marti

Raphael Sznitman dirige le nouveau Centre pour l'intelligence artificielle fondé par l'Université de Berne et l'Inselspital. Les nouvelles technologies suscitent de grandes attentes. Mais elles comportent également des risques.

Monsieur Sznitman, allons-nous bientôt être opérés uniquement par des robots ?

Le fait d'utiliser des robots pour opérer n'est pas nouveau. À l'Inselspital, nous avons également développé des prototypes de ce type au cours des dernières années. Toutefois, le chirurgien assume toujours la responsabilité de ces opérations assistées par robot. À mon avis, cela ne changera pas de sitôt. Pour l'instant, il s'agit plutôt d'améliorer l'interface entre l'homme et la machine.

Berne, en tant que pôle médical, mise beaucoup sur l'intelligence artificielle (IA). Pouvez-vous citer un exemple concret de son utilisation en médecine ?

L'IA peut également être utile pour répondre à des problématiques médicales totalement nouvelles, telles que la manière de diagnostiquer rapidement et de manière fiable le Covid-19 et d'adapter le traitement à chaque personne affectée. Un autre exemple récent est celui d'une étude menée par l'Inselspital et l'Université de Berne, qui montre que l'IA peut évaluer de manière fiable les compétences des chirurgiens. Il s'agit d'une étape vers le développement de systèmes d'assistance qui permettent d'aider les chirurgiens pendant l'opération – par exemple en les avertissant lorsqu'ils détectent des signes de fatigue et en contribuant ainsi à la prévention de complications.

Dans quels autres domaines l'IA sera-t-elle utilisée en médecine ?

L'IA a atteint aujourd'hui un niveau très avancé, notamment dans le domaine de la reconnaissance automatique d'images – pensez par exemple aux logiciels de reconnaissance faciale ou aux systèmes de conduite autonome. Il s'agit d'alimenter le logiciel avec le plus grand nombre possible d'images et de l'entraîner ainsi à reconnaître certains schémas. Dans le domaine de la médecine, l'IA est actuellement particulièrement intéressante pour aider à établir un diagnostic. Des programmes auto-apprenants pourraient par exemple permettre à l'avenir de détecter plus tôt un cancer sur des radiographies.

Et qui assume la responsabilité si le logiciel ne détecte pas la tumeur ?

Actuellement, la plupart des systèmes sont uniquement programmés pour émettre une recommandation. Ils identifient des anomalies, mais c'est toujours le médecin qui assume la responsabilité. L'IA doit avant tout être un outil complémentaire permettant d'alléger les tâches du personnel de santé.

À l'avenir, l'IA devrait également être utilisée en médecine d'urgence. Comment ?

Outre l'aide au diagnostic, l'IA pourra également être utilisée pour la prise de décision. Imaginez que c'est Nouvel An et que le service des urgences de l'Inselspital est bondé de patients. Qui doit être traité en premier ? Qui court le plus grand risque de mourir ? Un logiciel pourrait faire des recommandations en tenant compte du plus grand nombre possible de données et faciliter ainsi le triage.

Pourquoi une machine ferait-elle cela mieux qu'un médecin bien formé ?

Les humains aussi comparent des données et recherchent des modèles et des règles. Mais pour les grandes quantités de données, les machines sont beaucoup plus rapides et donc plus efficaces que nous.

Le Centre pour l'intelligence artificielle ouvre ses portes non seulement avec le groupe de l'Inselspital, mais aussi en partenariat avec les Services psychiatriques universitaires. Qu'est-ce que la psychiatrie a à voir avec l'IA ?

Je ne suis pas un expert en la matière. Mais ici aussi, il est question d'une part de reconnaissance d'images. De nos jours, les scanners cérébraux permettent déjà de détecter des maladies ou des prédispositions psychiques. L'IA pourrait également permettre de détecter des maladies à un stade précoce et de proposer des thérapies adaptées. Par ailleurs, la collecte de données provenant de capteurs d'environnement pourrait à l'avenir indiquer si la santé psychique d'une personne se détériore.

Cela semble effrayant.

Il est clair qu'à l'avenir également, les diagnostics de maladies psychiques ne seront établis qu'après un entretien avec des spécialistes. Et il est important que ces questions prennent toujours en compte les aspects éthiques. C'est pourquoi notre centre dispose d'un laboratoire d'éthique intégré.

Le recours à l'IA dans le domaine de la santé reste toujours délicat : Aux États-Unis, par exemple, ils utilisent un logiciel qui permet d'identifier les personnes ayant des besoins particuliers en matière de soins. Or, il a été constaté qu'à gravité de maladie égale, les Noirs étaient moins souvent proposés que les Blancs.

C'est ce qu'on appelle les biais de l'IA, c'est-à-dire les distorsions involontaires dues à une programmation défaillante. Cela peut également se produire si l'on alimente les programmes avec des données provenant uniquement d'hommes, par exemple, ce qui entraînerait une discrimination des femmes. De telles erreurs doivent absolument être évitées ! Mais la recherche en IA est aujourd'hui consciente de ces problèmes.

