Im Interview: Professor Ingo Timm von der Universität Trier

Next Big Think Juli 30, 2020

Professor Ingo Timm beschäftigt sich seit über 25 Jahren mit künstlicher Intelligenz. Seit 2010 lehrt er Wirtschaftsinformatik an der Universität Trier und ist seit 2020  Leiter des Themenfelds “Kognitive Sozialsimulation” am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI). Professor Timm ist Sprecher des Centers for Informatics Research & Technology der Universität Trier sowie des Fachbereichs Künstliche Intelligenz der Gesellschaft für Informatik (GI). Sein Forschungsschwerpunkt sind kognitive Sozialsimulationen sowie deren Einsatz für die öffentliche Sicherheit, Industrie und Logistik 4.0. Er leitet an der Universität Trier ein Projekt, welches eine kognitive Sozialsimulation für das kommunale Pandemie-Management in Deutschland erarbeitet. Der KI-Experte sprach im Interview mit fintechcube unter anderem über die KI-Forschung in Deutschland, seine aktuellen Forschungsschwerpunkte sowie menschenzentrierte Prozesse.

Was hat Sie dazu bewegt, sich mit künstlicher Intelligenz zu beschäftigen?

Das ist eine gute Frage. Das ist schon so wahnsinnig lange her, dass ich mich kaum noch daran erinnere. Es war 1994, als ich das erste Mal mit KI in Kontakt gekommen bin. Ich hatte damals einen HiWi-Job im KI-Labor der Uni Bremen angefangen. Im KI-Labor der Uni Bremen gab es Forschung und Entwicklung für ein Experten-System für die Diagnose und Therapie von Mammakarzinomen. Ich habe mich in diesen Themenkomplex eingearbeitet und fand es faszinierend, dass mit der KI versucht wurde, das Wissen von Menschen zu repräsentieren.

Das Mammakarzinom-Programm würden wir heute nicht als besonders hochwertige KI bezeichnen. In der Onkologie sind zu der Zeit etwa 8.000 Publikationen pro Jahr zum Mammakarzinom erschienen. Kein Wissenschaftler ist in der Lage, solche Mengen an wissenschaftlichen Dokumenten aufzunehmen und zu verarbeiten. Die Software hat damals den wissenschaftlichen Konsensus zur Behandlung dieser Krebsart abgebildet und so den aktuellen Wissenstand aufbereitet. Das Programm war jedoch nicht nur eine Wissensbasis, sondern konnte aus dem Konsensus der Mediziner auch Schlussfolgerungen für eine Behandlung ziehen und Therapie-Empfehlung abgeben. Das hat sehr gut funktioniert!

Ich war mit dem Programm mehrfach auf der Fachmesse Medica. Einmal kam ein Arzt auf der Messe zu mir und hatte die Daten einer echten Patientin dabei.  Wir haben die Daten gemeinsam in das Computersystem eingegeben und das System hat vorgeschlagen, was zu machen ist. Der Arzt hatte fast Tränen in den Augen: “Das ist genau die Empfehlung, die das Tumorzentrum mir zu der Patientin gegeben hat.” Und das hat mich fasziniert! Dass ein Computerprogramm in der Lage ist, den aktuellen Stand der Forschung abzubilden und einem Menschen zur Verfügung zu stellen, der Experte ist. Der Experte wird in seinem Alltag durch das System und dessen Datenbestand unterstützt und erhält einen neuen Blick auf sein Wissen.

Was macht Ihre Faszination für künstliche Intelligenz aus?

Mich hat immer wieder fasziniert, wie Menschen durch die Interaktion mit KI eine bessere Lösung finden. Für mich ist KI so etwas wie Kerninformatik: Wir versuchen Probleme zu lösen, die bisher noch nicht mit Computern gelöst werden. Wir versuchen neue Wege zu finden, indem wir uns überall Anleihen nehmen – in der Psychologie, in der Soziologie, in der Medizin oder in der Biologie. Denken Sie an Algorithmen, die sich an den Laufwegen von Ameisen orientieren. An kognitive Schlussfolgerungsmechanismen, die an die psychologischen Denkprozesse des Menschen angelehnt sind. Oder an Sozialstrukturen, die zur Stabilität von verteilten Systemen genutzt werden. Das sind alles Mechanismen der KI, die aus anderen Disziplinen aufgegriffen wurden, um informatische Systeme neu zu gestalten. Man hat mit KI die einzigartige Möglichkeit, Fragen immer wieder neu zu stellen, Probleme neu zu denken und Ansätze zu suchen, wo vorher noch niemand gesucht hat.

