Ohne Zweifel gibt es erschreckende Beispiele, die die Schattenseite individueller menschlicher Entscheidungshoheit im Rechtsystem offenbaren. In einer prominenten Studie der New Yorker Columbia University und der israelischen Ben-Gurion-Universität wurden mehr als tausend Urteile von acht unterschiedlichen Richter*innen an zwei israelischen Gerichten untersucht. Das Ergebnis macht in eindrucksvoller Weise die inhärente Willkür von verschiedenen Einflussfaktoren auf die Richter*innen in gerichtlichen Prozessen deutlich. Die Forscher*innen untersuchten, ob die Angeklagt*innen eine Bewährungs- anstatt einer angedrohten Haftstrafe erhalten. Das Ergebnis ist erstaunlich und sorgte nicht nur im soziologischen Diskurs für Aufmerksamkeit. Es stellte sich nämlich heraus, dass Richter*innen vor einer Mittagspause dazu tendieren, im Sinne des Status Quo zu urteilen, und dieser Effekt nach eingenommenen Mittagessen verblasst. Mit anderen Worten sind Gerichtsurteile davon beeinflusst, ob der oder die zuständige*r Richter*in hangry ist oder nicht.

Hinsichtlich der Ergebnisse der Studie scheint eine Utilisierung von emotionslosen, algorithmus-basierten KIs auf den ersten Blick sehr hilfreich. Die Mathematikprofessorin Hanna Fry identifiziert in ihrem Buch Hello World – Was Algorithmen können und wie sie unser Leben verändern verschiedene gerichtliche und anwaltliche Prozesse, bei denen künstliche Intelligenz bereits heute eine Rolle spielt. Zum Beispiel benutzen Anwält*innen innovative Instrumente, um Verträge zu erstellen oder lassen sich bei der Beurteilung und Einordnung von Beweisen unterstützen. Des Weiteren können sogenannte Language Processing Models Anwälte dabei unterstützen, Vergleichsfälle und frühere Urteile zu recherchieren. Dadurch können in manchen Fällen die Anwaltskosten signifikant gesenkt und somit der Zugang zu rechtlichem Beistand für viele erleichtert werden. Außerdem unterstützen KI-Systeme die Richter*innen bei der Einschätzung über die Wahrscheinlichkeit der Rückfälligkeit von Straftäter*innen durch die Auswertung von demografischen und personenbezogenen Daten oder schlagen passende Interventionsprogramme vor. In den USA sind diese sogenannten Risk Assessment Tools bereits fester Bestandteil der juristischen Praxis. Jedoch sorgen diese seit der Implementation für Kritik und es wird gemahnt, dass durch die Funktionsweise des maschinellen Lernens ebenfalls Ungerechtigkeiten entstehen können.

Das Justizsystem weiß selber, dass es nicht perfekt ist. Jedoch ist nicht ohne Grund der oft postulierte Anspruch: Justitia ist blind. Nichtsdestotrotz gibt es ungerechte Urteile beziehungsweise viele Urteile fühlen sich ungerecht an. Ist dementsprechend ein blinder Algorithmus, dem keine Intuition und Gefühlszustände zugrunde liegen, letzten Endes ein besserer Richter? KI kann zwar bei der Entscheidungsfindung der Gerichte helfen, birgt aber bei der Anwendung in juristischen Prozessen selbst auch gewisse Fallstricke. Grundlage für KI-Systeme sind immer Daten. Bei der Anwendung innerhalb der Rechtsprechung werden diese Daten zumeist direkt aus der juristischen Praxis entnommen. Die Algorithmen werden mit den Ergebnissen von vergangenen Prozessen trainiert – dadurch werden beispielsweise rassistische und sexistische Einschätzungen menschlicher Entscheidungsträger*innen direkt übernommen und somit herrschende Ungleichheiten reproduziert. Beispielsweise beschreibt das Deutsche Institut für Menschenrechte in seinem Bericht Rassismus in der Strafverfolgung in mehreren Fachbeiträgen Missstände in den gerichtlichen Arbeitsabläufen. Die Expert*innen stellen fest, dass ausländische Kläger*innen aufgrund verschiedener Gründe wie zum Beispiel Sprachbarrieren oder Vorurteilen weniger ernst genommen werden, aber auch explizit rassistisch motivierte Straftaten oft nicht hart genug bestraft werden würden. Dieselben Gefahren werden von der Rechtsprofessorin Giula Gentile skizziert. Sie betrachtet die Voreingenommenheit der Datengrundlage als eine der größten Risiken. Es gäbe keine Garantie dafür, dass KI-gestützte Gerichte mit grundlegenden Werten wie der Unabhängigkeit der Justiz und letztlich der Rechtsstaatlichkeit im Einklang stehen.

