In Hinblick auf unsere wachsende Gesellschaft und der Künstlichen Intelligenz als Kontrollinstanz für persönliche Bedürfnisse haben sich im Laufe der Jahre immer mehr »Gesundheitsgadgets« entwickelt, die uns Menschen im Alltag begleiten sollen. So beispielsweise die Apple Watch als Gesundheitsbegleiter, die Herzfrequenzen messen und unsere Schrittzahl zählen soll. Zu diesem Anlass habe ich mir die Frage gestellt: Inwiefern kann ein Gesundheitsbegleiter wie die Apple Watch ein Leben bereichern und unterstützen.
Inhaltsverzeichnis
Inhaltsverzeichnis
1. Einleitung
1.1 Problemstellung, Zielsetzung und Forschungsfrage
1.2 Vorgehensweise
2. Was ist Künstliche Intelligenz?
2.1 Der Kern der Künstlichen Intelligenz
2.2 Big Data
2.3 Die Ziele der Künstlichen Intelligenz
2.4 Einsatzfelder der Künstlichen Intelligenz
2.4.1 Expertensysteme
3. Künstliche Intelligenz in der Medizin
3.1 Apple im Gesundheitswesen
3.1.1 Apple Watch als Gesundheitsbegleiter
3.1.2 Technische Voraussetzungen
3.1.3 Interaktion zwischen Mensch und Apple Watch
3.1.4 Expertenmeinungen
3.1.5 Datenschutz
4. Ethik und Werte in Bezug auf Künstliche Intelligenz
5. Résumé
Liteaturverzeichnis
Abbildungsverzeichnis
1. Einleitung
In Hinblick auf unsere wachsende Gesellschaft und der Künstlichen Intelligenz als Kontrollinstanz für persönliche Bedürfnisse haben sich im Laufe der Jahre immer mehr »Gesundheitsgadgets« entwickelt, die uns Menschen im Alltag begleiten sollen. So beispielsweise die Apple Watch als Gesundheitsbegleiter, die Herzfrequenzen messen und unsere Schrittzahl zählen soll. Zu diesem Anlass habe ich mir die Frage gestellt: Inwiefern kann ein Gesundheitsbegleiter wie die Apple Watch ein Leben bereichern und unterstützen.
1.1 Problemstellung, Zielsetzung und Forschungsfrage
Die vorliegende Hausarbeit setzt sich mit den Auswirkungen der Apple Watch als Gesundheitsbegleiter in Bezug auf unseren Alltag als auch der Prävention und der Nachsorge im Gesundheitswesen auseinander. Im Besonderen stehen die Gesundheitsfunktionen der Apple Watch und die Auswirkungen auf unser Leben und unserer Daten im Fokus. Des Weiteren werden mögliche Folgen eines Datenüberflusses in Bezug auf Ethik und Werte beschrieben.
Das Ziel dieser Hausarbeit ist es, die medizinische Relevanz der Apple Watch zu präsentieren und zu diskutieren. Dieses Ziel wird mittels einer ausführlichen Analyse von KI und der Apple Watch in der Medizin sowie einer Expertenabfrage erfüllt.
1.2 Vorgehensweise
Zunächst werden in Kapitel zwei die grundlegenden Begriffe der Künstlichen Intelligenz erläutert. Kapitel drei folgt mit der Definierung der Künstlichen Intelligenz in der Medizin und speziell den Funktionen der Apple Watch als Gesundheitsbegleiter. Kapitel vier fasst die Auswirkungen der Nutzung solcher Gesundheitsgadgets und allgemein die der Künstlichen Intelligenz in Bezug auf Ethik und Werte zusammen.
2. Was ist Künstliche Intelligenz?
Künstliche Intelligenz (KI) tritt in vielen Bereichen unseres Lebens auf und hat sich über die Jahre immer mehr zu unserem persönlichen digitalen Assistenten entwickelt. Dabei ist sie bereits in alltäglichen Dingen wiederzufinden wie in Sprachassistenten Siri, Alexa und Andere, in Übersetzungshilfen im Internet oder in der Gesichtserkennung zum Entsperren des Smartphones. Des Weiteren deckt die KI bereits Bereiche in der Medizin mit der Auswertung von Krankenakten, der Logistik mithilfe von Robotern sowie des autonomen Fahrens ab. Die größte Herausforderung der KI stellt jedoch die umfassende Nachbildung des menschlichen Gehirns dar.1
Dass Maschinen noch einen weiten Weg haben werden, um die dem Menschen angeborenen und erlernten Intelligenzen in ihrer Gesamtheit abzudecken, zeigt der multiple Intelligenzansatz von Howard Gardner. In seinem Buch »Frames of Mind: The Theory of Multiple Intelligences« stellt Gardener die Theorie auf, dass die menschliche Intelligenz weit über klassische Intelligenztests hinausragt und bestimmt acht Intelligenzen, die jeder Mensch besitzt und trainieren kann.2
Abbildung in dieser Leseprobe nicht enthalten
In Abb. 2.1 sind die, von Gardner bestimmten, acht Intelligenzen zu sehen.
