Enter Title

Künstliche Intelligenz:
Wegbereiter für bessere Ernten und Lebensbedingungen

Künstliche Intelligenz: Wegbereiter für bessere Ernten und Lebensbedingungen

ARTIKEL 1

Landwirtschaft als High-Tech-Wissenschaft KI kann helfen.

Von David Freedman für Mouser Electronics

Menschen, die in der Hochtechnologie, im Finanzwesen oder in anderen stressigen, komplexen Branchen arbeiten, sehnen sich vielleicht manchmal nach dem einfacheren Leben eines Landwirts. Wenn sie nur wüssten, worauf sie sich da einließen.

Tatsächlich kann die Landwirtschaft eine erstaunlich komplexe Mischung aus Dutzenden von Variablen sein, von denen sich einige sowohl zentimeterweise als auch minütlich ändern. Die sich daraus ergebende gewaltige Menge an Daten macht es für herkömmliche Analysetechniken unmöglich, zuverlässige Vorhersagen darüber zu treffen, wie sich die Entscheidungen und Techniken der Landwirte auf die Ergebnisse auswirken werden. „Am Ende machen es die Landwirte oft einfach so, wie ihr Großvater es gemacht hat, weil sie sich nicht sicher sind, welche anderen Wege besser sein könnten“, sagt Bruce Maxwell, ein Pflanzenökologe an der Montana State University, der Nachhaltigkeit in der Landwirtschaft erforscht.

Die Ergebnisse bringen viele Betriebe Jahr für Jahr in eine schwierige finanzielle Lage. Darüber hinaus führen nicht optimale landwirtschaftliche Maßnahmen zu übermäßiger Umweltverschmutzung, weniger erschwinglichen und ungesunden Lebensmitteln und der Auslaugung von Ackerland – Probleme, die einen Großteil Amerikas und der ganzen Welt, einschließlich biologischer und traditioneller kleiner Bauernhöfe, betreffen, merkt Maxwell an.

Deshalb hat Maxwell seine Forschung darauf konzentriert, Landwirten ein zuverlässigeres Verfahren bereitzustellen, mit dem sie erkennen können, welche Änderungen bei Landwirtschaftsmethoden zu besseren Ergebnissen führen könnten. Das entscheidende Werkzeug: ein maschinelles Lernprogramm, das er und seine Kollegen entwickelt haben und das die sonst undurchsichtigen Zusammenhänge zwischen den vielen verschiedenen Dingen, die Landwirte tun, wenn sie Pflanzen unter unterschiedlichen Bedingungen anbauen, und dem, was sie Monate – und sogar Jahre – später ernten, aufdecken kann. „Maschinelles Lernen kann die Nadel im Heuhaufen finden“, sagt er. „Es übertrifft andere Methoden, wenn es darum geht, herauszufinden, wie man die Nachhaltigkeit verbessern kann.“

Den Heuhaufen durchkämmen

Wie bei maschinellen Lernverfahren üblich, startet Maxwells Ansatz mit allen Daten, die gesammelt werden können. Forscher beschweren sich normalerweise, dass sie nie genug davon haben, aber in der Landwirtschaft muss man vorsichtig sein, was man sich wünscht. Dank einer Reihe von Fortschritten bei Sensoren und Werkzeugen zur Bodenüberwachung kann jeder, der landwirtschaftliche Daten auswerten möchte, auf eine Fülle von Informationen zurückgreifen.

Bild einer Pflanze mit digitaler Anzeige der Sonneneinstrahlung und des Wasserstands

Ein Beispiel, wie Technologie eingesetzt werden könnte, um mithilfe von KI Wasserstand und Sonneneinstrahlung zu ermitteln und zu analysieren (Quelle: Leonid - stock.adobe.com)

Unter anderem stehen Maxwell folgende Hilfsmittel für die Datenerfassung zur Verfügung: winzige Wetterstationen, die Wind, Temperatur, Feuchtigkeit und Nässe messen, oft an mehreren Punkten eines Feldes; Satelliten- und Drohnenaufnahmen, die Größe, Dichte und Farbe der Pflanzen messen können – was auf Reife und Gesundheit hinweist – und zwar bis auf wenige Zentimeter genau; Bodensensoren, die über die Feuchtigkeit berichten; Traktoren, die die Menge an Saatgut, Dünger und Mischungen zur Schädlings- und Unkrautbekämpfung, die Meter für Meter ausgebracht werden, anpassen und messen können; und Erntemaschinen, die das Futter, das in den Behälter gelangt, nicht nur Sekunde für Sekunde wiegen, sondern auch mit einem intensiven Lichtstrahl durchleuchten, um den Eiweißgehalt zu messen. Es befinden sich Sensoren in Arbeit, die es den Mähdreschern ermöglichen, den Gehalt anderer Nahrungsbestandteile zu erfassen, merkt Maxwell an, darunter Antioxidantien, Beta-Carotin und Zink, die für die Gesundheit relevant sein können.