La recherche en intelligence artificielle nécessite de grandes quantités de données. Comment garantir en même temps la protection des données ? Par exemple, pour les radiographies : faut-il l'accord des patients ?

Sans le consentement des patients, nous ne pouvons pas utiliser leurs données, c'est la règle. Et comme pour toutes les études cliniques, nos projets de recherche doivent toujours être approuvés par la commission d'éthique.

Mais pour votre recherche, il serait préférable que vous puissiez utiliser autant de données que possible, non ?

Cela ne correspond pas à ma propre expérience. Outre la quantité, la qualité des données est extrêmement importante. Je ne peux pas simplement prendre toutes les images de l'Inselspital et les utiliser pour entraîner un logiciel à la détection du cancer. Un cancer du poumon ne ressemble pas à un cancer de la vésicule biliaire. Pour qu'un système d'IA fonctionne, il est donc essentiel de disposer de données bien préparées.

Jusqu'à présent, Berne n'a guère fait parler d'elle dans le domaine de la recherche en IA. Tout se joue à Zurich, où se trouvent l'ETH et Google.

Bien sûr, d'autres villes mènent également des recherches en matière d'intelligence artificielle. Mais la force de Berne réside dans la collaboration étroite et institutionnalisée entre l'informatique, l'ingénierie et la médecine. C'est un cas unique en Suisse, et c'est ce qui nous a permis, à maintes reprises, de traduire directement les résultats de la recherche en applications cliniques. Notre centre collabore avec l'institut sitem-insel en vue de renforcer ce processus translationnel.

Qu'est-ce que les progrès technologiques apportent réellement aux patients ? De meilleurs soins de santé ? Des primes moins élevées ?

Je ne me risquerai pas à faire des pronostics concernant les primes, car leur montant dépend de nombreux facteurs différents. Mais je suis convaincu que les progrès technologiques bénéficieront en fin de compte aux patients. C'est surtout au niveau de la prévention que cela permettra de faire de grands progrès. Pensez par exemple aux applications qui nous encouragent à faire plus de sport ou à mieux nous alimenter.

Et qu'est-ce que l'IA apporte au personnel sanitaire ?

L'IA pourrait permettre de libérer le personnel médical de tâches fastidieuses, ce qui lui permettrait de passer plus de temps avec les patients.

Propos recueillis par Andres Marti. Première publication de l'interview le 19.03.21 dans « Der Bund ». Texte reproduit avec l'aimable autorisation de la rédaction.

von Petra Zimmermann

Das Bundesamt für Umwelt (BAFU) hat den Auftrag, Daten und Informationen bereitzustellen, die als Grundlage für umweltpolitische Debatten und Entscheide dienen können. Zu diesem Zweck erarbeitet das BAFU Beobachtungsprogramme und betreibt verschiedene Messnetze. Nationale Beobachtungsnetze bestehen zum Beispiel im Bereich Boden, Luftfremdstoffe, Hydrologie, Landschaft, Biodiversität und Lärm. Im Bereich Hydrologie erhebt das Amt die Daten selbst. Wie wichtig diese Daten sind, hat sich etwa beim letzten Hochwasser gezeigt.
 

^{In Zusammenarbeit mit dem Eidgenössischen Institut für Metrologie (METAS) hat das BAFU die hydrologischen Messstationen erneuert – darunter auch die Datenlogger, welche die gemessenen Werte der Sensoren speichern und weiterleiten. © Manuel Fercher}

In allen anderen Fällen werden die Daten im Auftrag des BAFU von Forschungsinstituten oder privaten Büros gesammelt. Von den Kantonen oder von Privatunternehmen erhobene Daten werden vom BAFU zusammengeführt, harmonisiert und landesweit aggregiert. Bedingt durch die Vielzahl und Vielfalt der Umweltdaten werden diese sehr unterschiedlich erfasst, manche manuell, stichprobenartig und in grösseren zeitlichen Abständen, andere über Sensoren, hoher räumlicher Auflösung und fast in Echtzeit. Das BAFU stellt diese Daten in Form von Berichten (Publikationen) und in digitaler Form (Daten, Indikatoren, Karten) zur Verfügung. Neu besteht zudem ein Umweltdatenkiosk (visualize.admin.ch).

Umweltdaten noch schneller und besser nutzbar machen

Angesichts der Veränderungen aufgrund des Klimawandels oder des Verlusts an Biodiversität spielt die Aktualität der Daten eine immer grössere Rolle. Die heute existierenden Messnetze sind häufig spezifisch für einzelne Umweltbereiche konzipiert, etwa um die Luft- oder Wasserqualität festzustellen. In Zukunft müssen Umweltthemen ganzheitlich betrachtet und kombiniert werden. So können wir Zusammenhänge besser und schneller verstehen und Konsequenzen von Veränderungen simulieren, um die geeigneten Massnahmen schneller zu ermitteln und zielgerichtet einzusetzen. Idealerweise werden dazu manuelle Messungen mit Daten intelligenter Sensoren ergänzt oder ersetzt, neue Datenquellen, die bisher nicht berücksichtigt wurden genutzt, und Sensoren und Daten besser miteinander vernetzt. Um Sensoren ressourcenfreundlich einzusetzen, sollten bereits existierende Sensoren mitverwendet werden. Das können zum Beispiel Daten von digitalen Ökosystemen sein, die in Smart Cities oder im Bereich smarter Mobilität eine Rolle spielen. Indem nationale mit internationalen Daten zusammengeführt werden, sind ebenfalls neue Auswertungen und Aussagen möglich.

