Internet der Dinge

Die Zahl der internetfähigen Geräte soll in den kommenden Jahren laut Experten von derzeit rund 5 bis 10 Milliarden Geräten auf bis zu 30 Milliarden steigen. Ein Grossteil der dabei anfallenden Daten wird aber noch kaum oder gar nicht genutzt. IBM sieht daher im Bereich des Internets der Dinge (IoT) ein enormes Potenzial. Watson soll für eine besserer Vernetzung von Mensch, Maschine und Computer sorgen – und natürlich die anfallenden Daten auswerten.

Während bislang an rund 20 IBM-Standorten auf der ganzen Welt an Watson gearbeitet wurde, hat IBM diese Aktivitäten vor Kurzem gebündelt, und zwar nicht in irgendeiner US-amerikanischen Grossstadt, sondern in München. Bis zu 1000 Mitarbeiter sollen sich in der bayerischen Watson-IoT-Zentrale einmal damit beschäftigen, wie Watson und das Internet der Dinge unser Leben einfacher machen könnten. Die Zusammenlegung der Watson-Teams lässt sich das Unternehmen rund 200 Millionen Dollar kosten. Das ist IMBs grösste Investition in Europa seit mehr als 20 Jahren.

Watson verwendet eine Kombination aus Machine Learning und Deep Learning. Beim Machine Learning werden die Algorithmen mit Daten gefüttert und lernen im Training, wie sie die Daten zu interpretieren haben, um eine bestimmte Aufgabe zu lösen oder Antworten zu finden.

Das genügt aber nicht. Laut IBM liegen rund 80 Prozent der weltweit erzeugten Daten unstrukturiert vor – etwa als Texte, Bilder oder Audiodaten aus den unterschiedlichsten Quellen. Hier kommt Deep Learning ins Spiel: Künstliche neuronale Netze werten diese unstrukturierten Daten aus.

Damit diese Daten ihren Weg ins Watson-Hirn finden, verfügt das System über Schnittstellen (APIs, Application Programming Interfaces). Derzeit gibt es für Watson rund 50 APIs, unter anderem zur Text-, Bild- und Spracherkennung. Übrigens: Bei der Quizshow Jeopardy nutzte Watson seinerzeit nur eine einzige API: die zum Verstehen natürlicher Sprache.

Die technische Grundlage von Watson ist IBMs DeepQA-Architektur. Dabei handelt es sich um eine Massenparallel-Architektur, die auf der Grundlage des probabilistischen Nachweisprinzips arbeitet. Das bedeutet, dass sämtliche Schlussfolgerungen von Watson auf Wahrscheinlichkeiten basieren. So verwendete IBMs Superrechner zur Beantwortung der Jeopardy-Quizfragen über 100 Methoden zur Analyse natürlicher Sprache, zur Identifizierung von Quellen, zur Ermittlung und Generierung von Hypothesen, zur Feststellung und Bewertung von Nachweisen sowie zur Verbindung und Einstufung von Hypothesen. Die DeepQA-Architektur verknüpft die einzelnen Methoden so, dass sich ihre Stärken ergänzen und auf diese Weise zu einer höheren Genauigkeit, Wahrscheinlichkeit und Geschwindigkeit führen.

So ist zum Beispiel kein Einzelelement mit einer bestimmten Antwort verknüpft. Dieses Prinzip heisst pervasive Konfidenzbewertung: Alle Elemente erzeugen Kennzeichen und entsprechende Wahrscheinlichkeiten, die sogenannten Konfidenzen. Diese ermöglichen eine Bewertung unterschiedlicher Frage- und Inhaltsinterpretationen.

Watson läuft je nach Einsatzzweck als Software as a Service (SaaS) in der Cloud oder auf den Rechnersystemen des Kunden. Beim Einsatz umfangreicher Watson-Module wie IBM Watson for Oncology muss man inklusive entsprechender Kosten zum Anlernen der Systeme mit Kosten von mehreren Millionen Euro rechnen.

Watson lässt sich aber auch deutlich kostengünstiger ausprobieren: Module wie Watson Analytics gibt es in der Cloud bereits ab 30 Euro pro Nutzer und Monat.