Eine Drohne scannt ein Feld, um die Größe, Dichte und Farbe der Pflanzen zu messen. (Quelle: ConvertSight - shutterstock.com)

Der Versuch, Korrelationen zwischen einzelnen Variationen in diesem riesigen Datengemenge und dem Endprodukt zu entdecken, übersteigt bereits die Möglichkeiten der konventionellen Analyse. Wie kann man die Beziehung zwischen kleinen Veränderungen der Bodenfeuchtigkeit und dem Proteingehalt von Weizen herausfinden, wenn es buchstäblich Hunderte oder sogar Tausende anderer potenzieller Faktoren gibt, die die Ergebnisse verfälschen können?

Die Lage ist jedoch sogar noch komplizierter, weil sich herausstellt, dass die Daten aus der Landwirtschaft mit zahlreichen Störquellen behaftet sind, von Sensorschwankungen über die Vibrationen schwerer Geräte bis hin zu Mikroveränderungen der Wetterbedingungen und unerkannten Veränderungen des Bodens. „Man sieht alle Arten von Störfaktoren in allen Maßstäben, egal ob es sich um Zentimeter oder Kilometer und Minuten oder Jahre handelt“, sagt Maxwell. „Egal, was Sie tun, um den Datenfluss reibungsloser zu gestalten, das meiste davon sieht am Ende wie ein Schrotflinten-Streumuster aus, wenn Sie es auf einem Feld abbilden.“

Vermenschlichung der KI

Forscher haben in der Regel verzweifelt die Hände über dem Kopf zusammengeschlagen, sobald sie versuchten, dem Ganzen einen Sinn zu geben. Doch Maxwell führte maschinelle Lernalgorithmen ein, um dem Datenchaos Herr zu werden, und setzte dabei auf die große Stärke der Software, Muster in einem komplexen, zufällig wirkenden Datenmeer aufzuspüren.

Die Ergebnisse sind ermutigend, sagt Maxwell und merkt an, dass die Software bereits eine entscheidende Erkenntnis geliefert hat: Landwirte neigen zu einem übermäßigen Einsatz von Düngemitteln und Zusatzstoffen zur Schädlings- und Unkrautbekämpfung. Die Daten deuten darauf hin, dass selbst Biobauern die natürlichen Wirkstoffkombinationen, die sie oft auf die Felder ausbringen, übermäßig einsetzen. „Landwirte tendieren dazu, Dinge zu tun, die ihnen die üppigste, grünste Ernte bescheren“, erklärt er. „Wenn man jedoch die Kosten berücksichtigt, geht es den Betrieben am Ende weniger gut, als wenn sie sich zurückgehalten hätten.“

Er merkt an, dass einige Landwirte in Montana stark auf die Zusatzstoffe setzen, weil sie in manchen Jahren tatsächlich zu hohen Erträgen beitragen – auch wenn sie in den meisten Jahren am Ende Geld verlieren, was diese Praxis suboptimal macht. Und das, bevor die zusätzlichen langfristigen Kosten der Umweltverschmutzung berücksichtigt werden.

Maxwell führt jetzt weitere Studien durch, um neue, durch maschinelles Lernen gewonnene Erkenntnisse aus den Daten zu gewinnen. Bei einem Projekt werden die Mengen und Arten der Zusätze auf einem einzigen, großen Feld absichtlich variiert, um der Software zu helfen, feiner abgestufte Beziehungen zwischen Eingaben und Ergebnissen zu erkennen. Ein weiteres neues Projekt soll herausfinden, welches verborgene Wissen in den Praktiken einiger indianischer Bauern stecken könnte. „Diese Praktiken können sich über Hunderte von Generationen entwickelt haben“, sagt Maxwell. „Es wäre gut zu wissen, ob diese lange Reihe von Entscheidungen und Beobachtungen zu der optimalen Art und Weise geführt hat, unter bestimmten Bedingungen zu wirtschaften.“