Sie haben an der Universität Trier ein Projekt geleitet, welches eine Computersimulation für das Pandemiemanagement erarbeitet hat. Wie genau funktioniert die Simulation?  Was steht uns laut Simulation mit Blick auf Corona bevor?

Das ist eine Frage, die nicht leicht und schnell zu beantworten ist. Wir sind mit der Corona-Krise in einer einzigartigen Situation. Eine Pandemie ist eine existenzielle Bedrohung für die Gesellschaft mit katastrophalen Folgen. Sie ist mit einer solchen Einzigartigkeit versehen, die es unglaublich schwer macht, sich vorzubereiten. Wir können nur schwer alle möglichen Maßnahmen im Vorfeld durchdenken und deren Folgen abschätzen. Wir fahren daher auf Sicht. Wir haben immer wieder konkrete Fragestellungen und Entscheidungen, die diskutiert werden müssen. Besonders zu Beginn hatten wir zusätzlich eine sehr schlechte Informationslage. Wir haben über Corona-Erkrankungen beim Menschen bisher keinen großen Wissenstand. Es ist keine Erkrankung, die unseren Alltag zuvor beeinträchtigt hat. Das bedeutet, wir wussten nicht: Was sind die primären Ansteckungswege? Mit welchen Wahrscheinlichkeiten müssen wir rechnen? Welche Mutationen können auftreten? Welche Medikamente wirken?

Für das Modell ist es besonders wichtig zu wissen, von welcher Ansteckungsgefahr wir denn eigentlich reden. Mit dem Modell sollte beispielsweise abgeschätzt werden, ob es sinnvoll ist, eine Schule offen zu lassen oder zu schließen. Fragen, die auf politischer Ebene entschieden werden müssen, bei denen das Modell unterstützen kann.

Der Effekt solcher Maßnahmen hängt extrem stark von der Akzeptanz der Menschen, aber auch von der Art und Weise, wie die Menschen damit umgehen, ab. Gehöre ich zur Risikogruppe oder stehen mir Menschen nahe, die zu dieser gehören? Kenne ich jemanden der Corona hat? Wie verhält sich mein Umfeld? Es gibt ganz unterschiedliche Einstellungen zu der Krankheit und die steuern das individuelle Verhalten.

Wenn ich beispielsweise in einer Nachbarschaft lebe, in der alle Angst haben und Mund-Nasen-Schutz tragen, werde ich das auch tun. Hier wirken soziale Mechanismen. Wenn Sie in einem stillen Raum gehen, fangen Sie tendenziell auch nicht an, laut loszuschreien. Solche sozialen Mechanismen bewirken, dass es eine bestimmte Art von Gruppenverhalten gibt. Dieser Emergenz-Effekt tritt durch die Interaktion von mehreren Menschen auf, die zusammen ein bestimmtes Makro-Verhalten schaffen. Dieses gruppendynamische Verhalten und die Ansteckungseffekte werden im Modell berücksichtigt und helfen dabei, die Wirksamkeit und Folgen von Maßnahmen einzuschätzen.

Für mich hat die Forschung für ein solches Modell vor rund elf Jahren während der H1N1-Pandemie angefangen. Damals gab es im Raum Frankfurt die Regelung: Wenn in einer Schule mehr als drei Kinder erkrankt sind, wird diese Einrichtung geschlossen. Die Frage, die ich mir damals gestellt habe, war: Ist es überhaupt sinnvoll, wenn die Kinder nicht in die  Schule gehen und sich stattdessen in riesigen Parks und auf Spielplätzen aufhalten? Dort treffen sich dann nicht mehr die 300 Kinder aus der Einrichtung, sondern die 3.000 Kinder aus dem Stadtteil. Ist die Ansteckungsgefahr dann nicht größer? Und ist die Maßnahme der Schulschließung dann nicht eher kontraproduktiv?

