er Einsatz von KI (Künstlicher Intelligenz) in der Spracherkennung nur mit Cloud Computing möglich?

Eine weit verbreitete Meinung ist, dass KI-Methoden wie ML (Machine Learning) oder KNN (Künstliche Neuronale Netze), wie sie z. B. in neuen Spracherkennungsprodukten verwendet werden, nur durch den Einsatz von Cloud Computing möglich sind. Der folgende Kurzbeitrag soll diesen Mythos auflösen.

Inhaltsverzeichnis

Was versteht man eigentlich unter KI?
Was kann KI leisten?
Wo liegen aktuell die Grenzen beim Einsatz von KI?
Was sind die Alternativen zum Cloud-Betrieb von KI-basierten Anwendungen?
Zusammenfassung
 

Was versteht man eigentlich unter KI?

Das lässt sich schwer eindeutig klären. Denn eine allgemeingültige Definition von Künstlicher Intelligenz gibt es nicht – auch weil der Intelligenz-Begriff selbst bisher nicht eindeutig definiert ist.

Konsens besteht indes darüber, dass KI sich auf eine Reihe von Ansätzen bezieht, mit denen man Computer “zum Denken und Lernen” bringen kann. Machine Learning (ML) im Allgemeinen ist dabei definiert als die Fähigkeit von Computern, automatisch aus Daten zu lernen. Künstliche Neuronale Netze (KNN) sind dabei der Prototyp des Maschinellen Lernens; sie entsprechen bis zu einem gewissen Grad dem Aufbau des menschlichen Gehirns. Sie bestehen aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie Statistik, Technik oder Wirtschaftswissenschaften computerbasiert lösen lassen. Aus dem Bereich der aktuellen Spracherkennungssysteme ist der Einsatz von KI-Methoden wie Neuronale Netzwerke inzwischen nicht mehr wegzudenken.

 

Was kann KI leisten?

Typische Anwendungsfälle von ML auf Basis von Künstlichen Neuronalen Netzen im Gesundheitswesen sind zum Beispiel die Bildverarbeitung in der Radiologie, Systeme zur Entscheidungsfindung (Clinical Decision Support) sowie – neben vielen weiteren Beispielen – auch die Spracherkennung, Sprachverarbeitung/Textanalyse (NLP – Natural Language Processing) sowie die Sprachsynthese (Ausgabe von Text in Sprache).

Durch den Einsatz von ML-Algorithmen wie Künstliche Neuronale Netze konnte in den vergangenen Jahren eine enorme Steigerung der Erkennungsgenauigkeit und Zuverlässigkeit bei Spracherkennungssystemen erzielt werden. Die neueren Spracherkennungssysteme sind dadurch u. a. viel robuster gegenüber externen Störungen, vor allem gegenüber Hintergrundgeräuschen. Ein weiterer Vorteil: Es ist keine Lernphase mehr nötig – die Anwender können sofort mit der Spracherkennung beginnen, unabhängig von Muttersprache, Geschlecht oder Dialekt.

 

Wo liegen aktuell die Grenzen beim Einsatz von KI?

In der Praxis ist nicht jedes System bzw. jede Anwendung für den Einsatz von KI-Modellen wie Machine Learning geeignet. Es kann Einschränkungen geben, wenn es um die Frage geht, welche Daten gesammelt und wie diese verarbeitet werden können. Latenz kann ein weiteres Problem sein, vor allem dann, wenn Verzögerungen durch das Senden von Daten zu entfernten Rechenzentren (etwa in einer Cloud) entstehen.

Eine immer wieder diskutierte Frage ist auch, wie viel Rechenleistung der Einsatz von KI-basierter Software erfordert. Für das Training von KI-basierten Modellen können riesige Datenmengen und intensive Berechnungen erforderlich sein, für die wiederum leistungsstarke Serversysteme benötigt werden, die jedoch bei den meisten Gesundheitseinrichtungen in dieser Ausstattung nicht vorhanden sind. Wenn jedoch ein KI-basiertes Modell für das maschinelle Lernen einmal berechnet wurde, dann beanspruchen die inkrementellen Verbesserungen für dessen Anpassung und Optimierung auf Basis neu hinzukommender Daten deutlich weniger Ressourcen.
 

Was sind die Alternativen zum Cloud-Betrieb von KI-basierten Anwendungen?

Die Vorteile des Cloud Computing, wie das schnelle Bereitstellen einer Anwendung und einfach zu skalierende zentrale IT-Infrastrukturressourcen, sind nicht von der Hand zu weisen. Für viele Gesundheitsdienstleister steht dennoch die Verarbeitung personenbezogener Daten ihrer Patienten in der Cloud aus datenschutzrechtlichen Gründen derzeit nicht zur Debatte.

In diesem Fall stellen “Embedded KI” bzw. “Empowered Edge” Systeme, wie sie übrigens auch in der Fertigungsindustrie eingesetzt werden, eine Alternative dar. Die lokale Ausführung der Algorithmen hat Vorteile gegenüber dem Senden von Daten zur Verarbeitung in einer Cloud. Zum einen entstehen nur minimale Latenzen, zum anderen reduziert dieser Ansatz die Anforderungen an die Datenbandbreite. Auch dem Bedürfnis vieler Unternehmen außerhalb des Gesundheitswesens nach Datenschutz wird auf diese Weise Rechnung getragen.

Die auf Machine Learning Modellen wie Künstliche Neuronale Netze basierende neueste Version der indicda Spracherkennung ist daher so konzipiert, dass sie auch auf handelsüblichen Serversystemen (On-Premises) problemlos eingesetzt werden kann, ohne dabei auf den Einsatz von KI-Modellen zu verzichten.
 

Zusammenfassung

Zusammenfassend lässt sich sagen, dass der Einsatz von KI-basierenden Anwendungen nicht zwingend aus der Cloud erfolgen muss. Insbesondere bei der Verarbeitung sensibler personenbezogener Daten wie Gesundheitsdaten sind hierfür hohe datenschutzrechtliche Anforderungen zu erfüllen. Der Betrieb von KI-Anwendungen findet in zahlreichen Industriebereichen aufgrund unterschiedlicher Anforderungen (Datenschutz, Datensicherheit, Bandbreiten, etc.) zuverlässig auf On-Premises-Systemen statt. Ohne Zweifel bietet Cloud-Computing viele Vorteile, sowohl für die Hersteller von Softwarelösungen als auch für deren Anwender, wie z. B. eine vereinfachte Bereitstellung der Software, die kontinuierliche Aktualisierung (Updates) von Software u. v. m. Am Ende muss sich der Kunde/Anwender unter Berücksichtigung der datenschutzrechtlichen, technischen und wirtschaftlichen Faktoren zwischen der On-Premises- oder Cloud-Variante entscheiden – sofern die Produktstrategie des Software-Herstellers diese Auswahl zulässt.

Bildnachweis: Titelbild: © Adobe Stock, Bild 1: © Adobe Stock, Bild 2: © Olympus, Bild 3: © DFC-SYSTEMS