Ein Beispiel, wie Technologie eine Erdbeerpflanze überwacht, um den Zeitpunkt der Reife festzustellen (Quelle: zapp2photo - stock.adobe.com)

Um diese Frage zu beantworten, speist Maxwell Daten von einigen indianischen Farmen in ein maschinelles Lernprogramm ein, um zu sehen, ob es diese Praktiken verbessern kann. Wenn dies nicht der Fall ist, so sagt er, könnte es sinnvoll sein, maschinelle Lerntechniken so zu modifizieren, dass sie mehr wie Menschen „denken“. „Wir wissen in der Regel nicht einmal, was Machine-Learning-Programme tun, um Muster aus den Daten abzuleiten“, sagt er. „Vielleicht können wir sie verbessern, indem wir mehr von den logischen, schrittweisen Prozessen in der menschlichen Langzeit-Entscheidungsfindung einbauen.“

Dieses Projekt könnte Auswirkungen auf andere Bereiche haben, die auf maschinelles Lernen angewiesen sind. Vorerst wird sich Maxwell jedoch damit zufrieden geben, den Landwirten dabei zu helfen, mehr und bessere Nahrungsmittel zu produzieren und dabei auf einer soliden finanziellen Basis zu stehen und die Umwelt zu schützen. „Sie haben es mit einer Menge instabiler Faktoren zu tun“, sagt er. „Wir möchten sie dabei unterstützen, das Richtige zu tun.“

ARTIKEL 2

Leben retten durch Talk Radio

Von David Freedman für Mouser Electronics

Im Jahr 2015 suchte Thomas Niesler eine andere Art von Herausforderung.

Als Professor für Elektrotechnik an der Universität Stellenbosch in Südafrika hatte Niesler sein Labor bereits dazu gebracht, das erste auf künstlicher Intelligenz basierende Spracherkennungssystem zu entwickeln, das mit den einzigartigen englischen Dialekten Südafrikas arbeitet. Nun fragte er sich jedoch, ob es nicht wichtigere Anwendungen für sein Fachwissen gab. „Ich wollte eine bisher übersehene Nische finden, um Menschen zu helfen, die wirklich in Not sind“, erinnert er sich.

Niesler fand diese Nische bald, wenn auch an einem unerwarteten Ort: in den kleinen Radiostationen, die es in einigen der ärmsten, ländlichen Regionen Afrikas gibt. Wie sich herausstellte, waren Niesler und sein Labor in einer einzigartigen Position, um bei der Lösung des kritischen Problems der Informationslücken im ländlichen Raum zu helfen. Ihr bahnbrechendes, auf KI basierendes Spracherkennungssystem ermöglicht es Computern, bei lokalen Talk-Radio-Programmen in relativ seltenen Sprachen mitzuhören, und würde so die Regierung und Hilfsorganisationen dabei unterstützen, die Hilfe dorthin zu bringen, wo sie am dringendsten benötigt wird. „Das Radio ist das soziale Medium dieser Bevölkerungsgruppen“, sagt Niesler. „Einen Weg zu finden, diese Sendungen zu verfolgen, war der beste Ansatz, um ihnen bei der Lösung ihrer Probleme zu helfen.“

Radio als Lebensader

Der größte Teil Ugandas ist abgelegen und arm, es fehlt an ausreichenden Medikamenten, Lebensmitteln, Straßen und Strom. Diese ländlichen Gebiete leiden zudem häufig unter Naturkatastrophen wie Dürren und Überschwemmungen, und der große Zustrom südsudanesischer Flüchtlinge belastet die ohnehin knappen Ressourcen zusätzlich.

Diese gewaltigen Probleme werden durch die Tatsache verstärkt, dass es dort kaum Internetzugang und nur wenige Nachrichtenkanäle gibt. Der daraus resultierende Mangel an Informationen hindert politische Entscheidungsträger und humanitäre Organisationen daran, zuverlässig herauszufinden, woran es wann, wo und für wen am meisten mangelt und ob die bestehenden Hilfsmaßnahmen helfen.