Dieser Fragestellung bin ich jedoch erst 2013 in Zusammenarbeit mit einem Studierenden nachgegangen. Wir haben versucht, das Szenario durchzurechnen. Wie verändert sich die Ansteckung bei Schließung von Schulen vom ersten zum zweiten Kind? Dafür haben wir Grundmodelle der Ansteckungsdynamik herangezogen. Für Krankheitsverläufe gibt es bereits etablierte epidemiologische Modelle, wie das SEIR-Modell und seine Varianten, die auch heute das Robert-Koch-Institut (RKI) verwendet. Und dann rechnet man durch, wo und wie Menschen aufeinandertreffen können. Wir haben ein agentenbasiertes System modelliert und mussten nach dessen Berechnungen damals „leider“ feststellen, dass die Maßnahme der Schulschließung sinnvoll ist. Wir waren überrascht, wie klar sich das zeigte. Es war tatsächlich eine gute Möglichkeit, um die Ansteckungsdynamik zu unterbrechen.

Für die Corona-Situation haben wir im März 2020 auf diesem Modell und theoretischen Vorarbeiten meiner Arbeitsgruppe aufgebaut, die ich als den Trierer Ansatz der kognitiven Sozialsimulation bezeichne. Wir simulieren, wie Menschen sich begegnen, was sie gemeinsam machen, aber auch individuelle Entscheidungswege. Daraus berechnen wir in der Simulation Tagesabläufe, die die aktuellen Möglichkeiten der Menschen in deren Umfeld berücksichtigen, wie Geschäfte, Freizeitmöglichkeiten, Arbeitgeber und so weiter. Daraus können wir erkennen, wie viele und welche Menschen sich an gleichen Orten treffen können.

Diese Art der Modellierung hat zwei entscheidende Unterschiede zu jener Modellierung des RKIs. Einerseits sind unsere Modelle durchaus unschärfer, da wir viel mehr Freiheitsgrade haben und in größerem Maße Annahmen berücksichtigen und testen müssen, da wir das Verhalten von Menschen detaillierter nachbilden. Es gibt entsprechend viele Fehlerquellen. In den etablierten mathematischen Modellen ergeben sich allerdings Schwierigkeiten, konkrete Maßnahmen in ihren Auswirkungen im Kontext einer bestimmten Region – wie einer Kommune - zu verstehen.

Mit unserer Simulation können wir abschätzen, wie sich die Ansteckungen nach den Maßnahmen entwickeln. So schaffen wir auf einer regionalen Entscheidungsebene eine bessere Erklärbarkeit der Prognose. Hier können die wirtschaftlichen und sozio-demografischen Faktoren der Städte berücksichtigt werden. Damit gelingt vor allem der Vergleich von Maßnahmen. Wir haben unter anderem die Schulschließungen, Home Office und Kontaktbeschränkungen modelliert. Dabei haben wir herausgefunden, dass sich Covid-19 mit den drei genannten Maßnahmen in etwa so ausbreitet wie eine Influenza ohne Maßnahmen.

Ihr Forschungsschwerpunkt ist die kognitive Sozialsimulation – Wo stehen wir in Deutschland in diesem Bereich und mit künstlicher Intelligenz im allgemeinen? Was kann die Technologie bereits?

Die KI-Forschung in Deutschland muss sich nicht verstecken. Wir haben eine hervorragende Forschungslandschaft in der KI und auch einige Unternehmen, die in diesem Bereich tätig sind. Es ist natürlich so, dass einige Länder in vielen Bereichen schneller sind. Aber wir haben eine große Erfahrungsbasis und eine lange Tradition in der KI-Forschung. Nehmen wir jedoch den Bereich des Machine Learning, der sehr datengetrieben ist: Da haben wir natürlich gegenüber Ländern, denen die ganz großen Unternehmen wie Facebook angehören, die Daten in Massen sammeln, einen gewissen Wettbewerbsnachteil in Deutschland. Im industriellen Bereich haben wir diese großen Datenbestände jedoch selbst, da wir die Werkstätten der Welt bauen! Das industrielle, maschinelle Lernen ist in Deutschland wirklich gut positioniert. Es muss natürlich weiterhin gefördert werden. Machine Learning deckt jedoch nur einen Teilaspekt der künstlichen Intelligenz ab.

