NMC Horizon Report > 2017 Higher Education Edition (German)
>Wichtige lehr-/lerntechnologische Entwicklungen für den Hochschulbereich
>>Zeithorizont: vier bis fünf Jahre

Künstliche Intelligenz

Zeithorizont: vier bis fünf Jahre

Zusammenfassung

Einführung

Schlüsseltrends, die den Einsatz von Technologien im Hochschulbereich befördern

Langfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont fünf oder mehr Jahre

 > Beförderung von Innovationskulturen
 > Deeper-Learning-Methoden

Mittelfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont drei bis fünf Jahre

 > Zunehmender Fokus auf der Messung von Lernprozessen
 > Neugestaltung von Lernräumen

Kurzfristige Trends: Antriebsfaktoren für die Technologieeinführung im Zeithorizont ein bis zwei Jahre

 > Blended-Learning-Designs
 > Kollaboratives Lernen

Besondere Herausforderungen, die den Einsatz von Technologien im Hochschulbereich behindern

Bezwingbare Herausforderungen: begreifbar und lösbar

 > Zusammenführung von formellem und informellem Lernen
 > Verbesserung der Digital- und Medienkompetenz

Schwierige Herausforderungen: begreifbar, aber schwer lösbar

 > Die Leistungskluft
 > Förderung der digitalen Gleichberechtigung

Komplexe Herausforderungen: schwer definierbar und umso schwerer lösbar

 > Neue Rolle(n) der Lehrenden
 > Der richtige Umgang mit Wissensverschleiß

Wichtige lehr-/lerntechnologische Entwicklungen für den Hochschulbereich

Zeithorizont: ein Jahr oder weniger

 > Adaptive Lerntechnologien
 > Mobiles Lernen

Zeithorizont: zwei bis drei Jahre

 > Internet der Dinge (IoT)
 > Next-Generation-LMS

Zeithorizont: vier bis fünf Jahre

 > Künstliche Intelligenz
 > Natürliche Benutzerschnittstellen

Methodologie

Expert/innenbeirat der Hochschulausgabe 2017

Auf dem Gebiet der Künstlichen Intelligenz (KI bzw. Artificial Intelligence, AI), werden die Fortschritte der Computerwissenschaft eingesetzt, um intelligente Maschinen zu erschaffen, die in ihren Funktionen immer mehr dem Menschen ähneln.[i] Die Wissenstechnik, mit der Computer menschliche Wahrnehmung, Lerntätigkeit und Entscheidungsfindung simulieren können, basiert auf dem Zugriff auf Kategorien, Eigenschaften und Zusammenhänge zwischen verschiedenen Informationssammlungen. Durch maschinelles Lernen, eine Unterkategorie von KI, werden Computer intelligenter, ohne explizit dafür programmiert werden zu müssen.[ii] Ein weiteres wichtiges Forschungsgebiet sind künstliche neuronale Netze, die die biologische Funktion menschlicher Gehirne nachbilden, um spezifische Eingaben wie Wörter und Stimmlage interpretieren und darauf reagieren zu können. Durch Stimmerkennung und Verarbeitung natürlicher Sprache werden neuronale Netze wertvoll für anspruchsvollere natürliche Benutzerschnittstellen. Dadurch können Menschen mit Maschinen auf ähnliche Weise interagieren wie mit anderen Menschen. [iii] Durch die fortschreitende Entwicklung der zugrunde liegenden Technologien kann KI Online-Lernen, adaptive Lernsoftware und Forschungsprozesse derart verbessern, dass sie intuitiver auf die Lernenden reagieren und sie stärker involvieren.

Überblick

Seit den 1950er Jahren war der Turing-Test der Maßstab für maschinelle Intelligenz. Dieser erfordert, dass der Mensch eine Maschine im Gesprächsverhalten und in natürlichen Situationen nicht von einem anderen Menschen unterscheiden kann.[iv] Der Test wurde erst 2014[v] erfüllt. Heute wird KI regelhaft in Form von 24-Stunden-Online-Helpdesks im Bildungsbereich eingesetzt, darunter der IBM Watson an der Deakin University.[vi] Das volle Potenzial von KI für den Bildungsbereich ist noch nicht ausgeschöpft, aber Hochschulen können sich an Entwicklungen im Konsumentenbereich orientieren. Virtuelle Assistenten antworten beispielsweise dialogorientiert auf verbale Befehle und spiegeln so eine menschliche Interaktion wider.[vii] Auch wenn bekannte Avatare wie Siri und Cortana in Smartphones eingebaut sind, wird Amazons Alexa mittlerweile zum Inbegriff für den eigenständigen, immer zuhörenden Assistenten, der über Fernfeldmikrofone auf Befehl Informationen aus dem Internet heraussucht.[viii] Autonome Technologien, die die Menschen bedienen, stehen im Mittelpunkt: Uber hat vor Kurzem eine Flotte selbstfahrender Autos getestet, die Fahrgäste sicher durch San Francisco transportierten.[ix]

