Kognitive Datenverarbeitung

Cognitive Computing ist ein Bereich der Künstlichen Intelligenz (KI), der sich mit der Entwicklung von Systemen befasst, die menschliche Denkprozesse simulieren, um komplexe und mehrdeutige Probleme zu bewältigen. Im Gegensatz zu Systemen, die für spezifische, eng begrenzte Aufgaben konzipiert sind, zielt das kognitive Computing darauf ab, adaptive, interaktive und kontextbezogene Modelle zu entwickeln, die aus Erfahrungen lernen und mit Menschen in natürlicher Sprache interagieren können. Diese Systeme sollen menschliche Experten nicht ersetzen, sondern ihre Intelligenz erweitern und ihnen helfen, bessere Entscheidungen zu treffen, indem sie große Mengen komplexer Daten aus Quellen wie Wissensgraphen und unstrukturierten Dokumenten analysieren.

Wesentliche Merkmale

• Adaptives Lernen: Kognitive Systeme sind für kontinuierliches Lernen ausgelegt. Sie verbessern ihre Leistung im Laufe der Zeit, indem sie neue Informationen verarbeiten und aus Benutzerinteraktionen lernen, ähnlich wie Menschen Fachwissen erwerben. Dies geht über die anfängliche Modelltrainingsphase hinaus, die für viele maschinelle Lernprojekte typisch ist.
• Kontextbezogenes Verstehen: Sie können Kontext aus verschiedenen Datentypen wie Text, Bildern und Sensordaten interpretieren und synthetisieren. Dies erfordert ausgefeilte Funktionen für die Verarbeitung natürlicher Sprache (NLP) und Computer Vision (CV), um Nuancen und Bedeutung zu erfassen.
• Interaktiv und konversationell: Ein wichtiges Ziel ist die natürliche Interaktion mit Menschen. Dazu werden oft fortschrittliche Chatbots oder virtuelle Assistenten eingesetzt, die Anfragen verstehen und Antworten mit Belegen geben können, und sogar klärende Fragen stellen, um Unklarheiten zu beseitigen.

Kognitives Rechnen im Vergleich. Andere AI-Konzepte

Es ist wichtig, Cognitive Computing von verwandten Begriffen zu unterscheiden.

• Künstliche allgemeine Intelligenz (AGI): Während das kognitive Computing versucht, das menschliche Denken zu imitieren, ist es eine Form der schwachen KI, die sich auf bestimmte Bereiche konzentriert. Sie erweitert die menschlichen Fähigkeiten, anstatt zu versuchen, die gesamte Bandbreite des menschlichen Bewusstseins nachzubilden, was das Ziel der künstlichen allgemeinen Intelligenz (AGI) ist. Der berühmte Turing-Test lotet die Grenzen der maschinellen Intelligenz aus.
• Statistische KI: Kognitive Systeme bauen auf den Grundlagen der statistischen KI auf, die tiefes Lernen und probabilistische Modelle zur Erkennung von Mustern verwendet. Kognitives Computing ist jedoch ein Ansatz auf Systemebene, der diese statistischen Modelle mit symbolischen Schlussfolgerungen verbindet, um Mehrdeutigkeit zu bewältigen und erklärbare Erkenntnisse zu liefern - ein Schlüsselprinzip der erklärbaren KI (XAI).

Anwendungen in der realen Welt

Kognitives Computing eignet sich hervorragend für Bereiche, in denen Experten große Mengen unstrukturierter Informationen durchsuchen müssen, um wichtige Entscheidungen zu treffen.

• KI im Gesundheitswesen: Ein Paradebeispiel ist ein Onkologie-Beratungssystem. Eine solche Plattform kann die elektronischen Krankenakten eines Patienten und Genomdaten erfassen und medizinische Bildanalysen von MRTs durchführen. Gleichzeitig durchsucht sie Millionen von medizinischen Fachzeitschriften aus Quellen wie PubMed Central und klinische Studienergebnisse. Anschließend legt es dem Onkologen eine Rangliste personalisierter Behandlungsoptionen vor, die mit entsprechenden Belegen versehen ist. Dadurch wird das Fachwissen des Arztes erweitert, was fundiertere Entscheidungen ermöglicht, wie sie von Organisationen wie der American Medical Association gefordert werden.
• Finanzdienstleistungen: Kognitive Systeme werden eingesetzt, um personalisierte Vermögensverwaltungsberater zu schaffen. Diese Systeme können mit den Kunden interagieren, um deren finanzielle Ziele und Risikotoleranz zu verstehen. Das System analysiert dann Echtzeit-Marktdaten, Wirtschaftsnachrichten zur Stimmungsanalyse und globale Finanzberichte, um Anlageportfolios zu empfehlen und dynamisch anzupassen. Dies ermöglicht eine datengestützte Beratung, die bisher nur vermögenden Privatpersonen zur Verfügung stand und auf die sich Institutionen wie das Weltwirtschaftsforum konzentrieren.

Werkzeuge und Technologien

Für die Entwicklung kognitiver Systeme sind leistungsfähige Plattformen und Werkzeuge erforderlich. IBM Watson ist eine prominente kommerzielle Plattform, die APIs für das Verstehen natürlicher Sprache, Computer Vision und Entscheidungsfindung bietet und oft als Schlüsselbeispiel für kognitives Computing in Aktion genannt wird. Weitere Schlüsseltechnologien sind Cloud-Plattformen wie Google Cloud AI und Tools, die in Anleitungen wie dem Azure Machine Learning Quickstart zur Verfügung stehen, sowie Open-Source-Frameworks wie TensorFlow und PyTorch. Für spezielle Aufgaben wie die visuelle Wahrnehmung innerhalb kognitiver Systeme bieten Modelle wie Ultralytics YOLO modernste Objekterkennungs- und Bildsegmentierungsfunktionen. Plattformen wie Ultralytics HUB bieten optimierte Arbeitsabläufe für das Training benutzerdefinierter Modelle, die Verwaltung von Datensätzen und die Bereitstellung der Bildverarbeitungskomponenten, die für viele kognitive Anwendungen unerlässlich sind, einschließlich der Nutzung von Cloud-Trainingsoptionen. Weitere Einblicke finden Sie in Ressourcen wie dem SAS Cognitive Computing Overview. Forschungseinrichtungen wie das Alan Turing Institute und Organisationen wie die Association for the Advancement of Artificial Intelligence (AAAI ) leisten einen wichtigen Beitrag zur zugrunde liegenden Forschung im Bereich Deep Learning und kognitive Architekturen.