2.1 Der Kern der Künstlichen Intelligenz
KI umfasst zwei Bereiche. Diese Bereiche sind zum einen die Erforschung, wie intelligentes Verhalten Probleme lösen kann und zum anderen wie daraufhin Systeme entwickelt werden können, die intelligente Lösungen erzeugen. Hier beschränkt sich die Herangehensweise nicht auf die menschlichen Fähigkeiten ein Problem zu lösen. Vielmehr sollen Ergebnisse gefunden werden, die außerhalb des menschlichen Lösungsraums liegen, um so Lösungen mit einem KI-System zu erreichen.3
Kern der KI ist Software. Diese ist so programmiert, dass sie kognitive Aufgaben ausführen und mit dem menschlichen Verstand verbinden kann. Kreutzer und Sirrenberg sagen: »Dazu gehören die Möglichkeit zur Wahrnehmung sowie die Fähigkeit zur Argumentation, zum selbstständigen Lernen und damit zum eigenständigen Finden von Problemlösungen.«4 Dabei bietet die KI drei Arten der Auswertung: 1. Description – die Beschreibung des »Ist«, 2. Prediction – die Vorhersage des »Wird« und 3. Presciption – die Empfehlung des »Was«. Auffällig ist, dass das KI-System besonders gut komplexe Rechensysteme auswerten kann. Dahingegen fallen dem KI-System Aufgaben wie Sprach- und Objekterkennung sowie das Erkennen des eigentlichen Sinns mancher Aufgaben um einiges schwerer.5
Das wichtigste Element für KI-Systeme sind neuronale Netze, die versuchen die neuronalen Netze des menschlichen Gehirns nachzubilden. Dabei findet eine parallele Verarbeitung der Informationen statt, die durch die Verknüpfung von Neuronen und speziellen Verarbeitungsfunktionen ermöglicht wird.6 »Auf diese Weise können […] sehr komplexe, nicht-lineare Abhängigkeiten der Ursprungsinformation abgebildet werden.«7
Die Basis eines KI-Systems bilden große Datenmengen – auch Big Data genannt – mit denen das System zu Anfang gefüttert wird. Das neuronale Netzwerk orientiert sich am Aufbau des menschlichen Gehirns und verfügt daher über eine große Anzahl an Prozessoren, die in mehreren Schichten angeordnet sind. Als erste Schicht wird die Input-Layer bezeichnet, welche die Rohdaten erhält. Die nachfolgenden Schichten nennen sich Hidden-Layers, die den Output der vorhergehenden Schichten erhalten. Dabei verfügt jeder Verarbeitungsknoten, zwischen den Hidden-Layers, über einen eigenen Wissensbereich. Dies umfasst das Wissen und die Regeln, mit denen das System programmiert wurde sowie denen, die im Zuge des sogenannten Machine-Learnings ergänzend oder korrigierend erarbeitet wurden. Damit das System sich eigenständig entwickeln und lernen kann, kommen komplexe Algorithmen – auch Anweisungen – zum Einsatz, die eingegebene Daten in vordefinierter Form verarbeiten können. Wurde von dem KI-System eine Lösung gefunden, wird das Ergebnis über die sogenannten Output-Layer ausgegeben.8
