ddm Ausgabe 6 | 2019

ddm | Ausgabe 6 | 2019 20 Digitale Visionen 2. verbesserte Technik: Durch die Anwendung spezialisierter Rechenchips konnten die Rechenkapazitäten enorm gesteigert werden. Bereits heute hat für KI-Anwendungen die GPU (Graphical Processing Unit, Grafikkarte) der klassischen CPU (Central Processing Unit, Prozessor) den Rang abgelaufen. Weiterentwicklungen wie die TPU (Tensor Processing Unit), die erstmalig 2016 vorgestellt wurde, erreichen in der 3. Generation 100 PFLOPS (FLOPS aus dem Englischen: Gleitkommaoperationen pro Sekunde, zum Vergleich: aktuelle CPUs errei- chen um die 30 GFLOPS (=0,00003 PFLOPS). 3. Verbesserung der KI zugrundeliegenden Algorithmen: Immer komplexere, „tiefere“ Algorithmen (sog. „deep learning“, s. u.) (LeCun et al. 2015) und Netzwerkarchitekturen erlauben, immer komplexere Sachverhalte durch KI abzubilden bzw. zu analysieren. In allen drei Bereichen werden auch weiterhin enorme Fortschritte gemacht; diese Treiber des aktu- ellen KI-Hypes bleiben demnach auch zukünftig noch bestehen. Ob KI allerdings alle Hoffnungen, die in sie gesetzt werden (Topol 2019), wird erfüllen können, bleibt zu bezweifeln (s. u.). Grundlage jeglicher KI sind mathematische Modelle, die auf Daten trainiert werden (Abb. 2). Hierfür werden den Modellen wiederholt die Daten mit dem zu erwartenden Ergebnis (dem sog. „Label“, also bspw. „kariös“ oder eben „nicht kariös“) präsentiert und das Modell durch Iteration verbessert, bis es die statistischen Muster und Strukturen in den Daten erlernt hat (Training). Nun sollte das Modell in der Lage sein, auch auf Daten, die es zuvor nicht gesehen hat, Vorhersagen zu treffen; diese können dann erneut mit dem Label verglichen werden und so die Güte des Modells bestimmt Abb. 2: Training eines Modells (hier: eines neuronalen Netzwerkes, s. u.). (a) Beim sog. überwachten Lernen wird demModell sowohl das Rohdatenmaterial als auch ein sog. Label präsentiert. Hierbei kommen, wenn es um Bilddaten geht, sowohl pixelbasierte Labels (z. B. kariöse Läsionen auf Nah-Infrarot-Transilluminationsbildern [NILT], Zahnstrukturen auf Bissflügelröntgenbildern) als auch instanzbasierte Labels (z. B. Knochenverlust ja / nein auf einem Röntgenbild) zum Einsatz. (b) Die Daten werden demModell wiederholt (in „Epochen“) präsentiert und die Modellvorhersagen mit dem Label abgeglichen. Über eine Minimierung des Vorhersage- fehlers wird das Modell optimiert. (Bildquelle: Schwendicke et al.; Convolutional neural networks for dental image diagnostics: A Scoping Review; Journal of Dentistry 2019)