Artificial Intelligence, Deep- und Machine-Learning in den Kultur- und Wissenschaftseinrichtungen. Keynote zur Eröffnung des Barcamps "Data and Demons: Von Bestands- und Forschungsdaten zu Services" im Rahmen des Forschungsverbunds MWW, 27. bis 28. November 2017
Der Zauberlehrling war nicht als Anleitung gemeint
1. Der Zauberlehrling
war nicht als
Anleitung gemeint
Artificial Intelligence, Deep- und Machine-Learning
in den Kultur- und Wissenschaftseinrichtungen
DATA AND DEMONS: VON BESTANDS- UND FORSCHUNGSDATEN ZU SERVICES
BARCAMP IM RAHMEN DES FORSCHUNGSVERBUNDS MARBACH WEIMAR WOLFENBÜTTEL
Ralf Stockmann, @rstockm, 27.11.2017
4. Aufbau des Zauberlehrling
1. Überheblichkeit und Wichtigtuerei
2. Umsetzung des Vorhabens
3. Machtrausch
4. Angst und Verzweiflung
5. Hilfloses Schimpfen
6. Verzweiflungstat
7. Hilferuf
8. Rettung durch den Zaubermeister
5. Hat der alte Hexenmeister
sich doch einmal wegbegeben!
Und nun sollen seine Geister
auch nach meinem Willen leben.
Seine Wort und Werke
merkt ich und den Brauch,
und mit Geistesstärke
tu ich Wunder auch.
Walle! walle
Manche Strecke,
daß, zum Zwecke,
Wasser fließe
und mit reichem, vollem Schwalle
zu dem Bade sich ergieße.
Überheblichkeit und Wichtigtuerei
6. Begriffe
• Big Data
• Data Mining
• Machine Learning
• Deep Learning
• Artificial Intelligence
7. Begriffe
• Big Data
• Data Mining
• Machine Learning
• Deep Learning
• Artificial Intelligence
10. Und nun komm, du alter Besen!
Nimm die schlechten Lumpenhüllen;
bist schon lange Knecht gewesen:
nun erfülle meinen Willen!
Auf zwei Beinen stehe,
oben sei ein Kopf,
eile nun und gehe
mit dem Wassertopf!
Walle! walle
manche Strecke,
daß, zum Zwecke,
Wasser fließe
und mit reichem, vollem Schwalle
zu dem Bade sich ergieße.
Umsetzung des Vorhabens
13. Seht, er läuft zum Ufer nieder,
Wahrlich! ist schon an dem
Flusse,
und mit Blitzesschnelle wieder
ist er hier mit raschem Gusse.
Schon zum zweiten Male!
Wie das Becken schwillt!
Wie sich jede Schale
voll mit Wasser füllt!
Machtrausch
14. Wolfgang Herrndorf (2014):
»Den für ihre Technikfeindlichkeit nicht gerade
bekannten Japanern ist es bis heute nicht gelungen,
einen Go-Rechner zu bauen, der auch nur einen
starken Amateur in Schwierigkeiten bringt. Man jubelt
stattdessen einem Programm zu, das einen Profi mit
neun Steinen Vorgabe versenken konnte. Um in
eurem Buch vorzukommen, prophezeie ich hiermit,
dass es ein solches Programm auch niemals geben
wird, so lange ich lebe. In den folgenden hundert
Jahren auch nicht.«
2015 schlug die Go-Software AlphaGo den ersten
Profispieler, 2017 besiegte sie den
Weltranglistenersten.
(Passig, 2017)
16. Stehe! stehe!
denn wir haben
deiner Gaben
vollgemessen! –
Ach, ich merk es! Wehe! wehe!
Hab ich doch das Wort vergessen!
Ach, das Wort, worauf am Ende
er das wird, was er gewesen.
Ach, er läuft und bringt behende!
Wärst du doch der alte Besen!
Immer neue Güsse
bringt er schnell herein,
Ach! und hundert Flüsse
stürzen auf mich ein.
Nein, nicht länger
kann ichs lassen;
will ihn fassen.
Das ist Tücke!
Ach! nun wird mir immer bänger!
Welche Miene! welche Blicke!