Das KI-System kann mit verschiedenen Arten des Lernens »trainiert« werden. Beim Supervised Learning, kennt das System die richtigen Antworten bereits, muss die Algorithmen nur noch anpassen. Das Ziel ist hier schon bekannt und es kommen Methoden wie das Baumdiagramm zur Auswertung zum Einsatz. Wichtig ist hier, dass alle In- und Output-Daten für das System bereits definiert sein müssen. Dahingegen hat das Unsupervised Learning keine vordefinierten Zielwerte und muss das Muster der Daten eigenständig erkennen. Dem System werden unbeschriftete Daten zur Verfügung gestellt, welche es anhand von Merkmalen eigenständig vergleichen und zuordnen muss. Das Ergebnis kann also außerhalb der menschlichen Vorstellbarkeit liegen. Beim Reinforcement Learning liegt zu Beginn der Lernphase kein vordefinierter Lösungsweg vor. Durch einen iterativen Prozess muss das KI-System eigenständig Lösungswege ausprobieren und wird durch »Belohnung« und »Bestrafung« vorangetrieben. Diese Methode wird nur dann eingesetzt, wenn keine ausreichenden Trainingsdaten vorhanden sind und das Ergebnis vom Menschen nicht klar definierbar ist. Anders als bei den beschriebenen klassischen neuronalen Netzen kann das System beim Deep Learning eine größer Bandbreite an Datenmengen verarbeiten, ohne dass der Mensch das System zu Beginn mit vielen Daten füttern muss. Beim Deep Learning kommt eine viel größere Anzahl an neuronalen Schichten sowie ein hoher Einsatz von Optimierungsmethoden mit einer umfangreichen inneren Struktur vor. Diese können tiefliegende Muster und Korrelationen erkenne und mit vorhandenen Datenpunkten verbinden. Das System kann aus eigenen Erfahrungen lernen und neue Input-Daten in Relation zu den bereits vorhandenen Datensätzen bringen. Daher liefert das Deep Learning häufig genauere Ergebnisse als herkömmliche maschinelle Lernansätze.9
KI-Systeme müssen natürlich vertrauenswürdige und korrekte Ergebnisse generieren können. Ein Beispiel für das Gegenteil erklärt Folgendes: Ein KI-System soll ein Gerichtsurteil fällen. Auffällig ist, dass das Strafmaß für Menschen mit dunkler Hautfarbe deutlich höher liegt als bei Menschen mit heller Haut. Dem KI-System wurden Akten von früheren Fällen gezeigt, welche es auswerten und Muster erkennen soll. Die Auswertungen werden dann auf aktuelle Fälle angewandt. Diese Ergebnisse basieren jedoch auf der Geschichte und den Vorurteilen unserer vorangehenden Generationen, die nicht immer richtig waren und mit unserem heutigen Wertesystem oft nicht mehr übereinstimmen. Daher ist es zwingend notwendig, dass dem KI-System eine hohe Diversität an verlässlichen Datenquellen zur Verfügung gestellt wird, um Vorurteile und Stereotypen zu vermeiden.10
Zusammenfassend lässt sich sagen, dass der Kern der KI darin besteht, große Datenmengen zu verarbeiten, darin eigenständige Muster zu erkennen und auf deren Grundlage autonome Entscheidungen bzw. Vorhersagen zu treffen. Dafür braucht das KI-System eine große Menge an Daten welche in neuronalen Netzen verarbeitet werden. Diese neuronalen Netze verfügen über eine hohe Anpassungsfähigkeit, was zu einer eigenständigen Verbesserung führt.11 Die Verarbeitung erfolgt in verschiedenen Layern und kann durch Supervised Learning, Unsupervised Learning, Reinforcement Learning und Deep Learning vorangetrieben werden. KI ist bereits in vielen Bereichen unseres Alltags zu finden und erwartet ein stetiges Wachstum. Damit vertrauenswürdige Ergebnisse erzielt werden können, muss eine hohe Diversität sowie Qualität der Datenquellen gegeben sein. KI kann unsere Welt nachhaltig verbessern, muss jedoch mit großer Sorgfalt behandelt werden.