Es besteht jedoch die Sorge, dass diese Technologie sich schneller entwickelt, als die Menschen sie nachvollziehen können. KI ist naturgemäß komplex und undurchsichtig in ihrer Funktionsweise, so dass es Schnittstellen bedarf, die anzeigen, wie sie arbeitet, um das Vertrauen zu stärken. IBM ist führend in diesem Bereich und hat Bilder und erklärende Grafiken für seine medizinischen KI-Systeme auf den Markt gebracht.[x] In der akademischen Aus- und Weiterbildung wird das Potenzial für virtuelle Tutoren und leistungsstarke adaptive Lerntools üblicherweise mit der Sorge gekontert, dass die Technologie, wie menschenähnlich sie auch sein mag, Lehrende nicht ersetzen kann oder sollte.[xi] Das Buch Interfaces des Cornell-Professors Brandon Hookway[xii] entwirft eine ausgewogenere Zukunft für die Hochschule als “Interface University”. Seiner Ansicht nach sind KI-fähige Computer keine separaten Tools, sondern eine dritte Gehirnhälfte, die das kreative und kognitive Lernen optimiert – eine gleichberechtigte und symbiotische Partnerschaft, oder auch ein hybrider Verstand, zusammengesetzt aus Menschen und ihren Geräten.[xiii]

Maschinelles Lernen treibt schon jetzt den Fortschritt sowohl im Berufsleben als auch im informellen Lernen an. Das Citizen-Science-Projekt “Smart Flower Recognition System” ist eine Partnerschaft zwischen Microsoft Research Asia und der Chinese Academy of Sciences. Es soll Botanikern in China helfen, Pflanzen schnell anhand von Fotos auf dem Smartphone zu bestimmen. Auf Basis neuronaler Netze filtern Algorithmen qualitativ schlechte Bilder automatisch und bestimmen die Blumen anhand der Fotodatenbank mit 90%iger Genauigkeit.[xiv] Die Implikationen derartiger Projekte für die wissenschaftliche Tätigkeit von Studierenden und Lehrenden sind faszinierend, da Suchanfragen nicht mehr textbasiert sein müssen. Um über die kommenden vier bis fünf Jahre das Leistungsspektrum von KI zu skalieren, können Hochschulen mit Open-Source-Codes und Open-Software-Bibliotheken für numerisches Rechnen anfangen, wie OpenAI[xv] und TensorFlow von Google.[xvi]

Relevanz für Lehre, Lernen oder kreative Forschung

Ein übergeordnetes Ziel von künstlicher Intelligenz ist es, Produktivität und Teilhabe zu erhöhen und so den globalen Arbeitsmarkt ebenso wie Einzelne in ihrem täglichen Leben besser zu unterstützen.[xvii] Dadurch ist die Technologie vielversprechend für den Hochschulbereich, insbesondere, da Lehre und Lernen zunehmend online stattfinden. Adaptives Lernen, das oben beschrieben wird, nutzt einfache KI-Algorithmen, um das Lernen zu personalisieren, indem es Inhalte ausliefert, die basierend auf Leistung und Engagement optimal auf die Bedürfnisse der Studierenden abgestimmt sind.[xviii] Angesichts der zunehmenden Datenmenge, die die Hochschulen über studentische Lernaktivitäten sammeln, benötigen sie Werkzeuge, um diese in größerem Masstab zu erheben und zu analysieren; Unternehmenssoftware für maschinelles Lernen wie Jenzabar[xix] und IBM SPSS[xx] hilft Colleges und Universitäten dabei, die Daten zu interpretieren, um die Verbleibsquote zu erhöhen, finanzielle Förderprogramme zu verbessern und zukünftige Einschreibungsszahlen zu prognostizieren. Neue Methoden, wie die kompetenzbasierte Lehre, werden differenziertere Formen von KI erfordern, um den Erwerb von Kompetenzen wie z.B. der Erstellung von 3D-Modellen und Prototypen für Autos zu messen, und individuelles Feedback zu geben.