Angst und Verzweiflung
17. Begriffe
• Big Data
• Data Mining
• Machine Learning
• Deep Learning
• Artificial Intelligence
19. Begriffe
• Big Data
• Data Mining
• Machine Learning
• Deep Learning
• Artificial Intelligence
20. Begriffe
• Big Data
• Data Mining
• Machine Learning
• Deep Learning
• Artificial Intelligence
• Artificial Narrow Intelligence (ANI)
• Artificial General Intelligence (AGI)
• Artificial Superintelligence (ASI)
21. Begriffe
• Artificial Intelligence
• Artificial Narrow Intelligence (ANI)
kann genau eine Sache sehr gut
• Artificial General Intelligence (AGI)
entspricht den kognitiven Fähigkeiten eines Menschen =
kann sehr, sehr viele Sachen sehr gut
• Artificial Superintelligence (ASI)
kann alles besser als der Mensch und ist in der Lage,
selber Evolutionssprünge einzuleiten
23. Für uns als Bibliotheken und DH-
WissenschaftlerInnen ist nur ANI interessant.
Wenn AGI oder gar ASI realisiert werden,
haben wir als Menschheit ganz andere
Probleme.
24. O du Ausgeburt der Hölle!
Soll das ganze Haus ersaufen?
Seh ich über jede Schwelle
doch schon Wasserströme laufen.
Ein verruchter Besen,
der nicht hören will!
Stock, der du gewesen,
steh doch wieder still!
Willst am Ende
gar nicht lassen?
Will dich fassen,
will dich halten
und das alte Holz behende
mit dem scharfen Beile spalten.
Hilfloses Schimpfen
27. 1. Wozu soll das gut sein?
2. Wer braucht denn so was?
3. Die Einzigen, die das Neue wollen, sind zweifelhafte
oder privilegierte Minderheiten.
4. XY ist eine Mode, die vielleicht wieder vorbeigeht.
5. Täuschen Sie sich nicht, durch (XY) wird sich absolut
nichts ändern.
6. XY ist im Prinzip gut, aber nicht gut genug. Es ist
kompliziert und nicht 100% zuverlässig.
7. Schwächere als ich können damit nicht umgehen!
8. Die Nutzung von XY verstößt gegen die Etikette
9. XY verändert unsere Denk-, Schreib- und
Lesetechniken zum Schlechteren
http://kathrin.passig.de/texte/standardsituationen_der_technologiekritik.html
Standardsituationen
der Technologiekritik
Passig 2009
29. Die wichtigste Version der Verständlichkeitsfrage lautet:
Lässt sich nachträglich begründen oder sichtbar machen,
wie der Weg zum Ergebnis aussah? Die Nachfrage nach
solchen Erklärungen ist groß, und derzeit wird unter dem
Begriff »Explainable Artificial Intelligence« intensiv an ihnen
geforscht.
(Passig 2017: Fünfzig Jahre Black Box)
30. Noch einmal kurz zusammengefasst die Gründe für die
Unverständlichkeit von Software: Bei Wiener ist es unsere
Langsamkeit im Denken. Wir könnten wohl verstehen, was ein
Programm tut, es dauert nur unter Umständen so lange, dass
die Kritik zu spät kommt. Für Lem verhalten sich Systeme ab
einem bestimmten Komplexitätsgrad grundsätzlich
unvorhersehbar. Minsky nennt die Interaktionen der einzelnen
Prozesse, das Wuchern des Codes und die Auswirkungen der
Zusammenarbeit mehrerer Programmierer. Bei Weizenbaum
sind es die Größe der Systeme, das Abwandern der
ursprünglichen Programmierer und das Vergehen der Zeit,
»weil die Systeme eine Konsequenz ihrer Geschichte sind und
die Geschichte verlorengeht«.