Bild eines Afrikanischen Dorfs mit Funkturm

Funktürme in der Nähe von Geschäften und Wohnungen in Elmina, Ghana (Source: Alida Latham/Danita Delimont - stock.adobe.com)

Doch zwei Technologien haben es selbst in die ärmsten Regionen des Landes geschafft: Mobiltelefone – die häufig von mehreren Personen genutzt werden – und lokale Radiosender. Die Radiosender sind leistungsarme Einrichtungen, so Niesler. „Da ist nur ein Mann in einem Raum, der gleichzeitig als Manager, Techniker und DJ fungiert, alles in einem“, sagt er.

So klein die einzelnen Stationen auch sind, es gibt mehr als 250 von ihnen im gesamten ländlichen Uganda, die zusammen ein beachtliches Netzwerk bilden, das als primäre Informationsquelle für etwa die Hälfte der Haushalte des Landes dient. Darüber hinaus ist dieses Netzwerk überraschend interaktiv, dank des Call-in-Charakters der meisten Sendungen. Jeden Tag rufen etwa 25.000 Ugander in einer der Sendungen an, in der Regel, um ihre Sorgen in Bezug auf genau die Art von lokalen Problemen zu äußern, über die die Regierung und die Vertreter der Hilfsorganisationen etwas erfahren wollen.

Regierungen und UN-Organisationen haben schon lange erkannt, dass das Einschalten von Radiosendern eine gute Möglichkeit ist, um über aufkommende Probleme auf dem Laufenden zu bleiben. Die Überwachung von etwa 250 Sendern würde jedoch eine engagierte Armee von Zuhörern erfordern, die zahlenmäßig weit über das vorhandene Personal und das Budget hinausgeht. Hinzu kommt, dass die Sendungen in regionalen Sprachen und Dialekten ausgestrahlt werden, die die meisten Nicht-Einheimischen nicht sprechen.

Aber was wäre, wenn Computer das Zuhören übernehmen und Agenturen mit kritischen Highlights aus der Flut der Radiogespräche versorgen könnten?

Warnende Worte

Niesler erfuhr von der Notwendigkeit, Radiosender zu überwachen, als er begann, mit dem von der UNO betriebenen „Pulse Lab“ in Uganda zusammenzuarbeiten, das sich auf Innovationen zur Unterstützung der Armen und Schwachen konzentriert. Gemeinsam mit zwei Postdoktoranden aus seinem Labor, Raghav Menon und Armin Saeb, machte er sich an die Arbeit, um ein Spracherkennungssystem für Talk-Radios zu entwickeln.

Es war eine viel schwierigere Herausforderung als normale Spracherkennungsprojekte, erklärt Niesler, denn normalerweise beginnen diese Projekte mit dem Zugriff auf eine enorme Menge an Analysen der gesprochenen Wörter einer Sprache. Für weit verbreitete Sprachen wurde ein Großteil dieser Analyse bereits im Laufe der Jahre von Hunderten von Forschern durchgeführt, die auf unbegrenzte Mengen von Audioaufnahmen und dazugehörigen Transkriptionen zugreifen – eine unverzichtbare Ressource.

Die Analyse ist entscheidend, denn ein Spracherkennungssystem kann nichts lernen, indem es sich einfach nur Sprachproben anhört; ihm muss gesagt werden, welche Laute für welche Wörter stehen, und da kommt die Analyse ins Spiel. Für die drei Dialekte, die das ländliche ugandische Talkradio dominierten – Luganda, Acholi und ugandisches Englisch –, existierten jedoch praktisch keine dieser Analysen oder Transkriptionen. Zudem verfügte Niesler nicht über Dutzende von Sprachexperten, die er auf die Aufgabe hätte ansetzen können, für die ein Experte 20 Stunden Arbeit für jede Stunde Sprache benötigt. Dies bedeutete im Umkehrschluss, dass er und sein Team eine neue Technologie entwickeln mussten, um die Spracherkennung auf der Grundlage eines winzigen Pools von transkribierten Proben aufzubauen. „Wir mussten mit so wenig Daten wie möglich auskommen“, sagt er.

