Künstliche Intelligenz – leicht verständlich gemacht (Teil 3)

KI klingt erstmal schwierig und kompliziert. Dabei kann man Künstliche Intelligenz leicht verständlich erklären … wie in dieser Serie von Blog-Artikeln.

Kann Künstliche Intelligenz vorhersagen, welche Partei ich wähle? Genauer gesagt: Kann KI das Wahlverhalten eines Stadtteils vorhersagen? Und das Ganze ohne eine Umfrage zu veranstalten?! Sehen wir uns das an. Und soviel sei schon verraten: es geht um Bilderkennung.

Auch dieser dritte Beitrag der Serie zu “Künstliche Intelligenz leicht verständlich” stammt von Florian Werner-Jäger. Die beiden ersten Teile sind am Ende dieses Blogartikels verlinkt.

Wie werden die Bürger wählen?

Die Behauptung lautet: Künstliche Intelligenz kann das Wahlverhalten anhand von Autos erkennen. Beispielsweise so wie das Foto eine Straße mit Autos in einer Großstadt in den USA zeigt. Ist das wirklich möglich?

Geparkte Autos auf einer Straße

Wahrscheinlich kennen Sie Google Street View. Die Fahrzeuge von Google Street View fahren durch die Straßen mit Kameras oben auf dem Dach. Dabei nehmen sie alles auf. Für viele Städte, zumindest für die größeren, gibt es für alle Stadtteile Aufnahmen der Straßen mit geparkten Autos. Diese Fotos waren die Ausgangsbasis der Daten für dieses KI-Projekt.

Ist es mittels eines KI-Systems möglich auszuwerten, wie viele und welche geparkten Autos es in einem Stadtteil gibt? Und lässt sich daraus bestimmen, ob in diesem bestimmten Stadtteil mehr Demokraten oder Republikaner gewählt werden? Also was ist das Ergebnis bei der nächsten Wahl?
Schauen wir uns das an.

Ohne Studierende geht es nicht

Wichtiger Bestandteil dieses Projekts, das von Google in Zusammenarbeit mit der Universität Standford gestartet wurde, sind Studierende. Mit deren Hilfe kann man nämlich vergleichsweise günstig die notwendigen Arbeitsaufträge abwickeln. Die Studierenden hatten in größerem Umfang die Aufgabe, Bilder mit Automodellen auszuwerten, die in den USA verbreitet sind. Dazu haben die Studierenden manuell zu jedem dieser Fotos klassifiziert (vgl. Teil 1), ob z. B. ein bestimmtes Modell eines Nissans oder ein Honda Akkord zu sehen ist.

Es liegt also eine riesige Menge von Beispieldaten vor, auf denen Autos in verschiedenen Perspektiven von links, von rechts, von vorne, von hinten, von der Seite zu sehen sind, und die einem Datensatz eines bestimmten Automodells zugeordnet sind.

Was fangen wir mit diesen Daten an?

Mit diesen Daten kann ein neuronales Netz trainiert werden, das eine Klassifikation liefert: wir zeigen dem KI-System ein Bild eines Autos und das neuronale Netz liefert uns dann in einem Datensatz die Information, welches Automodell auf diesem Bild zu sehen ist.

Das ist bereits eine Leistung für sich, beantwortet aber noch nicht unsere Frage, wie wir zur Wahlprognose hinsichtlich der Demokraten und Republikanern kommen.

Erst erkennen, dann zählen

Google hat durch Street View sehr viele Bilder von Autos. Dadurch ist es möglich für jede Stadt der USA zu bestimmen, wie viele Automodelle in welchem Stadtteil vorhanden sind. Man könnte also zum Beispiel feststellen, dass es in einem bestimmten Stadtteil einer Stadt in Kalifornien 112 Porsche Cayenne, fünf VW Passat und 82 Honda Civic gibt. In einer bestimmten Kleinstadt im Bundesstaat Michigan sind es vielleicht eher Automodelle vom Hersteller Ford und so weiter.

Wir können also aus den Bildern von Google Street View eine Statistik ableiten, wie viele Autos von welchem Modell in diesem Stadtteil geparkt sind. Was machen wir mit dieser Statistik?

Nach dem Zählen wird es noch intelligenter

Wir schieben diese Statistik in ein neuronales Netz, das dann eine Zahl liefern soll: nämlich die Wahlquote der Republikaner. Wenn wir davon ausgehen, dass es in den USA im Wesentlichen nur die Parteien der Republikaner und Demokraten gibt, wäre damit auch die Quote der Demokraten festgelegt. Prognostiziert die KI beispielsweise 60 Prozent für die Republikaner, ergäben sich 40 Prozent für die Demokraten.

Am Anfang wird das Netz die Wahlquote nicht richtig einschätzen. Aber wir haben natürlich die Wahlergebnisse der letzten Präsidentschaftswahl in den USA und die können wir mit dem Ergebnis der KI vergleichen. Wir geben dem neuronalen Netz das Feedback: “Es waren so viele Republikaner” oder “Nein, die Quote der Republikaner bei der letzten Wahl war niedriger.”

Übung macht den Meister

Das Netz nimmt dieses Feedback entgegen und wird dann im Verlauf von sehr vielen Trainingseinheiten – denn in den USA gibt es sehr viele Städte und sehr viele Stadtteile – mit der Zeit lernen, aus einer Statistik zu den Automodellen das Wahlverhalten abzuleiten.

Ist das Ergebnis perfekt? Nein, sicherlich nicht, weil man natürlich nicht genau ableiten kann, welche Partei mit welcher exakten Prozentzahl gewählt wird. Aber es ist ein guter Indikator, wie ein vereinfachtes Beispiel zeigt: Wenn Sie einen Porsche Cayenne fahren, sind Sie vielleicht nicht der typische Wähler der Grünen. Mit dieser Aussage kann ich mich jetzt vielleicht bei Ihnen täuschen, aber das ist der Grundgedanke, der zu einem guten Teil stimmt.

Zurück zur Ausgangsfrage: Ja, es ist tatsächlich so, dass man aus solchen Bilddaten das Wahlverhalten in den Stadtteilen ableiten kann, auch wenn es mit einer gewissen Unsicherheit verbunden ist. Man müsste zusätzliche Daten zu Rate ziehen, wie z. B. demografische Daten zu diesem Stadtteil, um das Ergebnis der KI noch zu verbessern.

Wie Sie sich KI in Ihrem Berufsalltag zu Nutze machen – auch ohne IT-Kenntnisse – lernen Sie im KI-Seminar: Künstliche Intelligenz (KI) erfolgreich einsetzen.

Im nächsten Blogartikel geht es um Textverständnis: Kann KI Texte besser lesen und verstehen als wir?

Abonniere den Blog für rechtzeitige Infos über neue Inhalte.

Rückblick auf Künstliche Intelligenz – leicht verständlich

Im ersten Teil haben wir wichtige Aspekte von KI kennengelernt: Neuronales Netz, Regression, Klassifikation.
Der zweite Teil beschreibt, wie Maschinen lernen, damit Künstliche Intelligenz entsteht, und warum KI mehr mit der emotionalen Intelligenz zu tun hat als mit dem Intelligenzquotienten.

5 comments

Kommentar verfassen