IoT im Bereich Mobilität, Wohnen und Ernährung

Laut Studien des BAFU sind die Konsum- und Produktionsbereiche mit den grössten Auswirkungen auf die Umwelt im In- und Ausland die Ernährung (28%), das Wohnen (24%) und die Mobilität (12%). Deshalb ist es naheliegend, gerade in diesen Bereichen verstärkt IoT-Sensoren, -Steuerungen und intelligente Algorithmen zu entwickeln und einzusetzen, die nicht nur messen, sondern Verbrauch und Emissionen anpassen oder Optimierungen vorschlagen. Beispiele im Bereich Mobilität können Sensoren und IoT-Geräte für multimodale Mobilität sein. Sie kombinieren die Daten der Luftqualität in Innenstädten, die Auslastung von Verkehrsmitteln und -wegen (Stauvermeidung), eigene Präferenzen sowie den CO₂-Tagesverbrauch. Daraus generieren sie optimierte Vorschläge, um von A nach B zu kommen oder im Homeoffice zu arbeiten.

Beim Wohnen lassen sich in Zukunft die Emissionen ganzer Smart Cities optimieren, indem beispielsweise Wege für Wartungsarbeiten (Stadtwerke, Müllabfuhr), der Verkehr («Letzte Meile») und der Ressourcenverbrauch grossflächiger bekannt sind und mit Hilfe von Simulationen energieeffiziente Lösungen herbeigeführt werden können. Diese Messungen und darauf basierende Simulationen lieferen dann auch Daten für die Städteplanung der Zukunft (optimales Mikroklima für Grünanlagen, Altersheime etc.) und Gebäude können intelligenter und auch wiederverwertbarer als heute gebaut werden (z. B. digitaler «Materialpass»).

Bei der Ernährung reichen die Einsatzmöglichkeiten von IoT von der Kreislaufwirtschaft, über die Lieferkettenoptimierung, deren Transparenz (Kühlung, Emissionen, Sicherheit), bis hin zur Erzeugung von Lebensmitteln. Dazu gehört zum Beispiel «Precision farming», also der optimale Einsatz von Wasser, Dünger und Pflanzenschutzmitteln, sowie die Vermeidung von Food Waste oder der Hinweis auf ökologischere Alternativen.

Nachhaltige Sensoren?

Wenn man über den Einsatz von Sensoren zur Verbesserung der Nachhaltigkeit im Alltag spricht, muss man sich auch Gedanken zur Nachhaltigkeit der Sensoren an sich und den damit verbundenen Systemen machen. Wenn möglich, sollen bestehende Sensoren genutzt, gegebenenfalls erweitert, öffentlich nutzbar gemacht sowie vernetzt werden. Ausserdem sollten Lebenszyklen der IoT-Hardware und offene Standards für einen langen und breiten Einsatz entwickelt und der Verwendungszweck auf die Technologie, z. B. der Datenübertragung, abgestimmt werden. Intelligente Algorithmen und Sensoren können gezielt agieren oder Ergebnisse interpolieren und damit die Anzahl benötigter Sensoren auf ein vernünftiges Mass begrenzen.

Nachhaltigkeit sichtbar und begreifbar machen

Neben dem Einsatz von IoT und intelligenten Algorithmen zur Messung der Umweltdaten und Reduktion von schädlichen Emissionen in Smart Cities, sollte es vermehrt Lösungen geben, die uns als Individuen jeden Tag unterstützen und motivieren, einen Beitrag an den Schutz der Umwelt zu leisten. Gadgets, die uns via Nudging oder Gamification unterstützen, gesünder zu leben, sind heute sehr beliebt. Die Vermutung liegt nahe, dass mit Tools zur Nachhaltigkeit ähnlich positive Effekte erzielt werden könnten. Ich sehe solchen Innovationen aus der Softwareindustrie mit Spannung entgegen

von Adam Cartwright und Jane Hart

^{Natürliche Wassersysteme sind von hohem Wert. Die bei Yorkshire Water eingesetzten KI-basierten Lösungen unterstützen deren Reinhaltung (Foto: piqsels.com)}

Zukunftstechnologien wie künstliche Intelligenz (KI) in der Industrie und das Internet der Dinge (IoT) tragen dazu bei, natürliche Wassersysteme vor Verunreinigungen zu schützen. Eine visuelle Geschichte.

Natürliche Wassersysteme sind von hohem Wert. Sie bilden die Grundlage vielfältiger Ökosysteme für Flora und Fauna. Sie tragen zur menschlichen Gesundheit bei, indem sie Krankheiten durch verunreinigtes Wasser verhindern. Und sie stehen im Mittelpunkt vielfältiger Freizeit- und Tourismusangebote.

