Der Einsatz von Systemen für Künstliche Intelligenz und maschinelles Lernen nimmt rapide zu. Sie ermöglichen unter anderem auch kommende Aufgaben wie die Verarbeitung natürlicher Sprache und Bildklassifizierung sowie Steuerungssysteme für autonome Fahrzeuge.

Bild 1: Die erfolgreichste und am weitesten verbreitete Technik für maschinelles Lernen ist der Einsatz künstlicher neuronaler Netze.

Bild 1: Die erfolgreichste und am weitesten verbreitete Technik für maschinelles Lernen ist der Einsatz künstlicher neuronaler Netze. Brainchip

Maschinelles Lernen (Bild 1) beschreibt Systeme, die die richtige Antwort einfach durch das Analysieren vieler Beispieldaten lernen können, ohne explizit für die Ausführung bestimmter Aufgaben programmiert zu sein. Es gibt verschiedene Ansätze für das maschinelle Lernen: Entscheidungsbaumlernen, induktive Logikprogrammierung und das Erlernen von Assoziationsregeln. Aber die wohl erfolgreichste und am meisten verbreitete Technik ist der Einsatz künstlicher neuronaler Netze (KNN).

Funktionsweise künstlicher neuronaler Netze

KNN emulieren die Funktion von Neuronen in der Biologie, wie zum Beispiel dem menschlichen Gehirn, und bilden ein Netzwerk miteinander verbundener künstlicher Neuronen. Jedes künstliche Neuron weist eine oder mehrere Eingaben auf und erzeugt eine Ausgabe, die eine nichtlineare Funktion auf die Eingaben anwendet. Das Trainieren neuronaler Netze beruht auf einer Technik, die als „Backpropagation“ (Rückführung) bezeichnet wird und die Gewichtung der Neuronenfunktionen anpasst, bis sie die korrekten Ergebnisse liefert.

KNN erweisen sich bei zahlreichen Aufgaben als äußerst effektiv, insbesondere bei solchen, die eine Mustererkennung umfassen, wie beispielsweise bei der Bildverarbeitung, Spracherkennung oder einer medizinischen Diagnose aufgrund von Symptomen oder Scans.

Für KNN ergeben sich somit Anwendungen, mit denen sich aktuelle Herausforderungen bewältigen lassen, wie etwa Cybersicherheit. KI lässt sich skalieren, sodass ein Algorithmus replizierbar ist, um die Produktivität der Mitarbeiter zu steigern – so als ließe sich der beste Mitarbeiter klonen. Warum ist das wichtig? Weil die Bedrohung durch Cyber-Attacken mit der gleichen Geschwindigkeit voranschreitet.

Künstliche Intelligenz als Verteidigungsstrategie

Eck-Daten

Gepulste neuronale Netzwerke (SNN, Spiking Neural Networks) sind eine Art neuronaler Modelle, die ihr biologisches Pendant genauer nachahmen als herkömmliche Ansätze des neuromorphen Computings. SNNs arbeiten ereignisgesteuert, was sich besonders positiv auf ihre Energieeffizienz auswirkt. Damit sind sie in der Lage, in ihrer technologischen Umsetzung, wie zum Beispiel beim neuromorphen SoC Akida von Brainchip, mit den Anforderungen hinsichtlich Energieverbrauch und Portabilität für den Einsatz im Feld mitzuhalten. Mit der Erkennung und Abwehr von Cyberangriffen und der Mustererkennung im Finanzsektor beschreibt der Beitrag zwei der prädestinierten Einsatzgebiete des neuromorphen Computings im Detail.

Die vielleicht am häufigsten stattfindende Attacke von Cyberkriminellen ist der DDoS-Angriff (Distributed Denial of Service), bei dem es sich mehr oder weniger um einen Datenschlauch handelt, der auf einen bestimmten Server (oder Dienst) gerichtet ist. Es ist durchaus vorstellbar, dass diese Flut von Attacken größer wird und sich auf ganze Konzerne, Länder oder sogar Kontinente richtet. Der einzige realistische Weg, sich gegen einen automatisierten Angriff zu verteidigen, ist die Verwendung einer automatisierten Verteidigungsstrategie – und diese Verteidigung ist die KI.

Das schiere Ausmaß des Netzwerkverkehrs ist in diesem Szenario nur ein Teil der Herausforderung; der andere ist die Tatsache, dass der Datenverkehr meist verschlüsselt ist. KI kann jedoch lernen, Muster selbst in verschlüsselten Paketen zu identifizieren, die zeitgleich auf bösartige oder ungewöhnliche Nutzdaten innerhalb des Datenverkehrs hinweisen könnten. Dieser „Feuer-mit-Feuer-bekämpfen“-Ansatz für die Cybersicherheit wird das Spielfeld für KI-fähige Systeme sein, und der Kampf wird in naher Zukunft rund um die Uhr ausgetragen – allerdings lernen die neuronalen Netze mit jedem untersuchten Paket dazu, um somit die Verteidigungsstrategie zu verbessern.

Bild 2: Künstliche Intelligenz hat gute Aussichten, sich in den nächsten zehn Jahren zu einem 60-Milliarden-Dollar-Markt zu entwickeln. Obwohl das Lernen bei KI sehr wichtig ist, hat wird die Inferenz den größten Marktanteil ausmachen.

Bild 2: Künstliche Intelligenz hat gute Aussichten, sich in den nächsten zehn Jahren zu einem 60-Milliarden-Dollar-Markt zu entwickeln. Obwohl das Lernen bei KI sehr wichtig ist, wird die Inferenz den größten Marktanteil ausmachen. Brainchip

Diese Lernfähigkeit (Bild 2) kommt auch für die Technologien im Finanzsektor und in der Finanzdienstleistungsbranche (Fintechs) zum Einsatz. Erhält der Kunde beispielsweise einen Anruf von der Bank, nachdem er einen Spontankauf über seine Kreditkarte getätigt hat – insbesondere wenn er sich zum Transaktionszeitpunkt im Ausland befand – ist die Wahrscheinlichkeit groß, dass eine Fintech-Anwendung sein Verhalten als ungewöhnlich gekennzeichnet hat. Fintechs setzen zunehmend KI ein, um solche Entscheidungen schneller und zuverlässiger zu treffen. Dies ist nur ein Beispiel, wie KI die Fintech-Branche vorantreibt – ein Technologiesektor, der Investoren und Risikokapitalgeber verzückt.

 

Wie Künstliche Intelligenz bei der Mustererkennung im Finanzsektor zum Einsatz kommt erläutert der Beitrag auf der nächsten Seite.

Seite 1 von 3123