(Passig 2017)
31. Erklärungslücken halten uns nicht davon ab, unser Gehirn zu benutzen.
Sie halten uns auch nicht davon ab, Vollnarkosen einzusetzen, obwohl
bis heute unbekannt ist, warum und wie sie wirken. Die Vorteile der
Narkose sind so groß, dass wir bereit sind, über den Nachteil ihrer
Rätselhaftigkeit hinwegzusehen. Ich möchte die Undurchschaubarkeit
von Gehirn, Narkose und Software nicht verteidigen, sondern nur dafür
plädieren, an Software keine strengeren Maßstäbe anzulegen als an die
anderen beiden Black Boxes. Dass die Verwendung bereits läuft,
obwohl eine vollständige Erklärung noch aussteht, ist nicht
ungewöhnlich. Zitronen als Mittel gegen Skorbut waren
jahrhundertelang im Einsatz, bevor man die Gründe für ihre
Wirksamkeit verstand.
(Passig 2017)
https://www.merkur-zeitschrift.de/2017/11/23/fuenfzig-jahre-black-box/
35. Die Frage:
„Welche Aufgaben unserer KollegInnen werden
demnächst von Maschinen übernommen?“
ist falsch gestellt.
36. Die Frage:
„Welche Aufgaben unserer KollegInnen werden
demnächst von Maschinen übernommen?“
ist falsch gestellt.
Besser:
„Welche neuen Aufgaben werden demnächst
durch Maschinen möglich, und wie können
unsere KollegInnen dabei unterstützen?“
38. Anwendungsfelder für NAI an
Bibliotheken
• Auskunft
• Katalogisierung
• Vernetzung von Objekten und Beständen
• Erschließung
• Auffinden von Artefakten
39. Anwendungsfelder für NAI an Bibliotheken:
Auffinden von Artefakten
http://sappingattention.blogspot.de/2017/05/a-brief-visual-history-of-marc.html
41. Und sie laufen! Naß und nässer
wirds im Saal und auf den Stufen.
Welch entsetzliches Gewässer!
Herr und Meister! hör mich rufen! –
Ach, da kommt der Meister!
Herr, die Not ist groß!
Die ich rief, die Geister
werd ich nun nicht los.
»In die Ecke,
Besen, Besen!
Seids gewesen.
Denn als Geister
ruft euch nur zu seinem Zwecke,
erst hervor der alte Meister.«
Hilferuf / Rettung durch den Zaubermeister
42. Gründe, warum Bibliotheken (Archive,
Museen) gute AI-Kunden sind
• Älteste „Big Data“ Halter der Menschheitsgeschichte
• Dabei absurd kleine Datenmengen (Text - im Vergleich zu
Foto und Video)
47. Gründe, warum Bibliotheken (Archive,
Museen) gute AI-Kunden sind
• Älteste „Big Data“ Halter der Menschheitsgeschichte
• Dabei absurd kleine Datenmengen (im Vergleich zu Foto
und Video)
• Ground Truth (wir haben schon Unmengen von händisch
erzeugten und kontrollierten Daten für Trainings)
• Wir sind die Guten
48. Der Zeitpunkt wird kommen, an dem die Vorteile
von NAI für unseren Bereich so groß sind, dass
die großen Player (OCLC, Verlage, SAP, Google,
Verbünde, …) fertige Lösungen für uns anbieten
werden und wir nur zugreifen müssen.
Ich halte das für grundfalsch.
50. Das Problem des Zauberlehrlings
ist nicht die Technologie,
sondern seine eigenen
massiven Kompetenzdefizite
51. Wir sind dabei, nach Wikipedia und
Suchmaschinen die dritte große
Technologieentwicklung des IUK-
Sektors zu verschlafen
52. • Älteste „Big Data“ Halter der Menschheitsgeschichte
• Dabei absurd kleine Datenmengen (im Vergleich zu Foto
Video)
• Ground Truth
• Wir sind die Guten
Gründe, warum Bibliotheken (Archive,
Museen) gute AI-Kunden sind
53. Gründe, warum Bibliotheken (Archive,
Museen) gute AI-Kunden sind
• Älteste „Big Data“ Halter der Menschheitsgeschichte
• Dabei absurd kleine Datenmengen (im Vergleich zu Foto
Video)
• Ground Truth
• Wir sind die Guten
Forschungseinrichtungen
54. Wir müssen selbst zu NAI-Expertinnen werden,
und für solche als Arbeitsumfeld attraktiv werden.
Faustregel:
Auf drei BibliothekarInnen eine InformatikerIn