Jedoch: Überall auf der Welt werden in Städten – insbesondere in älteren Städten – Regenwasser und Haushaltsabwasser über dasselbe Rohrnetz zur Wasseraufbereitung geleitet. Diese Mischkanalisationen bieten den Vorteil, dass eventuell mit Öl, Pestiziden, Düngemittel oder sonstigen Schadstoffen belastetes Ablaufwasser gereinigt wird, bevor es wieder in den natürlichen Kreislauf gelangt. Das sind gute Nachrichten für die Umwelt.

Doch es gibt auch einen Haken. Starkregen oder Schneeschmelze können ein Mischkanalisationsnetz überlasten. Dann könnte unbehandeltes Wasser über Mischwasserüberläufe in natürliche Gewässer gelangen. Diese Wahrscheinlichkeit sinkt jedoch erheblich, wenn Verstopfungen im Mischwasserüberlauf rechtzeitig beseitigt werden. Genau dafür haben Siemens, Yorkshire Water und die Universität Sheffield gemeinsam ein neues System entwickelt. Es lokalisiert Verstopfungen mithilfe von künstlicher Intelligenz (KI) und des Internets der Dinge (IoT), noch bevor es zu Überläufen kommen kann.

Verunreinigungen um 50 Prozent reduzieren

Das britische Wasserversorgungsunternehmen Yorkshire Water betreibt ein Kanalnetz von 55'000 km Länge. Bei starken Regenfällen leiten Mischwasserüberläufe überschüssige Wasser- und Abwassermengen in Flüsse ein. Damit sollen Überschwemmungen in öffentlichen Bereichen verhindert werden. Um dies auf ein absolutes Minimum zu beschränken, hat Yorkshire Water einen Plan erarbeitet (Pollution Incident Reduction Plan 2020-2025). Er sieht vor, die Anzahl der Verunreinigungen um 50 Prozent zu reduzieren. Dazu müssen Verstopfungen in Mischwasserläufen beseitigt werden, wodurch sich die Wahrscheinlichkeit einer Freisetzung minimiert.

Seit einiger Zeit überwachen rund 2000 Sensoren in Mischwasserüberläufen den Abwasserpegel und übermitteln Warnmeldungen bei einem Überlauf. Doch wäre es nicht besser, man wüsste schon vorher, wo Verstopfungen am wahrscheinlichsten sind? Dann könnten Fremdkörper beseitigt werden, noch bevor sich ein Überlauf anbahnt. Bisher haben Experten von Yorkshire Water versucht, entsprechende Vorhersagen zu treffen, indem sie die Sensordaten mithilfe statistischer Methoden auswerteten. Dies führte jedoch häufig zu Fehlalarmen und verspäteten Feststellungen.

Die Herausforderung bei der Analyse besteht darin, die Besonderheiten jedes Mischwasserüberlaufs zu berücksichtigen. Denn jeder Mischwasserüberlauf reagiert anders auf Niederschläge. Das macht es bisweilen schwierig zu beurteilen, ob die beobachteten Pegeländerungen auf normale Betriebsumstände zurückzuführen sind oder nicht. Dazu kommen verschiedene weitere Faktoren, etwa die Auslegung des vor- und nachgelagerten Rohrnetzes oder ob das Gebiet hügelig oder flach, städtisch oder ländlich geprägt ist.

All dies veranlasste Yorkshire Water zu dem mutigen Schritt, die bisherigen statistischen Methoden durch KI und IoT zu ersetzen. Der neue Ansatz wurde inzwischen an 70 Standorten in der Region getestet. «Die Ergebnisse sind in der gesamten Region sehr positiv. Anhand der Daten konnten wir Probleme in unserem Rohrnetz schnell identifizieren und unseren Teams die Möglichkeit geben, sich noch vor einer drohenden Verunreinigung um die Probleme zu kümmern», sagt Heather Sheffield, Manager Operational Planning & Technology bei Yorkshire Water.

Cloudbasierte Datenanalysen mit KI und IoT

Und so funktioniert es: Die Daten der Sensoren in den Mischwasserüberläufen werden zusammen mit Echtzeitinformationen über die Niederschlagsmengen an den SIWA Blockage Predictor übermittelt. Diese Anwendung läuft auf MindSphere, der führenden IoT-as-a-Service-Lösung, und identifiziert Anomalien im Verhalten des Abwassersystems.

Zunächst wurde ein KI-System mit Sensordaten trainiert, um das normale Betriebsverhalten eines Mischwasserüberlaufs bei Regen zu erlernen. Inzwischen wird ein neues KI-Modell für jeden Standort trainiert, um dessen besonderes Verhalten bei Regen zu erlernen. Danach werden die Daten mit Fuzzy-Logic-Technologie automatisch interpretiert, um signifikante Verhaltensunterschiede zu erkennen. Bei einem ermittelten Problem erhält ein Einsatzteam bei Yorkshire Water eine Nachricht, damit es das System prüfen und eine akute oder aufkommende Verstopfung beseitigen kann. Der SIWA Blockage Predictor ist in eine Webanwendung eingebettet, was den Fernzugriff über mobile Geräte und PCs ermöglicht.