Verschiedene Wissenschaftler*innen sind sich zumindest einig, dass schon heute künstliche Intelligenz dazu beiträgt, eine Effizienzsteigerung bei juristischen Arbeitsprozessen zu erzielen. Diese Entwicklung wird sicherlich in den kommenden Jahren zunehmen. Giula Gentile mahnt, dass es in dem Zusammenhang jetzt die Aufgabe von Expert*innen sei, festzustellen, was bei der Algorithmisierung der Justiz verloren geht. Sie betont, dass KI kein Allheilmittel für die Fehlerhaftigkeit von Gerichten sein kann.
Außerdem hält sie fest, dass sich durch den Einfluss von Algorithmen auf die Rechtspraxis das Bild von Richter*innen und deren Autorität verändern wird. Das Bild der Rechtsprechung als moralische Institution wird sich zunehmend wandeln. Schon heute kann künstliche Intelligenz durch Einschätzungen und Prognosen der Justiz dabei helfen, gerechtere Urteile zu fällen. Beispielsweise werden Empfehlungen zur Bewährungsdauer artikuliert, passende Interventionsprogramme vorgeschlagen oder die Höhe von Kautionen empfohlen. Hanna Fry fasst das wie folgt zusammen: Algorithmen seien zwar noch nicht in der Lage, Beweise zu analysieren und Reue zu bewerten und somit über Schuld zu entscheiden – jedoch können Sie die Richter*innen dabei unterstützen möglichst viele Aspekte in ihr Urteil mit einzubeziehen. Die juristische Entscheidung bleibt somit weiterhin (noch) in menschlicher Hand. Ob und wie Künstliche Intelligenz in der Rechtsprechung unterstützt, sollte zumindest in der Begründung von Urteilen transparent gemacht werden müssen. So gibt es zwar Diskussionen darüber, wie eine Transparenz, insbesondere bei komplexen maschinellen Lernsystemen, sichergestellt werden kann, inwiefern diese Bedenken auch im AI Act ausreichend aufgegriffen werden, bleibt abzuwarten.

Foto von Titiwoot Weerawong auf vecteezy

Künstliche Intelligenz ist spätestens seit der Veröffentlichung von ChatGPT in aller Munde. Welche Chancen bietet die Ausnahmetechnologie? Wie sollten wir mit den Risiken umgehen? Und mit welchen Reformen wird Europa zum AI-Technologieführer? Diese hochaktuellen Fragen möchten wir mit Ihnen diskutieren.

Freuen Sie sich unter anderem auf:

• Prof. Yoshua Bengio, Full Professor at the Department of Computer Science and Operations Research, Université de Montréal (Zuschaltung)
• Prof. Alena Buyx, Vorsitzende, Deutscher Ethikrat
• Tobias Haar, General Counsel, Aleph Alpha
• Markus Rolle, Finanzvorstand, O₂ Telefónica
• Stephan-Andreas Casdorff, Herausgeber, Der Tagesspiegel (Moderation)

Tagesspiegel Data Debates finden regelmäßig statt und diskutieren die Auswirkungen der Digitalisierung auf die Gesellschaft. Gäste aus Politik, Wirtschaft, Wissenschaft, Religion und Kultur debattieren über das Potential von Datenschätzen und die Anforderungen an den Datenschutz.