Lange gerade Straße Richtung Parlamentsgebäude in Kampala, Uganda

Das Parlamentsgebäude in Kampala, Uganda (Source: Zach - stock.adobe.com)

Der erste Trick, auf den das Team kam, bestand darin, die Analyse, die für andere, breiter analysierte afrikanische Sprachen verfügbar ist, auf die lokalen ugandischen Sprachen anzuwenden. „Wir haben die Maschine darauf trainiert, nach Gemeinsamkeiten in den gesprochenen Sprachen zu suchen“, sagt Niesler. „Auf diese Weise konnten wir mit einem mehrsprachigen Modell beginnen, das eine Reihe von Wörtern in unserer Zielsprache erkannte und Vermutungen über andere anstellen konnte.“

Fischen nach Schlüsselwörtern

Um noch weiter zu gehen, arbeitete das Team mit dem Pulse Lab zusammen, um eine Liste von Wörtern zu erstellen, die im Falle einer Krise besonders nützlich sein könnten – Wörter wie „Überschwemmung“, „Cholera“ und „Flüchtlinge“. Das Team brachte Muttersprachler der drei Zielsprachen dazu, jedes Schlüsselwort zweimal zu sagen, um gute Klangbeispiele zu erhalten, die zum Trainieren des Systems verwendet werden konnten.

Dennoch musste das System in der Lage sein, beim Hören einer Radiosendung diese spezifischen Wörter aus einer riesigen Flut von Lauten herauszufischen. Mehr als sieben Millionen Wörter werden täglich auf den ugandischen Sendern gesprochen, alle von einer Vielzahl von Sprechern mit unterschiedlichen Akzenten, in unterschiedlichen Kontexten. Um mit der Ungewissheit klarzukommen, trainierte Nieslers Gruppe ihr System darauf, jeden Klangblock nach der Wahrscheinlichkeit zu bewerten, dass er eines der Schlüsselwörter darstellt. „So lernte das System, sich auf die wichtigsten Merkmale jedes Geräusches zu konzentrieren, um bestmöglich einschätzen zu können, ob es sich um ein Schlüsselwort handelt“, erklärt Niesler.

Um das System einzusetzen, entwickelte das Pulse Lab kleine, kostengünstige Funküberwachungsgeräte und montierte sie an verschiedenen Orten in den ländlichen Gebieten Ugandas, so dass die meisten Radiosender ein Gerät in ihrem Sendebereich haben. Diese Geräte leiten die Aufnahmen der Sendungen über WLAN an das Pulse Lab weiter, das die Aufnahmen kontinuierlich durch Nieslers Schlüsselwort-Erkennungssystem laufen lässt. Wenn das System gute Kandidaten für Schlüsselwörter in einem Segment findet, wird dieses Segment markiert und von einem Mitarbeiter abgehört. Zeigt das Segment eine sich abzeichnende Krise, ist die UNO in der Lage, innerhalb von zehn Minuten Hilfsmaßnahmen in Gang zu setzen. Wenn das markierte Segment Kommentare beinhaltet, die für Probleme in dem Gebiet relevant sind, aber nicht auf eine Krisensituation hindeuten, dann werden die Informationen in eine Datenbank eingegeben, die als Grundlage für Entscheidungen der UNO und der Regierung über künftige Hilfsmaßnahmen dient.

Aufbau des Pools

Das System war ein großer Erfolg und hat in den letzten zwei Jahren Frühwarnungen vor Hunderten von potenziell ernsten lokalen Krisen geliefert, die entlegene Teile des Landes betroffen haben. Politische Entscheidungsträger und Manager der Entwicklungshilfe nutzen die Datenbank der untersuchten Sendungen regelmäßig, um die Programme besser auf die Bedürfnisse abzustimmen und ineffektive Maßnahmen auszusortieren. Selbst das Ausbleiben von Treffern bei bestimmten Stichwörtern hat sich als nützlich erwiesen: Die Seltenheit, mit der das Stichwort „Malaria“ auftauchte, machte die Behörden zum Beispiel darauf aufmerksam, dass das Bewusstsein für die Krankheit in ländlichen Gebieten gering ist, was auf die Notwendigkeit verstärkter Bemühungen hindeutet, auf sie aufmerksam zu machen.