«Künstliche Intelligenz ist keine Magie. Man braucht Datenwissenschaftler, Fachgebietsexperten und Ingenieure, die Software entwickeln, Hardware verbinden und gemeinsam eine Lösung stricken können, die vor Cyberangriffen sicher ist. Dieses Projekt ist ein Paradebeispiel dafür, wie alle Fäden zusammenlaufen sollten», sagt Adam Cartwright, Head of IoT Application Delivery bei Siemens.

Mehr Effektivität auf allen Ebenen

In der Studie mit verschiedenen Anlagen an 70 Standorten wies der SIWA Blockage Predictor bis zu zwei Wochen im Voraus auf mögliche Verstopfungen hin, die zur Freisetzung von unbehandeltem Abwasser in die Umwelt hätten führen können. Ausserdem spürte die cloud-basierte Anwendung neun von zehn möglichen Problemen auf und weist damit eine dreimal höhere Trefferquote auf als die statistischen Vorhersagemethoden. Ein weiterer Vorteil für die Einsatzteams ist die sehr niedrige Fehlalarmrate von nur 3 Prozent. Damit ist sie nur halb so hoch wie beim bisherigen, auf statistischen Methoden basierenden Verfahren.

Kreative Zusammenarbeit als Teamleistung

Jede neue digitale Lösung birgt das Risiko, dass sie den Wünschen oder Bedürfnissen der Kunden nicht gerecht werden könnte. Deshalb führt die frühzeitige Einbeziehung der Kunden in Form von kreativer Zusammenarbeit zu besseren Ergebnissen. Yorkshire Water war von Anfang an in dieses Projekt eingebunden. Um das notwendige Engagement für zügige Fortschritte sicherzustellen, wurden die Entwicklungskosten durch einen Co-Creation-Auftrag finanziert. Zudem erklärte sich das Team bereit, die Fortschritte im Abstand von zwei Wochen zu überprüfen und die Anwendung parallel zu ihrem bisherigen System einzusetzen. Nach dem Projektstart im Januar 2020 wurde bereits im März das erste MVP (Minimal Viable Product, Produkt mit minimalem Funktionsumfang) vorgestellt. Im November 2020 gab die Anwendung schliesslich ihr weltweites Debüt im MindSphere Store.

Die Reise von der Idee zum fertigen Produkt begann mit einer Reihe von gemeinsamen Forschungsprojekten seitens Yorkshire Water und der University of Sheffield. Über mehrere Jahre hinweg wurde dabei das grundlegende Analytikkonzept durch Versuche in den Yorkshire-Water-Anlagen bestätigt.

«Durch die Erstellung eines individuellen Fingerabdrucks für die Abwasseranlagen, der die Aufnahme von Niederschlägen im Ortsrohrnetz genau widerspiegelt, und durch Überlagern dieses Fingerabdrucks auf tägliche Verhaltensmuster konnten wir die 'normale' Reaktion jeder Anlage ermitteln», erläutert Joby Boxall, Professor für Wasserinfrastrukturwesen an der Universität Sheffield.

Die Analyse funktionierte zwar, aber sie war als akademisches Projekt weder skalierbar noch sicher, zudem war sie nicht für den einfachen täglichen Gebrauch optimiert. Als Siemens dem Projektteam beitrat, wurde das datenwissenschaftliche Wissen übertragen und das Universitäts-Team übernahm eine zweite wichtige Rolle. Die Wissenschaftler bestätigten die Effektivität, mit der die Siemens-Experten die Analytik entwickelt hatten und verglichen dies mit der bestehenden Lösung von Yorkshire Water. Diese unabhängige Analyse von 21'300 Datentagen hat das Vertrauen von Yorkshire Water in die neue Anwendung zusätzlich gestärkt.

Bereit für die Markteinführung

Die Projektbeteiligten von Siemens und Yorkshire Water klären derzeit die näheren Einzelheiten über den Einsatz des SIWA Blockage Predictor für die übrigen Mischwasserüberläufe des Versorgungsunternehmens. Ausserdem läuft die Lösung aktuell als Pilotprojekt bei zwei weiteren britischen Wasserversorgern, darunter auch eine Lösung an neuen Standorten, an denen noch kein Pegelsensor installiert ist. Hier könnte der Siemens Low-Power-Radarsensor Sitrans LR110 in eine Remote-Terminal-Einheit integriert werden, die sich mit MindSphere und dem SIWA Blockage Predictor verbinden lässt. Dieses einzigartige Angebot zeigt, wie eine intelligente digitale Lösung die Wertschöpfung des Siemens-Hardwareportfolios erhöhen kann.

Angesichts der überaus positiven Wirkung für den Umweltschutz findet der SIWA Blockage Predictor auch in Märkten ausserhalb Grossbritanniens immer mehr Beachtung. Sinnvoll kombiniert können KI und IoT damit einen wichtigen Beitrag zur Erhaltung einer sauberen Umwelt leisten.