Einen anderen Bereich nennen wir das “Planen”. Ein Computersystem leitet aus einer Zielvorgabe Handlungsoptionen und Erwartungen über die Folgen seiner Handlungen ab. Daraus leitet das System ab, was die nächste vernünftige Aktion ist, um ans Ziel zu kommen - eine ganz andere Konstruktion eines Programms. Das ist ein ganz großer Bereich, wenn man industrielle Prozesse planen möchte, die hohe Flexibilität brauchen, wie zum Beispiel bei Klein- oder Einzelfertigungen. Diese sind in Deutschland insbesondere in der Industriefertigung sehr häufig anzutreffen.

Wir haben mit dem Planen einen Bereich der künstlichen Intelligenz, der auf sehr wenige Daten zugreift. Auch hier gibt es tolle Arbeitsgruppen in Deutschland. Dann gibt es noch den Bereich des erfahrungsbasierten Lernens. In diesem sind wir auch gut aufgestellt.

Der Bereich der kognitiven Sozialsimulation ist noch ein recht exploratives Feld, da er Bereiche zusammenfügt, die logisch zusammengehören, jedoch sehr schwer miteinander vereinbar sind. Wir untersuchen hier eine große Anzahl von Akteuren, die miteinander interagieren. Die Einzeldisziplinen, das Modell eines Sozialsystems und die Nachbildung von einzelnen kognitiven Prozessen sind bereits gut erforscht. Die Kombination ist eine große Herausforderung. Dieser Bereich steht international noch am Anfang und ist insgesamt ein sehr junges Feld der künstlichen Intelligenz.

Woran forschen Sie aktuell?

Ein Beispiel: Was ist ein sinnvoller digitaler Zwilling einer Stadt? Sprich: wie müssen wir unsere Daten sammeln und aufbereiten, damit wir schnell Modelle entwickeln und für Antworten auf spezielle Frage heranziehen können? In der Produktion ist das ziemlich einfach, denn hier sind wir gewohnt, Simulationen zu bauen. In der Stadt sind wir das nicht gewöhnt. Wir haben zwar Verkehrssimulationen, Simulationen rund um Energiesysteme. Zusätzlich haben wir Einblicke in Angebot- und Nachfragestrukturen. Allerdings haben wir kaum Verbindungen zwischen den einzelnen Sektoren einer Stadt.

Ich bin aus einem ganz anderen Kontext zur kognitiven Sozialsimulation gekommen, als man vielleicht erwartet. Und zwar nicht aus dem Kontext: “Ich möchte gern Menschen simulieren, weil das so toll ist.” Sondern eigentlich aus einem ganz pragmatischen Grund. Ich habe 1998 begonnen, mich mit einer Thematik zu beschäftigten, die wir Agenten und Logistik nennen. Die Fragestellung ist, wie man autonome Prozesse in der Logistik realisieren kann. Die autonomen Systeme sind besonders in Ausnahmesituationen hilfreich, da sie flexibel auf unerwartete Situationen reagieren können. In der Praxis ergibt sich nun aber das Problem, dass Entscheidungen über Produktionssysteme mit Hilfe von Simulationen unterstützt werden, die Szenarien durchrechnen, die im wesentlichen den „Normalfall“ durchspielen. Hier müssen zunächst neue Szenarien und Simulationsansätze entwickelt werden, die nicht nur den Regelfall, sondern auch den Ausnahmefall berücksichtigen. Simulationen sind mittlerweile die absolute Standardmethode, um Produktionsabläufe zu gestalten und zu planen.

Von der Forschungsunion zum Zukunftsprojekt Industrie 4.0 kam im Jahr 2012 dann noch ein neuer Aspekt hinzu, der mich seitdem sehr bewegt: Die Produktion folgt dem Takt des Menschen. Wir können uns heute Systeme vorstellen, in denen ein Arbeiter sagt: Ich möchte heute nur in halber Geschwindigkeit arbeiten. Mit unseren heutigen Systemen könnten wir die Produktion so umrechnen, dass die Taktung der Produktion an die Entscheidung des Menschen angepasst wird. Dieses Bild finde ich unglaublich faszinierend. Es hat etwas von einer Gleichsetzung der menschlichen und der technischen Expertise.

