Stellen Sie sich vor, Sie sitzen am großen Flachbildschirm Ihres Computers. Sie haben eine Tabellenkalkulation geöffnet.

Doch anstatt der üblichen – sagen wir – zehn Spalten und 15 Zeilen hat das Dokument diesmal 10.000 Spalten und 25.000 Zeilen. Und in jeder Zelle steht eine Zahl mit zwei Kommastellen. Und alles unterschiedliche Zahlen. Nun lautet Ihre Aufgabe: Zeichnen sich Muster in diesem Riesenberg von Zahlen ab? Gibt es Regelmäßigkeiten? Etwa Regeln? Oder Formeln? Damit wir „künstliche Intelligenz“ verstehen, müssen wir uns mit solchen Beispielen auseinandersetzen.

Die Muster in einem Berg von Zahlen erkennen

Also die Frage: Erkennen wir Muster? Ich weiß, was Sie jetzt sagen. Das ist unmöglich! Und mir geht es genauso. Wir Menschen können das nicht. Doch die Technologie, die wir als „künstliche Intelligenz“ bezeichnen, die kann das. Doch wie geht das? Die Antwort: mit Training. Wie sieht dieses Training aus? Nehmen wir als zweites Beispiel etwa einen Stapel mit 35.000 Fotos mit allen möglichen Motiven. Nehmen wir einen zweiten Stapel von 800 Fotos, auf denen Autos abgebildet sind. Diese Fotos zeigen wir einer Bilderkennung und erklären ihrer Software, dass auf den Fotos Autos abgebildet sind. Die künstliche Intelligenz „lernt“, auf Fotos Autos zu erkennen. Das nennt sich „Maschinelles Lernen“. Wenn wir nun die künstliche Intelligenz bitten, den größeren Stapel mit den 35.000 Fotos durchzuschauen, kann sie uns recht zuverlässig die zeigen, auf denen ein Auto abgebildet ist.

Was erkannt werden soll, muss gelernt werden

Dieses Grundprinzip funktioniert auch für Formeln, für Töne- und Tonmuster und – Einstiegsbeispiel – natürlich mit jeder Art von Zahlen-Ansammlung. Es geht auch mit aktuellen Daten im Vergleich mit Daten der Vergangenheit. Man kann Zeitreihen bilden. Etwa einen Stapel von 35.000 aktuellen Fotos mit einem Stapel von 35.000 Fotos aus den 1960er Jahren zu vergleichen – und zwar nicht nur hinsichtlich Autos, sondern etwa auch nach Mode oder nach lächelnden Frauen auf Familienfotos.

Künstliche Intelligenz ist Basis-Technologie der Wirtschaft

So kann man in etwa und ganz grob die Funktionsweise von künstlicher Intelligenz erklären. Und da wir mittlerweile über beinahe alles und über praktisch jeden Vorgang digitale Daten zur Verfügung haben – etwa über Geldbewegungen, Transaktionen, Produktdaten, Maschinendaten, Planungsdaten für Bauwerke, Börsenkurse, Handydaten, Verbraucherdaten, deren Bewegungsdaten, Daten über Mediennutzung usw. – können wir künstliche Intelligenz damit beauftragen, diese Daten auszuwerten. Damit entwickelt sich künstliche Intelligenz zu einer Basistechnologie, die mittlerweile in unseren Smartphones, wenn wir Google oder Geräte wie Baumaschinen oder Trecker benutzen, zum Einsatz kommt.

Anzeige

Maschinen berechnen permanent ihre Ausfallwahrscheinlichkeit

Und auch in der Landwirtschaft übernehmen ebenfalls digital gesteuerte und digital vernetzte Geräte die Szenerie: Die per Mobilnetz mit dem Hersteller verbundene Landmaschine weiß jetzt, wo sie sich befindet, welcher Tag es ist, was sie gerade tut und wie der Motorstatus ist. Aktuelle Daten aus dem Motor werden permanent mit historischen Daten der Maschine verglichen und dabei nach Abweichungen gesucht. Und nicht nur das: Diese Daten werden beim Hersteller ständig mit den Daten anderer Maschinen des gleichen Modells abgeglichen. Irgendwann weiß das System dann, dass bei bestimmten Datenlagen die Ausfallwahrscheinlichkeit deutlich steigt. Und es weiß auch, wie man einen Ausfall vermeidet. Etwa Zündkerzen wechseln. Dieses Verfahren nennt sich „Predictive Maintenance“ – wörtlich übersetzt: „Präventive Wartung“ – und ist mittlerweile ebenfalls ein Standard. Zu diesen Maschinendaten kommen nun immer mehr Daten von Sensoren im Ackerboden, von Wetter und Wettervorhersage, mit Bildern von Drohnen und ganz speziell mit den Aufnahmen von Satelliten, die alle 24 Stunden, also praktisch in Echtzeit, Felder und Agrarflächen überwachen und analysieren können. Damit kann eine ganz neue Art von Landwirtschaft praktiziert und neues, bislang nicht zugängliches Wissen erschlossen werden.

Agrardaten erlauben ein globales Benchmarking

Auch die einzelne Ackerfläche kann künftig immer stärker aufgelöst werden. Denn jetzt weiß die Maschine, an welchen Stellen es immer ein wenig zu feucht oder zu trocken ist, wo der Boden gut oder nicht ganz so gut ist. Die Maschinen wissen, welche Dosis eines Stoffes jeder einzelne Quadratmeter braucht und entscheiden selbstständig. So können etwa feuchte Stellen, an denen gerne Pilzbefall ausbricht, gezielt behandelt werden. Die automatische Interpretation von Bilddaten erlaubt Aussagen über den Wachstumsverlauf von Pflanzen. Das gilt auch für Aufnahmen, die von Satelliten aus gemacht werden. Damit kann man Flächen mit gleichen Boden- und Klimabedingungen miteinander vergleichen und etwa herausfinden, was die Landwirte mit den höheren Erträgen bei geringerem Energie- und Pflanzenschutzeinsatz gegenüber Landwirten mit weniger guten Leistungen besser machen. Damit steht ein globales Benchmarking zur Verfügung.