Dieser Beitrag erschien erstmals im Siemens-Blog «Stories». Übernahme mit freundlicher Genehmigung des Unternehmens.

(cdh) – Erinnern Sie sich an den smarten Kühlschrank, der selbständig einkauft, wenn Milch und Butter ausgehen – und der zum Running Gag für nicht kundenorientierte Innovation wurde, weil fast gar niemand einen solchen Kühlschrank braucht oder will?

Nun, die Zeiten sind daran, sich zu ändern. Denn langsam werden die «intelligenten» Küchengeräte wirklich smart. Und cool obendrein. Noch überzeugen nicht alle Anwendungen: So etwa die mit dem Smartphone verbundene Kamera, die die gähnende Leere im Kühlschrank live ins Einkaufszentrum überträgt. Die Backofenkamera jedoch, die sensorgesteuert erkennt, wann die Pizzakruste zur genau richtigen Knusprigkeit gelangt und die Hitze im richtigen Moment hinunterfährt, ist nicht ohne. Bei Miele weiss der Backofen sogar von selbst, was da gerade in ihn geschoben wurde und schlägt dann selbstständig das ideale Backprogramm für das jeweilige Gericht vor. Das klappt bisher bei immerhin 20 Rezepten – ein Wert, den auch durchschnittliche Amateurköche nicht unbedingt überbieten können. Bei Bosch lernt der Ofen darüber hinaus noch dazu: Je mehr Back- und Bratenvorgänge er durchläuft, desto zuverlässiger fallen auch bei neuen Zubereitungen seine Prognosemodelle aus: Souverän klärt er ratlose Hobbyköchen darüber auf, wie lange das, was da gerade in seinem Innern schmort oder gart, idealerweise auch wirklich schmoren oder garen sollte. Smarte Kochassistenten lotsen auch Anfänger Schritt für Schritt durch anspruchsvolle Rezepte. Der Dampfabzug lässt sich per «Voice command» auf Zuruf steuern und die Abwaschmaschine dosiert ganz von selbst das Abwaschpulver je nach Art der Ladung. Kein Zweifel: Die künstliche Intelligenz hält in der Küche und im Haushalt Einzug. Noch immer eher auf Seite der netten Spielerei. Aber, und das ist neu und lässt auf eine baldige ernsthafte Markteroberung schliessen, inzwischen sind die smarten Haushaltgeräte cool geworden. Das untenstehende Video beweist es zweifelsfrei.

Von Tanya Petersen

^{(Grafik: © Tania Di Paola - EPFL 2020 / iStock)}

Forschende der EPFL entwickeln Deep-Learning-Algorithmen, die COVID-19 in Lungenaufnahmen und Atemgeräuschen automatisch identifizieren können. Die Algorithmen dürften auch im Kampf gegen andere Atemwegserkrankungen und beim wachsenden Problem der Antibiotikaresistenz hilfreich sein. 

Für Dr. Mary-Anne Hartley, Ärztin und Forscherin der Gruppe intelligent Global Health (iGH) der EPFL war das Jahr 2020 unerbittlich: «Keine entspannende Zeit, um Infektionskrankheiten zu studieren», erklärt sie. 

Ununterbrochen arbeitet das Forschungsteam von Dr. Hartley seit Beginn der COVID-19-Pandemie zusammen mit neun Schweizer Universitätsspitälern an zwei grossen Projekten. Mithilfe künstlicher Intelligenz (KI) wurden neue Algorithmen entwickelt, die mittels Daten aus Ultraschallbildern und dem Abhören von Brust und Lunge das Coronavirus bei Patienten genau diagnostizieren und zudem vorhersagen können, wie schwer die Krankheit verlaufen dürfte. 

iGH gehört zum Machine Learning and Optimization Laboratory von Professor Martin Jaggi, einem weltweit führenden Zentrum von KI-Spezialisten, das Teil der Fakultät für Computer- und Kommunikationswissenschaften der EPFL ist. «Wir haben die neuen Deep-Learning-Algorithmen DeepChest (Verwendung von Lungenultraschallbildern) und DeepBreath (mittels digitalen Stethoskops abgehörte Atemgeräusche) genannt. KI hilft uns dabei, komplexe Muster bei diesen klinischen Basisuntersuchungen besser zu verstehen. Die bisherigen Ergebnisse sind sehr vielversprechend», berichtet Professor Jaggi.