Hier anmelden.

Genaue Zahlen und Informationen zu den verursachten Emissionen der existierenden KI-Systeme liegen bisher nicht vor. Eine amerikanische Studie geht davon aus, dass das Training einer einzelnen AI so viel CO2 emittiert wie 5 Pkws. Umso wichtiger ist deshalb das Monitoring während ihrer Herstellung und Anwendung. Nur so kann ermittelt werden, an welcher Stelle Ressourcen weiterhin eingespart und die CO2-Bilanz verbessert werden kann. Wie das konkret gehen soll, hat die gemeinnützige Forschungs- und Advocacy-Organisation AlgorithmWatch untersucht und die Ergebnisse in ihrem Magazin “SustAIn” vorgestellt.

Künstliche Intelligenz (KI), auch artificial intelligence (AI bzw. A.I.) genannt, ist aus unserem Leben kaum noch wegzudenken, auch wenn sie für uns nicht immer erkennbar ist und sich hinter vielen Alltagsanwendungen versteckt. Bei der Filterung von Spam-Mails zum Beispiel oder der Gesichtserkennung am Smartphone. Es wird eine Menge an Daten verarbeitet und das kostet Energie. Aber auch bei der Programmierung und beim Training werden enorme Rechenleistungen benötigt und CO2 emittiert. Auf der einen Seite stellt sich die Frage: Wie sieht eigentlich die Ökobilanz von KI-Rechenmodellen aus? Auf der anderen Seite gibt es Möglichkeiten sie so einzusetzen, dass mit ihrer Hilfe Energie gespart und die Erde in Zukunft klimaneutraler wird.

Schon bei der Planung sollte darüber entschieden werden, wie man das System nachhaltig gestaltet. Dabei geht es grundlegend immer um die Frage, inwiefern ein ressourcenintensives Machine-Learning-System für die anvisierte Aufgabe überhaupt notwendig ist. Zunächst wird eine Checkliste mit ökologischen Anforderungen von den Unternehmen abgearbeitet. Dazu gehört auch, dass die notwendige Leistung sowie das Ressourcenbudget festgelegt werden müssen, genauso wie die Kennzahlen zur Erfassung der Energieeffizienz. Testverfahren können dann helfen, um scheiternde Experimente frühzeitig zu identifizieren. Des Weiteren können Maßnahmen zur Kompensation von CO2-Emissionen festgelegt und Werkzeuge zur Erfassung der Emissionen definiert werden. Als letzter Punkt auf der Checkliste wird die Bestimmung von Kriterien genannt, die dazu führen sollen, dass die verwendete Hardware sowie das genutzte Rechenzentrum nachhaltig sind.

Auch die Datenverarbeitung sollte zukünftig nachhaltiger gestaltet werden. Sie bildet das Kernstück von KI und beruhet auf maschinellem Lernen. In diesem Punkt geht es vor allem darum, wie viele Daten verarbeitet werden sollen, wie sie interpretiert werden können oder welche Qualität sie haben müssen. Um hier nachhaltiger zu werden und den Energieverbrauch zu senken, sollte regelmäßig reflektiert werden, wie viele Daten für das Training und den Betrieb der Systeme notwendig sind, um den Rechenaufwand am Ende so klein wie möglich zu halten.

Im Schritt der Entwicklung und des Trainings sollten laut dem Bericht Risiken eingedämmt und der Energieverbrauch minimiert werden. Um Energie einzusparen, ist es ratsam vortrainierte Modelle mit geringer Komplexität zu verwenden. Zudem müssen CO2-Emissionen, die im Entwicklungsprozesse anfallen, permanent und konsequent erfasst werden. Die Auswahl von Trainingsstandort und -zeitpunkt sind Faktoren, die dabei berücksichtigt werden sollten. Außerdem wird während der Anwendung überprüft, ob der Ressourcenverbrauch den Nachhaltigkeitspotenzialen gerecht wird.