Um eine stärkere Personalisierung in der akademischen Aus- und Weiterbildung zu erzielen, favorisieren Vordenker wie Bill Gates KI-Tutoren. Beispielsweise ist das ausführliche Kommentieren schriftlicher Hausarbeiten eine umfassende und zeitaufwändige Aufgabe für Lehrende; virtuelle Tutoren können über die oberflächliche Fehlerprüfung hinaus mittlerweile Bedeutung, Inhalte und Argumentation analysieren und den Studierenden ein detailliertes Feedback geben. In Online-Kursen können diese Tutoren Videovorträge unterbrechen, um den Lernenden direkt Fragen zu stellen. Dabei können sie Ausschnitte aus dem Video wiedergeben, wenn deutlich wird, dass der Lernende Verständnisschwierigkeiten bei einem bestimmten Sachverhalt hat.[xxi] Solche allgegenwärtige Hilfestellung und Mentoring kann Lücken füllen, insbesondere in großen Einführungsseminaren, in denen die Lehrenden den Studierenden kaum einzeln Aufmerksamkeit schenken können. Forscher an der National School of Engineers of Sousse in Tunesien untersuchen ein KI-Tutorensystem, das Gesichtsausdrücke erkennt, während Studierende an wissenschaftlichen Experimenten in remoten und virtuellen Laboren arbeiten.[xxii]

Eine skeptische Haltung hinsichtlich ethischer Fragen kann jedoch den Fortschritt von KI behindern. Das Weltwirtschaftsforum nennt gelernte Vorurteile, z.B. Rassismus, als Hauptbedenken und stellt die menschliche Fähigkeit in Frage, solche ungewollten Konsequenzen zu vermeiden.[xxiii] Während die Befürworter von KI mit diesen Problemen kämpfen, sind Universitäten wichtige Inkubatoren für die Entwicklung neuer Enabling-Technologien. Das Computer Science and Artificial Intelligence Laboratory am MIT hat einen Deep-Learning-Algorithmus entwickelt, der Standbilder überwacht und dann kurze Videos erstellt, die wahrscheinliche Fortsetzungen simulieren.[xxiv] Das AI Lab an der Universität Zürich hat Roboy entwickelt, einen humanoiden Roboter mit lebensechten Gelenken und Sehnen, der Vorbild für viele weitere Entwicklungen ist: Im “Human Brain Project” simulieren Forscher und Professoren z.B. menschliche Gehirne für Roboter.[xxv] Fortschritte bei der Einbettung von KI in den Alltag hängen von der Weiterentwicklung der Verarbeitung natürlicher Sprache ab, durch die lebensechte Interaktionen zwischen Maschine und Mensch entstehen. Forscher an der Freien Universität Brüssel untersuchen, wie robotische Agenten Sprachen selbst organisieren und sich Bedeutung und Sprache gleichzeitig entwickeln können.[xxvi]

Künstliche Intelligenz in der Praxis

Die folgenden Links liefern Beispiele für künstliche Intelligenz, die unmittelbare Implikationen für den akademischen Bildungsbereich haben:

Artificial Intelligence Laboratory at the University of Michigan

go.nmc.org/umail

Ein zentraler Fokus des AI-Labs an der University of Michigan ist die Erforschung und Entwicklung assistiver Technologien für Menschen mit physischen und kognitiven Beeinträchtigungen. Ein solches Projekt ist das Design einer Computer-Schnittstelle, die sich automatisch an die Bedürfnisse von Sehbehinderten anpasst.

SAIL-Toyota Research Center

go.nmc.org/sailtoy

Das Stanford Artificial Intelligence Laboratory erforscht in Partnerschaft mit Toyota die nächste Generation intelligenter Automobile. Wissenschaftler aus verschiedenen Fachgebieten, wie maschinelles Lernen, Robotik und Verarbeitung natürlicher Sprache, arbeiten gemeinsam an neuen Algorithmen.

University of Cambridge Artificial Intelligence Group (AIG)

go.nmc.org/claiuc

Die Artificial Intelligence Group (AIG) bezieht diverse Fachdisziplinen ein – darunter Genomik, Computer-Lerntheorie und informelle Argumentation –, um mächtige Algorithmen zu bilden, die Probleme bei der maschinellen Mustererkennung beheben, und praktische Anwendungsszenarien zu identifizieren.