^{(Grafik: © Ivan Savicev - EPFL 2020 / iStock)}

Zwei beteiligte Universitätsspitäler 

Das CHUV, das Universitätsspital Lausanne, leitet den klinischen Teil des DeepChest-Projekts und sammelt Tausende von Lungenultraschallbildern von Patienten mit Covid-19-kompatiblen Symptomen, die in die Notaufnahme eingeliefert werden. Beim 2019 gestarteten Projekt ging es in einem ersten Schritt darum, Marker zu identifizieren, mithilfe derer virale und bakterielle Lungenentzündungen besser unterschieden werden können. Die aktuelle Entwicklung führte dazu, dass sich der Schwerpunkt des Projektes ab 2020 zunehmend zur Erkennung von Covid verlagerte. «Viele Patientinnen und Patienten, die bereit waren, an unserer Studie teilzunehmenn, hatten Angst und waren sehr krank», sagt Forschungsleiterin Dr. Noémie Boillat-Blanco, «aber sie wollten einen Beitrag zur breiteren medizinischen Forschung leisten, genau wie wir. Es gibt eine kollektive Motivation, aus dieser Krise etwas zu lernen und neue wissenschaftliche Erkenntnisse rasch in die tägliche medizinische Praxis zu integrieren.» 

Am HUG, dem Genfer Universitätsspital, sammelt Professor Dr. Alain Gervaix, Leiter der Abteilung Frauen, Kinder und Jugendliche, seit 2017 Atemgeräusche für die Entwicklung eines intelligenten digitalen Stethoskopes, das «Pneumoskop». Auch hier lenkte das Coronavirus das ursprünglich für die bessere Diagnose von Lungenentzündungen konzipierte Projekt in neue Bahnen: Die bereits früher gewonnenen Daten dienten der EPFL zur Entwicklung des DeepBreath-Algorithmus. Erste Ergebnisse deuten darauf hin, dass DeepBreath sogar in der Lage ist, asymptomatisches COVID zu erkennen, da der Algorithmus Veränderungen im Lungengewebe feststellen kann, bevor die Erkrankten selber etwas davon bemerken. «Pneumoskopie mit dem DeepBreath-Algorithmus ist mit den Apps vergleichbar, die Musik anhand einer kurzen Abspielprobe identifizieren können», sagt Professor Gervaix.

von Beat Christen

Mit künstlicher Intelligenz lässt sich die 3D-​Struktur von Proteinen vorhersagen. Bald schon dürfte es mit solchen Algorithmen möglich werden, massgeschneiderte künstliche Proteine zu entwickeln, schreibt Beat Christen.

Computeralgorithmen unterstützen seit Jahrzehnten die biomedizinische Forschung und sind dabei ständig wichtiger geworden. Was wir derzeit erleben, ist allerdings ein Quantensprung, der alles Bisherige in den Schatten stellt, und der ungeahnte Auswirkungen haben wird: Mit Algorithmen der Künstlichen Intelligenz (KI) ist es möglich geworden, alleine anhand der linearen Abfolge der Bausteine von Proteinen – der Aminosäuren – vorauszusagen, zu welcher dreidimensionalen Struktur sich diese Kette von Bausteinen zusammenlagert, und das extrem genau.

Um die Bedeutung davon zu verstehen, muss man wissen, dass es in der Biologie auf zellulärer Ebene eigentlich immer um die räumliche Wechselwirkung von Molekülen geht, und diese Wechselwirkung wird bestimmt durch deren dreidimensionale Struktur. Erst wenn wir Strukturen und Wechselwirkungen kennen, verstehen wir die Biologie. Und nur wenn wir die Struktur von Molekülen kennen, können wir gezielt Medikamente entwickeln, welche die Funktion dieser Moleküle beeinflussen.

^{Proteine sind fadenförmige Moleküle, die sich zu einer bestimmten dreidimensionalen Form zusammenlagern. (Grafik: piqsels)}

Bis jetzt konnte man die dreidimensionale Struktur von Proteinen mit drei experimentellen Methoden bestimmen: Röntgenstrukturanalyse, Kernspinresonanz sowie seit wenigen Jahren die Kryoelektronenmikroskopie. Dass nun mit KI eine vierte präzise Methode dazukommt, hat nicht nur mit verbesserten KI-​Algorithmen und den heute zur Verfügung stehenden grossen Rechenleistungen zu tun. Damit KI präzise Voraussagen machen kann, braucht sie auch sehr viele Daten in hervorragender Qualität, mit denen sie trainiert werden kann. Möglich geworden ist der Quantensprung somit dank immenser Fortschritte und Anstrengungen in beiden Bereichen: der Datenwissenschaft und der experimentellen Proteinforschung.

Wettbewerb von privater und öffentlicher Forschung

Im Scheinwerferlicht steht derzeit vor allem das KI-​Programm Alphafold von Deepmind, einer zum Google-​Konzern gehörenden Firma. Diese ist derzeit wohl der wichtigste Player bei der Vorhersage von Proteinstrukturen. In der öffentlichen Diskussion geht allerdings oft unter, dass Deepmind längst nicht der einzige Akteur in diesem Feld ist und insbesondere rund um David Baker von der University of Washington exzellente Forschung betrieben wird.