Die meiste Energie wird in der Trainings- und Anwendungsphase verbraucht, fachsprachlich auch Inferenz genannt. Als Beispiel: In den Facebook-Rechenzentren finden täglich Billionen Inferenzen statt. Diese Zahl hat sich in den letzten Jahren sogar verdoppelt und die Infrastruktur dazu dahin gehend angepasst. Die Server von Facebook haben sich von 2018 bis 2019 deshalb um das 2,5-fache gesteigert.

Im Bereich der künstlichen Intelligenz herrscht unter den Unternehmen aktuell ein stetiger Wettbewerb, indem jeder um die Vormachtstellung auf dem Markt kämpft. Ein Grund, warum energieeffizientere Hardware und Methoden bisher deshalb nur dafür genutzt wurden, um Modelle größer und nicht nachhaltiger zu machen. 

Mit der Checkliste zeigt AlgorithmWatch, dass es auch anders geht. Die Kosten und der Aufwand für die Umstellung sind zwar hoch, aber aufgrund der weiter steigenden Energiepreise langfristig betrachtet durchaus rentabel.

Nicht nur die Herstellung und Anwendung sollte energieschonender werden, auch der gezielte Einsatz von KI kann uns dabei helfen andere Ressourcen effizienter und nachhaltiger zu nutzen. Zum Beispiel beim Energiemanagement von erneuerbaren Energien. Im Alltag sind das Smart-Grid oder Smart-Home Technologien mithilfe dessen der Energieverbrauch in Wohnräumen erfasst und reguliert werden kann. Hier ist vor allem wichtig, dass in der Anwendung nicht mehr Ressourcen benötigt, als für die Herstellung gebraucht werden.

Auch im Sektor Verkehr können durch KI-gestützte Mobilität autonomes Fahren und vernetzte Kleinbusse dabei helfen, auf das eigene Auto zu verzichten und den Verkehr in Städten zu entzerren.

Bisher sieht die Ökobilanz von KI noch recht mager aus: Rechenzentren, Datenströme und digitale Endgeräte verbrauchen mehr Energie, als sie dabei helfen, Energie einzusparen. Damit sich das zukünftig ändert und die Digitalisierung in ihren positiven Auswirkungen aufs Klima überwiegt, bedarf es deutschland- und europaweit festgelegte Standards, an die sich Unternehmen halten müssen. 

Deutschland hat hierzu das Energieeffizienzgesetztes auf den Weg gebracht, dessen erster Entwurf dem Bundesministerium für Wirtschaft und Klimaschutz (BMWK) bereits vorliegt. Es bleibt abzuwarten, wann dieser verabschiedet wird und mit der Umsetzung begonnen werden kann.

Header: Mahdis Mousavi auf Unsplash.
Foto: Dan LeFebvre auf Unsplash.

Um es gleich vorwegzunehmen: Das, was solche Bilder vermitteln, hat wenig bis gar nichts mit der Technologie zu tun, die wir heute haben. Was wir heute haben, ist höchstens eine narrow AI, eine schwache künstliche Intelligenz. Das sind Algorithmen, die jeweils eine Aufgabe sehr gut ausführen; die Input bekommen und einen Output zu einer bestimmten Zielfunktion ausgeben. Auch, wenn es eine Definitionsfrage ist, was wir genau als intelligent bezeichnen – diese Algorithmen werden wohl nicht dazu gehören. Sie können keine Aufgaben kombinieren, weder reflektieren noch erklären, was sie tun. Diese schwache KI, sie hat wenig gemein, mit dem, was in Science-Fiction-Filmen oder der Google Suche vermittelt wird.