2.2 Big Data
Big Data bildet die Grundlage aller KI-Systeme. Übersetzt heißt der Begriff soviel wie ein »großer, qualifizierter Datenschatz«.12 Big Data unterliegen folgende fünf Kriterien, auch die fünf Vs genannt. Als erstes Kriterium wird der Umfang der verfügbaren Datenmenge gemessen, auch Volume genannt. Dieser hat Auswirkungen auf die Breite und Tiefe der verfügbaren Daten. Das zweite Kriterium – Velocity – beschreibt die Geschwindigkeit, mit der Datensätze bearbeitet werden, beispielsweise wie schnell neue Daten erstellt, aktualisiert, analysiert oder gelöscht werden können. Variety gibt Auskunft über die Vielzahl der unterschiedlichen Datenformate – auch Datenquellen – die oft gleichzeitig verarbeitet werden müssen. Als viertes Kriterium bezeichnet man die Veracity, also die Qualität der Daten. Hier handelt es sich allein um den formalen Informationsgehalt, welcher in folgenden Dimensionen kritisiert werden kann. Zum einen in seiner Korrektheit, in seiner Vollständigkeit, in der Konsistenz sowie der Aktualität der Daten. Das fünfte und letzte Kriterium ist der Wert und die Relevanz der Daten – auch Value genannt. Diesen Kriterien lassen die Vertrauenswürdigkeit der Datenquellen bestimmen und stellen gleichzeitig die größte Herausforderung der KI dar.13
Die wichtigsten Datenquellen sind Dinge und Prozesse, die immer mehr Daten über einen Einsatz generieren. Beispiele dazu sind Streamingdienste wie Netflix und u.a., die neben der Nutzung ihrer Plattform eine Vielzahl an Daten über das Verhalten der Nutzer*innen generieren. Das kann die Art des gesehen Inhalts sein, aber auch der Zeitpunkt oder der Ort bis hin zur Information, bei welcher Szene der/die Zuschauer*in den Streaming-Vorgang abgebrochen hat. WhatsApp entnimmt den Nutzer*innen Informationen wer, wann, von wo aus und mit wem wie lange kommuniziert hat. Auch Google erhält, neben den Schwerpunkten der Suche, Informationen, von welchem Gerät, in welcher Intensität und mit welchem Outcome wie lange gesucht wurde. Diese Informationen werden auch digitaler Schatten genannt, den wir zwangsläufig bei jeder Benutzung von Online-Aktivitäten hinterlassen. Es gilt, je mehr Informationen über ein*en Konsument*in, ein Unternehmen oder einem/einer Entscheidungsträger*in bekannt sind, desto gezielter können Angebote platziert werden.14
Doch natürlich kommen auch kritische Stimmen auf. So bezeichnet die Professorin Shoshana Zuboff der Harvard Business School Big Data als Überwachungskapitalismus. Denn die relevanten Daten werden durch die Überwachung von menschlichem Verhalten gewonnen, woraufhin Prognosen zu einem bestimmten erwarteten Verhalten aufgestellt werden. Diese Prognosen werden dann an große Internetfirmen verkauft und so schnell in Kapital umgewandelt. Zuboff behauptet außerdem, dass wir kaum noch Kund*innen und Angestellte sind, sondern in erster Linie Informations- und Datenquellen eines Apparates, dessen Funktionsweisen uns weitestgehend verborgen bleiben.15 So erklärt auch die Datenschutz-Grundverordnung in Europa, dass eine umfassende Datennutzung durch Unternehmen unterbunden bzw. eingeschränkt werden können.16
Big Data bezeichnet also einen enorm großen qualifizierten Datensatz, der den Grundbaustein von KI-Systemen darstellt. Mithilfe der fünf Vs kann sichergestellt werden, dass die Daten zuverlässig sind. Unternehmen und Dienstleister*innen generieren eine Vielzahl von Informationen ihrer Nutzer*innen, die von Algorithmen ausgewertet werden. So können bspw. Angebote genauer und zielgerechter platziert werden. Neben den Vorteilen die Big Data mit sich bringt, gibt es jedoch auch eine Kehrseite der Medaille, weshalb das Thema »Big Data« mit Sensibilität und Sorgfalt zu behandeln ist.