Diese Konkurrenz von privater und öffentlicher Forschung dürfte das Forschungsfeld insgesamt beflügelt und vorangetrieben haben. Selbstverständlich behalten die privaten Akteure viele ihrer Erkenntnisse aus Geschäftsinteresse für sich. Dennoch führte die hochkompetitive Forschung auch dazu, dass sich die veröffentlichten KI-​Algorithmen, welche die ganze Wissenschaftsgemeinschaft nun verwenden und weiterentwickeln kann, immens verbessert haben. Ich gehe davon aus, dass der Trend weitergeführt wird. Bald werden uns KI-​Algorithmen hochpräzise Strukturen für alle uns bekannten Proteine liefern. Dies wird uns ermöglichen, weitere zielgenaue Medikamente am Computer zu entwerfen.

«Der logische nächste Schritt wird nun sein, die KI-​Algorithmen in umgekehrter Richtung zu verwenden.» Beat Christen

Ausgehend von einer am Computer entwickelten dreidimensionalen Molekülstruktur dürfte es in Zukunft möglich werden, mit KI eine Abfolge von Aminosäuren zu berechnen, die sich genau zur gewünschten Struktur mit der gewünschten molekularen Funktion zusammenlagert.

Ist diese Abfolge von Aminosäuren einmal bestimmt, kommt mein Forschungsgebiet ins Spiel. Ich befasse mich mit der Entwicklung von künstlichen Genen und Genomen und benütze ebenfalls Computeralgorithmen. Ausgehend von Aminosäuren-​Abfolgen berechnen wir, wie diese in Gen-​Baustein-Abfolgen übersetzt werden, also in DNA. Und zwar auf eine Weise, dass sich diese Gene in der Praxis auch einfach künstlich herstellen lassen.

Umgekehrter Informationsfluss

Es dürfte somit bald möglich sein, ausgehend von einer beliebigen, am Computer entwickelten dreidimensionalen Proteinstruktur ein künstliches Gen zu berechnen und dieses zu synthetisieren. Biotechnologisch lassen sich damit in Mikroorganismen künstliche Proteine herstellen, zum Beispiel neue pharmazeutische Wirkstoffe, Impfstoffe oder für die Industrie interessante Enzyme.

Von den allerersten Lebewesen vor mehreren Milliarden Jahren bis jetzt ist biologische Informationen immer in Form von DNA gespeichert worden. In biologischen Zellen wird diese Information übersetzt, zunächst in RNA-​Moleküle, dann in Proteine. Bis jetzt gibt es keinen Prozess, der diesen Informationsfluss umkehrt und Protein-​Information in DNA-​Information zurückübersetzt. Mit KI wird sich das nun bald ändern. Für Biologen wie mich ist das eine unglaublich spektakuläre Entwicklung. Sie wird einen riesengrossen Einfluss haben auf die Biotechnologie und die Medizin.

Dieser Beitrag wurde erstmals im Zukunftsblog der ETH Zürich publiziert. Wiedergabe mit freundlicher Genehmigung der Redaktion.

Es ist längst zur Tradition geworden: Am letzten Donnerstag im Oktober findet in der Umweltarena in Spreitenbach die Smart Energy Party statt. Und dieses Jahr machte die Corona-Epidemie dem Gastgeber Kurt Lüscher keinen Strich durch die Rechnung. Die Feier fand statt. Und bei den 1000 Gästen grossen Anklang.

(cdh) – Die smarten Energienetze der Zukunft werden sich mit KI selber steuern sowie Stromerzeugung und Stromverbrauch optimal aufeinander abstimmen, smarte Homes werden gekonnt Ressourcen einsparen und die Energiewende wird ohne smarte Infrastrukturen nicht vom Fleck kommen. Aber nicht allein darum ging es bei der Smart Energy Party, dem grossen Netzwerkanlass der Schweizer Energiebranche. Die Energie, die hier im Zentrum stand, war die von 1000 smarten Menschen, die nach langer Corona-Abstinenz an 100 Tischen wieder zusammenfinden konnten. Und die Netzwerke, die den Abend prägten, waren die, die beim gemeinsamen Tafeln, Plaudern und Lachen endlich wieder ausgiebig gepflegt werden konnten. Unter den 1000 Gästen und 100 Tischgastgebern waren viele Persönlichkeiten aus Industrie, Wissenschaft und Politik: Mitglieder der Energiekommission, zahlreiche Parlamentarier, hochkarätige Vertreter der Wirtschafts- und Energieverbände, VR-Präsidenten und CEOs.

Zu ihrer Unterhaltung hatte sich Gastgeber Kurt Lüscher ein perfektes Unterhaltungsprogramm ausgedacht: Die charmante Schlangenfrau Nina Burri, die schnelle Bernerin Ditaji Kambundji und die mehrere Rekorde haltende Stabhochspringerin Angelica Moser demonstrierten, dass wer mobil und flexibel ist, beinahe Unmögliches erreichen kann. Dalith Steiger, Gründerin des preisgekrönten KI-Start-ups SwissCognitive verwies in einer kurzweiligen Rede darauf, dass man vorwärtsstrebend weiterkomme als wenn man nur viele Worte verliere («while talkers talk, walkers walks»). Und die Spoken-Word-Kabarettistin Patti Basler, begleitet von Pianist Philippe Kuhn, erntete mit ihrem scharfzüngigen Instantprotokoll des Abends viel Gelächter und energischen Applaus.