Nieslers Team hat das Spracherkennungssystem weiter verbessert, um die Trefferquote bei den Suchbegriffen zu erhöhen. Die Forscher haben auch daran gearbeitet, die Anzahl der Wörter, die es in den drei Zielsprachen erkennen kann, zu erhöhen, so dass das System vollständigere und genauere Transkriptionen erzeugen kann, was den Arbeitsaufwand für die menschlichen Zuhörer verringert. „Wir erweitern kontinuierlich den Pool an Sprachdaten, mit denen wir das System weiter trainieren können“, sagt Niesler. „Verglichen mit dem, was üblichen Spracherkennungsprojekten normalerweise zur Verfügung steht, arbeiten wir immer noch mit einem winzigen Datensatz. Aber wir sind gut darin geworden, mit wenig viel zu erreichen.“

ARTIKEL 3

Kindern mit Autismus steht ein Roboter zur Seite, wenn Menschen nicht helfen können

Von David Freedman für Mouser Electronics

Maja Matarić leitet derzeit nicht nur die gesamte Forschung an der University of Southern California in Los Angeles, sondern betreibt dort auch ihr eigenes Forschungslabor.

Die mehr als vierzig Diplomanden und Studenten in diesem Labor werden von Matarić mit einer beeindruckenden Kombination wissenschaftlicher Spezialgebiete betraut, darunter Neurowissenschaften, menschliche Entwicklung, Sinneswahrnehmung und eine Reihe von Verhaltens- und Sozialwissenschaften.

Das ist etwas überraschend, wenn man bedenkt, dass Matarić ein Robotiklabor betreibt. „Robotikstudenten sind normalerweise überwiegend auf Computerwissenschaften fokussiert“, erklärt sie. „Aber was wir hier machen, erstreckt sich über viele Bereiche.“

"Robotics students are usually pretty focused on the computer-science end of things,” she says. “But what we do here cuts across a lot of fields."

Das Labor entwickelt unter anderem Roboter, die Kindern mit Autismus-Spektrum-Störung (ASD) bei der Entwicklung sozialer Fähigkeiten helfen. Man könnte meinen, der denkbar schlechteste Weg, Kindern soziale Fähigkeiten beizubringen, besteht darin, sie in der Gesellschaft eines Roboters zu lassen. Wie sich jedoch herausgestellt hat, reagieren Kinder mit ASD oft schneller positiv auf einen Roboter als auf viele Menschen. Darüber hinaus sind die Matarić-Roboter dank maschineller Lerntechniken auf einzigartige Weise in der Lage, die ständige Anleitung und Ermutigung zu bieten, die diese Kinder brauchen, um sich zu entwickeln und zu lernen. „Maschinelles Lernen kann genutzt werden, um menschliches Verhalten zu verstehen und zu unterstützen“, sagt Matarić. „Das ist etwas, was wir bei Kindern mit ASD unbedingt tun müssen.“

Matarić konzentrierte sich bis vor 15 Jahren auf eher konventionelle Robotik-Projekte. Damals stellten ihr ihre beiden kleinen Kinder eine Frage, die für sie überraschend schwer zu beantworten war: Warum sie mit Robotern arbeitet? „Ich wusste, dass etwas fehlte, da ich meinen Kindern nicht einfach erklären konnte, warum das, was ich beruflich tat, es wert war, getan zu werden“, erinnert sie sich.

Ein kleines, in Pink gekleidetes Mädchen berührt mit ihrem Finger einen kleinen pinken Roboter

Ein kleines Mädchen mit Roboter (Source: xiaoliangge - stock.adobe.com)

Was noch fehlte, so beschloss sie, war eine Möglichkeit, Roboter einzusetzen, um Menschen zu helfen, die es am nötigsten brauchen. Andere Robotiker, die nach Wegen suchten, um zu helfen, konzentrierten sich eher auf Roboter, die ältere Menschen und Personen mit körperlichen Herausforderungen unterstützen könnten. Ungefähr zu dieser Zeit stieg der Anteil von Kleinkindern mit der Diagnose ASD bis auf das Vierfache im Vergleich zu den vorangegangenen Jahren; wahrscheinlich zumindest zum Teil wegen des größeren Bewusstseins und besserer Diagnosetechniken. Und die Herausforderungen, diesen Kindern zu helfen, erschienen Matarić als ein besonders drängendes Problem.