2.3 Die Ziele der Künstlichen Intelligenz
Das einfache Ziel der KI liegt in der maschinellen Nachbildung der menschlichen Intelligenz. Dabei versucht die KI mithilfe von Technik menschliches Denken und Auftreten zu imitieren und damit soziale und ökonomische Vorteile zu erreichen. Verbesserte Algorithmen und eine höhere Datenverfügbarkeit führen zu einem verbesserten Service und zugleich zu gleichen oder niedrigeren Kosten. Technisch sind der KI dabei kaum Grenzen gesetzt, weshalb die Grenzen durch ethische Normen festgelegt werden müssen.17
Bei der Definition der KI-Ziele muss die KI zunächst in zwei Ansätze unterteilt werden. Zum einen gibt es die schwache KI, die die Ausführung von Aufgaben mindestens auf menschlichem Niveau anstrebt. Hier geht es um das Lösen komplexer Sachverhalte und darum, Probleme besser zu lösen als es die menschlichen Fähigkeiten erlauben. Des Weiteren kann eine starke KI definiert werden, die sich darauf bezieht, menschliche Fähigkeiten durch Technologien in vielen Bereichen unseres Lebens nachzubilden und zu optimieren. Eine Intelligenz, die die Grenzen menschlichen Denkens, Fühlens und Handelns überwindet wäre der Inbegriff der starken KI.18
Um die oben genannten Ziele zu erreichen, werden zwei Prozessen unterschieden. Ein noch hypothetischer Prozess ist das sogenannte Uploading. Hier wird die Gesamtheit des menschlichen Bewusstseins auf einen leistungsstarken Computer übertragen – auch transferiertes Bewusstsein genannt. Dies umfasst also die gesamte Persönlichkeit inklusive allen Erinnerungen, Erfahrungen und Emotionen eines Menschen. Ein weiterer Prozess ist das Upshifting. Hier vollzieht sich der Prozess inkrementell, indem Neuronen des menschlichen Gehirns nach und nach durch ein elektronisches Pendant ersetzt werden. Beide Prozesse zielen auf das gleiche Ergebnis ab, lediglich der Weg, der zum Ziel führt, unterscheidet sich. Die beiden Prozesse können auch mit dem Begriff Transhumanismus beschrieben werden. Dabei handelt es sich um die biologische Erweiterung des Menschen mithilfe von Computern. Dieser Begriff kann anhand eines Beispiels erklärt werden: Es ist allzeit bekannt, dass KI eine große Rolle in der Medizin spielt. Allein schon eine Prothese fungiert als Form der Erweiterung oder des Ersatzes von beeinträchtigten oder nicht mehr vorhandenen Körperteilen. So sollen auch mithilfe von neurotechnologischen Implantaten im Gehirn, bestimmte Hirnareale autonom stimuliert und Krankheiten wie Parkinson, Epilepsie oder psychische Erkrankungen wie Depressionen behandelt werden können. Bei derartigen Eingriffen gehen Fragen wie – Wie viel Transhumanismus wird in der Forschung bereits angewandt? Oder welche Auswirkungen haben solche Eingriffe auf das Gehirn und was bedeutet das für unsere Gesellschaft? – einher.19 Transhumanismus verdeutlicht, dass die Grenzen der KI heute nicht mehr allein in der Technologie liegen. KI-Kritiker*innen weisen daher auf Gefahren wie die technologische Singularität hin. Diese sogenannte technologische Singularität kennzeichnet den Zeitpunkt, an dem sich Maschinen durch KI-Anwendungen in einem Ausmaß vorantreiben, ab dem eine Prognose der Zukunft des Menschen nicht mehr vorhergesagt werden kann. Auch wenn es nicht absehbar ist, wann welche Entwicklungen zu erwarten sind bzw. eine technologische Singularität erreicht wird, so sind Definitionen ethischer Ziele zwingend notwendig, um im möglichen Eintreten einer technologischen Singularität Grenzen zu setzten.20
[...]
1 Vgl. Kreutzer/Sirrenberg, 2019, S. 1.
2 Vgl. Gardner, 2011.
3 Vgl. Kreutzer/Sirrenberg, 2019, S. 3.
4 Kreutzer/Sirrenberg, 2019, S. 3.
5 Vgl. Kreutzer/Sirrenberg, 2019, S. 3 f.
6 Vgl. Kreutzer/Sirrenberg, 2019, S. 4.
7 Kreutzer/Sirrenberg, 2019, S. 4.
8 Vgl. Kreutzer/Sirrenberg, 2019, S. 5 f.
9 Vgl. Kreutzer/Sirrenberg, 2019, S. 7 f.
10 Vgl. Kreutzer/Sirrenberg, 2019, S. 11.
11 Vgl. Kreutzer/Sirrenberg, 2019, S. 9.
12 Vgl. Kreutzer/Sirrenberg, 2019, S. 78.
13 Vgl. Kreutzer/Sirrenberg, 2019, S. 79 f.
14 Vgl. Kreutzer/Sirrenberg, 2019, S. 81 ff.
15 Vgl. Kreutzer/Sirrenberg, 2019, S. 83 f.
16 Vgl. Kreutzer/Sirrenberg, 2019, S. 82.
17 Vgl. Kreutzer/Sirrenberg, 2019, S. 16 ff.
18 Vgl. Kreutzer/Sirrenberg, 2019, S. 20.
19 Vgl. Kreutzer/Sirrenberg, 2019, S. 22.
20 Vgl. Kreutzer/Sirrenberg, 2019, S. 23.