Dennoch halten sich anfangs beschriebene Assoziationen hartnäckig. Und damit verbundenes Unbehagen. Das scheint auch nicht völlig unbegründet, denkt man beispielsweise an die im letzten Jahr begonnene Diskussion zwischen Mark Zuckerberg und Elon Musk: Musk nimmt dabei die eher dystopische Seite ein; warnt davor, dass KI gefährlicher sei als nordkoreanische Atomwaffen. Als unverantwortlich betitelte Zuckerberg hingegen solche stark negativen Äußerungen. Hat er damit Recht – ist es unverantwortlich, so eindrücklich eine Warnung auszusprechen?

Die generelle künstliche Intelligenz

Die KI, von der Musk spricht, ist eine generelle KI. Eine, die viel leistungsfähiger ist als die Algorithmen, die wir kennen; die nicht nur eine einzige Aufgabe oder Zielfunktion löst, sondern zu viel mehr in der Lage ist. Was dieses „viel mehr“ genau impliziert, ist abhängig von unserem Verständnis von Intelligenz. Was benötigt ein System, damit es sich künstlich intelligent nennen kann? „Das ist eine Definitionsfrage. Sagen wir mal, sie sollte wirklich sein wie der Mensch –  es gibt dann immer noch die Frage, was den Menschen als intelligentes Wesen ausmacht“, sagt Professor Florian Ellsaesser vom Centre for Human and Machine Intelligence der Frankfurt School of Finance and Management. Aber was bedeutet Intelligenz, intelligent sein?

Dr. Sebastian Thieme, Bioinformatiker und –physiker, spricht von einer KI als ein System, das Intuition und Kreativität besitzt, und damit gemeinsam mit seinen Erfahrungen Entscheidungen treffen kann: „Wie ein Mensch, nur als Computer.“ Wenn wir diese Stufe erreichen, wird es sehr spannend, ist er sich sicher. „Das bedeutet ja, dass wir ein Objekt geschaffen haben, das selbst denkt. Wenn wir es herunterbrechen, wäre der Mensch ja quasi die erste Stufe der künstlichen Intelligenz – bloß nicht künstlich, sondern biologisch. Im Prinzip werden wir durch unser Gehirn komplett gesteuert, alles findet in unserem Kopf statt. Mit der KI bauen wir ja eine Art künstliches Gehirn. Das heißt, wir wären in der Lage, eine Lebensform zu schaffen – und weil wir sie schaffen, ist sie nun mal künstlich. Aber sobald es eine Lebensform ist, ist sie eigentlich auch nicht mehr künstlich.“

„Nur, weil wir Blut, Herz und Puls haben – ist das Leben?“

Wenn wir dort erst einmal angekommen sind, werden wir uns grundlegenden Fragen stellen müssen.  „Wo beginnt Leben? Wie definieren wir das? Nur, weil wir Blut, ein schlagendes Herz und Puls haben, – ist das Leben? Oder heißt Leben, Intuition, Intelligenz und Gefühle zu haben?“ Das sind momentan rein hypothetische Überlegungen, wir haben so etwas derzeit noch nicht. Ob eine KI Gefühle haben oder entwickeln könnte, irgendwann einmal, das weiß er selbst nicht genau. Aber solche Fragen sind nicht nur relevant, wenn wir über KI sprechen, sie offenbaren viel über das Menschen- und Weltbild, das wir haben. Was definiert uns als Menschen, uns als Gesellschaft? Würde ich mich einer Maschine, die ähnlich denkt wie ich, mit der ich Gespräche führen könnte, näher fühlen, als beispielsweise einem Frosch, mit dem ich nichts gemeinsam habe, außer einem Herzschlag? Oder ist es eben im Endeffekt doch dieser Herzschlag, der auf eine Weise verbindet, die schlichtweg nicht imitierbar oder ersetzbar ist?