ASD ist eine neurologische Entwicklungsstörung, die es typischerweise den davon betroffenen Kindern erschwert, sich zu sozialisieren und zu kommunizieren. Es gibt verschiedene Therapien, mit denen Kinder lernen, besser auf andere Menschen einzugehen, und diese Fähigkeiten können sich mit etwas Übung verbessern. Es kann jedoch mehrere Barrieren geben, die verhindern, dass Kinder mit ASD diese Fähigkeiten voll entwickeln können. Auf ASD spezialisierte Therapeuten sind kostspielig und selten verfügbar, so dass viele Kinder, die vielleicht zehn Stunden Therapie pro Woche benötigen, nur eine oder zwei erhalten. Eltern lernen oft selbst, wie sie helfen können, sind aber aufgrund von Arbeit und anderen Anforderungen nicht ständig in der Lage, die Stimulation, Anleitung und Ansprache zu bieten, die einen großen Unterschied machen können.

Dazu kommt noch, dass Kinder mit ASD zwar von der Interaktion mit Gleichaltrigen enorm profitieren können, es jedoch für die Gleichaltrigen schwierig sein kann, mit ihnen zu interagieren. Daher werden die betroffenen Kinder letztlich häufig ignoriert oder sogar gemieden. Aus diesen und anderen Gründen erhalten Kinder mit ASD oft bei weitem nicht die von Experten empfohlene Anzahl wöchentlicher Trainings- und Übungsstunden. „Sie haben einfach nicht die Möglichkeit, das für sie so wichtige soziale Feedback zu bekommen“, sagt Matarić.

Ein Junge sitzt alleine auf einem Spielplatz

Ein kleiner Junge sitzt alleine, anstatt mit gleichaltrigen Kindern zu spielen (Source: RMC42 - shutterstock.com)

Roboter hingegen können diesen Kindern zur Seite stehen, wenn Menschen dazu nicht in der Lage sind, und sind zudem unendlich geduldig. Aber können sie auch die richtige Art von Feedback geben? Um diese Frage zu beantworten, entwickelten Matarić und ihre Studenten einen Roboter namens Kiwi in der Größe eines Kleinkinds mit einem kleinen Computerbildschirm als Gesicht und machten sich daran, ihn mithilfe von maschinellem Lernen so zu programmieren, dass er zu einem sozial unterstützenden Begleiter für Kinder mit ASD wurde.

Das Training von Kiwi bestand darin, ihn mit einer Vielzahl von Kommentaren und Gesichtsausdrücken auszustatten, die er einsetzen konnte, und ihm dann beizubringen, den richtigen Kommentar und Ausdruck zu wählen, um das Engagement und das Sozialverhalten eines Kindes messbar zu verbessern. All dies wurde über Kamera und Mikrofon beobachtet. Je mehr Kiwi interagierte, desto besser wurde er darin, diese Übereinstimmung herzustellen. Dieser maschinelle Lernprozess war entscheidend, bemerkt Matarić, denn es gibt keine simple Formel, um bei einem Kind mit ASD ein angemessenes Sozialverhalten hervorzurufen. „Jedes Kind mit ASD ist sehr unterschiedlich, und auch die Art und Weise, wie es auf verschiedene Aufforderungen und Rückmeldungen von anderen reagiert“, sagt sie. „Und selbst bei einem bestimmten Kind mit ASD ändert sich sein Verhalten kontinuierlich, so dass ständig Anpassungen vorgenommen werden müssen.“

Kiwi ging mit einem Vorteil an den Start: Kinder mit ASD neigen dazu, Roboter faszinierend zu finden, und erwärmen sich oft schneller für sie als für die meisten Menschen. Trotzdem musste sich Kiwi bemühen, die Verbindung zu dem betreuten Kind aufrechtzuerhalten. Ein wichtiges Ziel war zum Beispiel, den angemessenen Blickkontakt zu steigern, den jedes Kind mit Kiwis simuliertem Gesicht hatte. Dazu rief Kiwi dem betreuten Kind etwas zu, um seine Aufmerksamkeit zu bekommen, und verstärkte dann diese Aufmerksamkeit, indem er Kommentare wie „Es macht mich glücklich, wenn du mich ansiehst.“ abgab. Auf die gleiche Art und Weise arbeitete Kiwi an der Stärkung anderer wichtiger sozialer Fähigkeiten, einschließlich des Abwechselns, des Beantwortens von Fragen und des „Teilens der Aufmerksamkeit“, was bedeutet, dass man der gleichen Sache wie eine andere Person – oder gegebenenfalls wie ein Roboter – Aufmerksamkeit schenkt.