Literaturempfehlungen

Denjenigen, die mehr über künstliche Intelligenz erfahren möchten, empfehlen wir die folgenden Artikel und Quellen:

Four Ways that Artificial Intelligence Can Benefit Universities

go.nmc.org/4ways

(Rose Luckin, Times Higher Education, 9. August 2016.) Die Autorin merkt an, dass, zusätzlich zu drei weiteren Leistungsbereichen, die Hochschullehre gut positioniert ist, um Studierende darin zu schulen, Seite an Seite mit komplexen intelligenten Systemen zu arbeiten. Arbeitende, die souverän erkennen können, wie und an welcher Stelle menschliche Intelligenz Maschinenleistungen steigern kann, können die Produktivität erhöhen. 

The Future of Artificial Intelligence in Education

go.nmc.org/futai

(Barbara Kurshan, Forbes, 10. März 2016.) Im Bildungsbereich ist KI noch nicht richtig angekommen, aber Wirtschaftsgiganten wie Google investieren in die Entwicklung von Deep-Learning-Software, um alltägliche Aktivitäten effizienter zu machen. Der Artikel beschreibt Fortschritte an der Cornell University und der Brown University bei der Entwicklung von Robotern, die kleine Aufgaben erledigen können.

Higher Education for the AI Age

go.nmc.org/machinesdo

(Joseph E. Aoun, The Washington Post, 27. Oktober 2016.) Laut einer Umfrage aus 2016 meinen 80% der KI-Forscher, dass Maschinen Ebenen künstlicher Intelligenz erreichen werden, die der menschlichen Intelligenz ebenbürtig sind. Angesichts der zunehmenden Einsatzbereiche von KI in professionellen Kontexten wie der medizinischen Diagnose ermutigt der Autor dazu, das Hochschulstudium nicht als einmaligen Meilenstein zu betrachten, sondern vielmehr als Vehikel für lebenslanges Lernen.

[i] http://www.computerworld.com/article/2906336/emerging-technology/what-is-artificial-intelligence.html

[ii] http://www.sas.com/en_us/insights/analytics/machine-learning.html

[iii] http://artint.info/html/ArtInt_183.html

[iv] http://whatis.techtarget.com/definition/Turing-Test

[v] https://www.theguardian.com/technology/2014/jun/08/super-computer-simulates-13-year-old-boy-passes-turing-test

[vi] http://www.deakin.edu.au/about-deakin/media-releases/articles/ibm-watson-helps-deakin-drive-the-digital-frontier

[vii] http://www.slate.com/articles/technology/cover_story/2016/04/alexa_cortana_and_siri_aren_t_novelties_anymore_they_re_our_terrifyingly.html

[viii] http://www.slate.com/articles/technology/cover_story/2016/04/alexa_cortana_and_siri_aren_t_novelties_anymore_they_re_our_terrifyingly.html

[ix] http://www.nytimes.com/2016/12/14/technology/uber-self-driving-car-san-francisco.html

[x] https://www.flickr.com/photos/ibm_research_zurich/albums/72157636361743526/with/10173949393/

[xi] http://www.recode.net/2016/6/22/11985726/robot-teachers-artificial-intelligence-coursera-daphne-koller

[xii] https://mitpress.mit.edu/books/interface

[xiii] https://mitpress.mit.edu/books/interface

[xiv] https://www.microsoft.com/en-us/research/blog/researchers-team-up-with-chinese-botanists-on-machine-learning-flower-recognition-project/

[xv] https://openai.com/about/

[xvi] https://www.tensorflow.org/

[xvii] https://medium.com/@tdietterich/benefits-and-risks-of-artificial-intelligence-460d288cccf3#.4m86dzivv

[xviii] http://er.educause.edu/articles/2016/3/adaptive-learning-platforms-creating-a-path-for-success

[xix] https://www.jenzabar.com/higher-education-solutions/enterprise-resource-planning-erp/

[xx] http://www-01.ibm.com/software/analytics/spss/academic/solutions/administrators.html

[xxi] http://www.theverge.com/2016/4/25/11492102/bill-gates-interview-education-software-artificial-intelligence

[xxii] http://www.sciencedirect.com/science/article/pii/S1877050915034912

[xxiii] https://www.weforum.org/agenda/2016/10/top-10-ethical-issues-in-artificial-intelligence/

[xxiv] https://www.csail.mit.edu/node/2910

[xxv] http://roboy.org/

[xxvi] https://ai.vub.ac.be/research/topics/evolutionary-linguistics