„Das ist wie ein Geist, den man aus der Flasche lässt – schwierig, den wieder hineinzubekommen“

Noch ist es Zukunftsmusik. Aber wie lange wird das noch der Fall sein? „Ich glaube, dass der Computer irgendwann diese menschliche Intelligenz erreicht“, sagt Ellsaesser. „Aber was es momentan gibt, hat damit nichts zu tun. Diese Algorithmen können sehr gut Zusammenhänge extrahieren – wir geben Ihnen Daten und Zielfunktion, und sie optimieren dahingehend.“ Trotzdem glaubt Thieme, dass es nicht mehr in allzu ferner Zukunft liegt. „Teilweise wird geplant, das innerhalb der nächsten zehn Jahre zu schaffen – das wäre tatsächlich relativ zeitnah“, sagt er. Selbst wenn zehn Jahre noch eine zu optimistische Schätzung seien; seiner Einschätzung nach werden es die Generation der jetzigen Mittzwanziger und –dreißiger mindestens noch erleben. „Ich glaube, dass wir näher dran sind, als wir denken. Wir reden nicht mehr von hunderten von Jahren sondern einigen Jahrzehnten.“

Dass wir noch einige Jahre davon entfernt sind, bedeutet allerdings nicht, dass wir nicht über das sprechen sollten, was sein kann. Auch, wenn man dabei aufpassen muss: „Man muss darüber nachdenken, das ist wichtig, aber man muss differenzieren: Was ist derzeit mit den Algorithmen möglich; was, wenn sie noch besser werden und was ist Fantasie. Das heißt nicht, dass man darüber nicht nachdenken darf – man darf nur eben eines nicht verwechseln: Ist das eine Idee von der Zukunft oder bereits Realität?“, warnt Ellsaesser. Damit hat er selbstverständlich recht: Wenn wir darüber sprechen, wenn wir überlegen, was es bedeuten würde, eine generelle KI zu haben, müssen wir uns immer vor Augen führen, dass wir mit etwas Hypothetischem hantieren. Sonst überschätzen wir das, was wir im Alltag an Technologie finden, oder reden an der Realität vorbei. Es gibt allerdings Fragen, die wir uns heute schon stellen müssen, auf die wir heute schon versuchen müssen, Antworten zu finden. Das Monitoring von Algorithmen, also das Überwachen oder Prüfen von der Technologie, ist eine davon: „Das ist ein wichtiger Schritt, Algorithmenmonitoring, den wir gehen müssen, bevor wir eine generelle KI haben.“ Thieme ist sich sicher, dass wir uns jetzt schon Gedanken darüber machen müssen, welchen Rahmen eine generelle KI bekommen würde, welche Grenzen, die sie wirklich nicht verlassen dürfte. Denn: „Wenn wir es erst danach tun, wird es wahrscheinlich zu spät sein. Das ist wie ein Geist, den man aus der Flasche lässt – schwierig, den wieder hineinzubekommen.

Menschliche Intelligenz ist also, theoretisch, durchaus von Algorithmen zu erreichen – auch wenn es derzeit noch nicht geschehen ist. Trotzdem müssen wir uns fragen, was derartige Technologie darf und was nicht. Und wir werden uns fragen müssen, wie wir Leben und Intelligenz definieren, und wie wir uns als Menschen eigentlich verstehen. Was für ein Weltbild wir vertreten. Es wird spannend.

Titelbild: Photo by Marc Liu on Unsplash, CCO

Zur Bestimmung von Krankheiten werden heute schon Patientendaten von selbstlernenden Computern ausgewertet. Künstliche Intelligenz soll in Zukunft nicht nur Ärzte unterstützen, sondern selbstständig Diagnosen liefern können.

Die rechtzeitige Diagnose ist oft entscheidend für den weiteren Verlauf einer Krankheit. Können die Symptome früh genug der zugrundeliegenden Krankheit zugeordnet werden, sind die Heilungschancen meist höher. Erfahrene Ärzte vergleichen hierzu die vorhandenen Informationen z.B. über Krankheitsgeschichte oder Medikamente mit ähnlichen Fällen aus der Vergangenheit. Genau hierbei sollen sie nun digitale Unterstützung erhalten. Künstliche Intelligenz wertet die Patientendaten aus und ist so Ärzten bei der Diagnose behilflich.