Matarić und ihre Studenten testeten Kiwi 2019 im Rahmen einer erstmaligen Studie, bei der Kiwi jeweils einen Monat in 17 Haushalten von Kindern mit ASD verbrachte. Obwohl diese Studie weder groß noch lang genug war, um abschließende Ergebnisse über sozial assistierende Roboter und ASD zu liefern, waren die Ergebnisse dennoch ermutigend genug, um zusätzliche Mittel für weitere Forschungen von der National Science Foundation zu erhalten.

Während Matarić und andere auf diesem Gebiet die Studie als einen großen ersten Erfolg betrachten, weist Matarić jedoch darauf hin, dass es auch einige hart erarbeitete Lektionen gab, die sich für zukünftige Versionen des Roboters als nützlich erweisen werden. Das Team entdeckte beispielsweise, dass die Kinder in der Studie oft durch das plötzliche Auftauchen eines sprechenden Roboters in ihrem Zuhause abgeschreckt wurden und sich zunächst von ihm fernhielten. Um dieses Problem zu lösen, legten die Forscher eine Decke über den Roboter, wenn er im Haus platziert wurde, und gaben dem Kind die Möglichkeit, seine Neugierde zu steigern, bis es schließlich die Decke entfernte, woraufhin Kiwi aufwachte. „Die Kinder brauchten einfach das Gefühl, dass sie die Kontrolle haben und nach ihrem eigenen Zeitplan Kontakt aufnehmen können“, sagt Matarić. Sie weist jedoch darauf hin, dass ein Kind so begierig darauf war, zu sehen, was sich unter der Decke befand, dass es sie mit so viel Enthusiasmus wegzog, dass Kiwi umkippte und auf den Boden fiel. Danach wurde Kiwi stabiler montiert.

Ein schwerwiegenderes Problem in der Studie trat auf, als sich Kiwi während einer Hitzewelle von über 37 °C in einer nicht klimatisierten Wohnung befand, überhitzte und es schließlich zu Rauchentwicklung kam. Niemand wurde verletzt, merkt Matarić an, aber es machte den Forschern klar, wie wichtig es war, nach unvorhergesehenen Problemen zu suchen. „Wer rechnet schon mit so einer Hitze?“, hinterfragt sie. „Nun, wir hätten das tun sollen, und jetzt machen wir unsere Roboter eben hitzebeständiger.“

Eine weitere Überraschung war eine eher angenehme: Die Entdeckung, dass es nicht immer hilfreich war, wenn Kiwi versuchte, den Blickkontakt des Kindes zu verlängern. „Es stellte sich heraus, dass einige Kinder von Kiwi wegschauten, weil sie jemand anderen im Haus finden wollten, mit dem sie ihr Interesse an Kiwi teilen konnten“, erklärt Matarić. „Das ist genau die Art von Verhalten, die wir wollen.“

Matarić plant, ASD-freundliche Roboter zu einem Schwerpunkt der Laborarbeit zu machen. Sie möchte jedoch die sozial assistierende Robotik auch auf Kinder mit anderen Arten von Entwicklungsstörungen ausweiten, sowie auf ältere Menschen, die unter einem Mangel an sozialer Teilhabe leiden. „Manchmal höre ich Informatik- oder Robotikstudenten klagen, dass sie nicht wissen, woran sie als nächstes arbeiten sollen“, sagt sie. „Ich sage ihnen dann, dass sie mehr rausgehen und auf die wirklich großen Probleme achten müssen, die so viele Menschen haben. Wir können bei diesen Problemen helfen, und das ist das Lohnenswerteste, was ein Wissenschaftler tun kann.“

Biographie des Autors

Biographie: David H. Freedman ist ein in Boston ansässiger Wissenschaftsjournalist. Seine Artikel erscheinen unter anderem in The Atlantic, Newsweek, Discover, Marker by Medium und Wired. Er ist der Autor von fünf Büchern. Sein neuestes „Wrong“ befasst sich mit mangelnden Fachkenntnisssen.

Bildrechte (in der Reihenfolge der Abbildung)

DobraLama / shutterstock.com, areebarbar - stock.adobe.com, Rafael - stock.adobe.com, Rudi - stock.adobe.com, mbrand85 - stock.adobe.com, Nestor - stock.adobe.com, Photodiem / shutterstock.com, Tartila / shutterstock.com, WinWin artlab / shutterstock.com, Marish / shutterstock.com

Startseite

Künstliche Intelligenz: Wegbereiter für bessere Ernten und Lebensbedingungen

Weiter