Gehen wir in einen anderen Bereich: in die Pflege. Da gibt es konkrete Vorgaben wer, wann und wie betreut wird. Aktuell ist ein Sonderwunsch in der Planung nur sehr schwer unterzubringen. Heutzutage wird diese Problematik vor allem durch Überstunden gelöst. Technisch gesehen könnten wir diesen Prozess jedoch so organisieren, dass wir die Arbeit umschichten, dass wir gegebenenfalls andere Mitarbeiter einsetzen und so weiter. Das ist technisch alles denkbar. Wir sind hier sehr, sehr weit. Jedoch findet das kaum Eingang in die Praxis, da wir die Prozesse mit dem Menschen als wichtige Entscheidungseinheit hier nicht entsprechend vorher in der Simulation angemessen abbilden und so nur eingeschränkt planen und optimieren können.

Wir brauchen in unseren industriellen Simulationen die Möglichkeit, den Menschen mit seinem eigenen Motivations- und Anreizsystem mitzudenken. Unter Berücksichtigung dessen könnten wir eine Planung entwickeln, die die Produktionsvorgaben trotzdem einhält. Der Mensch wird in der Fertigungssimulation aber bis dato nicht richtig abgebildet. Aber das Ziel wäre es doch, einen Prozess zu gestalten, der von den Menschen geliebt wird. Es ist jedoch ganz schwierig, diese Diskussion in den Produktionen zu führen, da uns als Simulations-Community in der Produktion und Logistik auch die Erfahrung und Modelle fehlen, um den Menschen angemessen abzubilden. Ich bin davon überzeugt, dass wir heute bereits die Theorien und Modelle sowie das notwendige Werkzeug dazu entwickeln müssen, um in fünf Jahren die menschenorientierte Produktion planen und realisieren zu können. Dazu will ich mit meiner Forschung beitragen.

In welchen Bereichen wird künstliche Intelligenz in den nächsten 10 Jahren eine zentralere Rolle einnehmen?

Es ist unglaublich schwer einen Bereich zu nennen, in dem KI keinen Beitrag leisten könnte. Meine Vermutung ist, dass wir nicht ein oder zwei Bereiche haben, in denen KI verstärkt eingesetzt wird. Ich vermute eher, dass wir eine weniger starke Wahrnehmung von KI-basierten Systemen haben werden. Es wird immer mehr KI geben, die um uns herum in Produkten, Geräten, Gebäuden aber auch Alltagsgegenständen enthalten ist und wir werden diese immer weniger als KI wahrnehmen.

Nehmen wir das Beispiel der Smart Watch. In den ersten fünf Tagen ist das ein ganz toller Computer. In den ersten drei Wochen ist sie ein Sportmessinstrument und in einem halben Jahr ist es eine tolle Uhr. Wir werden viel KI haben, die indirekt auf uns einwirkt. Wir werden viel Machine Learning einsetzen, aber auch dessen Grenzen erkennen. Nämlich genau dann, wenn wir selbst noch keine Daten gesammelt oder Muster darin erkannt haben.

Was wir sehen werden, ist die subtile Wahrnehmung von KI in unserem Alltag. Was wir meiner Meinung nach nicht haben werden, ist das autonome Auto als Standard. Das wird noch länger dauern. Ich denke auch, dass die Universal-Robotik noch sehr in Frage steht. In den nächsten fünf Jahren werden wir massentauglich Roboter höchstens für spezielle Aufgaben einsetzen. Kleine Anwendungen von KI werden wir in ganz vielen Prozessen um uns herum sehen. Ich träume zwar von dem Roboter, der die Geschirrspülmaschine ein- und ausräumt, aber den werde ich in den nächsten fünf Jahr wohl nicht sehen. Das wird auch mit Blick auf die Pflege ein wichtigster Schritt. Überall wo wir schwierige, belastende Aufgaben haben, sehe ich Potenzial für Roboter, aber eher für Roboter, die für die jeweilige Aufgabe spezialisiert sind, wie den aktuell sehr beliebten Staubsaugerroboter.

Beim Newsletter anmelden und keinen Artikel mehr verpassen

Die spannendsten Artikel der Woche jeden Freitag direkt in Ihr Postfach

* Pflichtfeld

Sarah Kolberg

Sarah Kolberg ist Redakteurin bei fintechcube und hat sich in ihrer bisherigen Laufbahn vor allem mit der digitalen Transformation im Public Sector beschäftigt.