Riesige Datenmengen

Durch die Digitalisierung von Patientenakten ist es möglich geworden, riesige Mengen an Daten über Krankheitsverläufe zu sammeln und zu speichern. Weit mehr als für Menschen überschaubar sind. In Zeiten von Big-Data kommen daher nun auch in Krankenhäusern Supercomputer zum Einsatz.

Besonders zur Diagnose seltener Krankheiten ist es notwendig, vielerlei Aspekte mit einzubeziehen. Hier könnte eine besondere Stärke der intelligenten Systeme liegen, da sie auch auf Informationen von Krankheiten Zugriff haben, die den behandelnden Ärzten oft unbekannt sind.

Traditionell werden medizinische Daten über Studien gewonnen. Auch dies wird sich in einer digitalisierten Welt ändern. Anonymisierte Patientenakten generieren einen weit größeren Input, als dies über statistische Erhebungen möglich wäre. Hochrechnungen könnten dadurch überflüssig gemacht und die statistische Genauigkeit deutlich erhöht werden.

Eliminieren menschlicher Fehler

Die automatisierte Diagnose läuft dabei folgendermaßen ab. Der Computer wird mit den relevanten Informationen gespeist und durch Abgleich mit gespeicherten Daten werden verschiedene Diagnosen ihrer Wahrscheinlichkeit nach geordnet anzeigt. Hierbei geschieht prinzipiell genau das gleiche, was normalerweise der Arzt leistet: Anhand der gegebenen Informationen unter anderem über Symptomatik und medizinische Vorgeschichte werden mögliche Ursachen ermittelt.

Der menschliche Faktor fällt hier jedoch weg. Die vorhandenen Daten werden objektiv von einem feststehenden Algorithmus ausgewertet. Typisch menschliche Fehlschlüsse wie Wunschdenken werden eliminiert. Auch werden von Ärzten häufig kleiner Anomalien nicht berücksichtigt, weil sie schlicht nicht wahrgenommen werden. Dieses Problem könnte in Zukunft mit Hilfe von KI gelöst werden.

Intelligente Systeme sind zudem in der Lage, selbstständig zu lernen. Mit jeder neuen Diagnose kann der Algorithmus angepasst und verfeinert werden. Im Prinzip vergleichbar mit dem Erwerben von Erfahrung beim Menschen, nur mit dem Unterschied, dass Rechner nicht vergessen. Einmal Erlerntes bleibt gespeichert und kann auch von Gerät zu Gerät verlustfrei ausgetauscht werden. Gehen erfahrene Mediziner in Rente, geht meist viel Knowhow verloren. Der Entwicklung von KI sind hier keine Grenzen gesetzt.

Noch stellt der Arzt die Diagnose, doch in Zukunft könnte künstliche Intelligenz mehr als eine Berateraufgabe zufallen. Hochentwickelte Geräte könnten alleine arbeiten und selbstständig über Behandlungsmethoden entscheiden.

Nutzung von Bio-Sensoren

Einen weiteren interessanten Aspekt bietet der Einsatz von Bio-Sensoren. Patienten können hierbei laufend auf neue Symptome oder Änderungen des Zustands überwacht werden – auch ambulant. Die verbundenen Systeme erkennen so, ob z.B. medizinische Hilfe notwendig wird und gegebenenfalls den Patienten instruieren. Das Übersehen von Symptomen wird dadurch vermindert.

Schon heute hilft künstliche Intelligenz, Leben zu retten. In Zukunft wird die Diagnostik noch mehr von deren Möglichkeiten profitieren. Es wird zwar noch etwas dauern, bis wir alle von Robotern behandelt werden, allerdings ist dies keine reine Science-Fiction-Vorstellung mehr.

Titelbild: hand von geralt via pixabay CC0 public domain