Wer Anwendungen mit künstlicher Intelligenz (KI) entwickelt, steht oft vor dem Problem, keine Daten für das Testen und Trainieren der Algorithmen zu haben. Der Grund: Solche Forschungen sind oft so neu, dass es einfach noch keine Daten dafür gibt.
Meine Kollegin Samira Ebrahimi Kahou hat gemeinsam mit ihrem Team bei dem Microsoft-Research-Unternehmen Maluuba im kanadischen Montreal eine Lösung dafür gefunden: Mit dem FigureQA dataset stellen sie der KI-Community eine riesige Anzahl von Datensätzen mit mehr als einer Million Frage-Antwort-Pärchen für das Entwickeln von Spracherkennungs-Tools zur Verfügung. Zum Open-Source-Datenpaket gehören auch Metriken und Tools zum Testen von KI-Systemen.
Ein Miteinander bei KI-Projekten: Geteiltes Wissen ist absolut erfolgskritisch – auch wenn das nicht für alle Daten gilt
Normalerweise sind Daten für Forschungs- und Entwicklungsprojekte eher vertraulich und Ergebnisse bleiben meistens im Haus, heißt es aus dem Microsoft-Forscherteam. Bei KI ist das offensichtlich anders: Hier sind Unternehmen und Wissenschaftler so eng miteinander verflochten, dass es eher ein Mit- als ein Ohneeinander gibt. Begünstigt wird die Kooperation durch den Umstand, dass es sich nicht um personenbezogene Daten mit besonderen Schutzpflichten handelt, sondern um generische Datensätze, die allenfalls geistiges Eigentum von Unternehmen sind, aber eben keinen Datenschutzbestimmungen unterliegen.
Viele Unternehmen arbeiten gerade an KI-Projekten und so ist es absolut sinnvoll, seine Erkenntnisse nicht zu verstecken, sondern mit anderen zu teilen, um schneller und weiter vorwärts zu kommen. Viele Experten teilen diese Haltung. Mehr noch: Für viele von ihnen sind kollaborative Ansätze für die Zukunft von KI absolut erfolgskritisch. Schließlich kann nicht jede Organisation alle Ideen selbst haben und ausprobieren. Am Ende profitieren von dem geteilten Wissen alle!
So entwickelte beispielsweise das Team um Christian Federmann, Senior Program Manager Microsoft Translator, den Microsoft Speech Language Translation Korpus. Dieser beinhaltet unter anderem Audiodaten, Transkripte und Übersetzungen für Englisch, Französisch und Deutsch – kürzlich mit zusätzlichen Sprachpaaren für Chinesisch und Japanisch aktualisiert. Mit diesen frei verfügbaren Daten können nun Forscherteams in aller Welt zweisprachige Konversations-Sprachübersetzungssysteme wie die Microsoft Translator Live-Funktionen oder den Skype Translator mit realen Daten testen.
Allerdings gilt das nicht für alle Daten in KI-Projekten. Wer schützenswerte Daten nicht öffentlich teilen möchte, sollte den Ansatz von SwiftKey kennen: Über GitHub bietet das seit dem vergangenen Jahr zu Microsoft gehörende Unternehmen ein Set von Metriken an, die Entwickler für alle Arten der Beurteilung von Datensätzen nutzen können. Damit stehen ihnen standardisierte Benchmarks zur Verfügung, mit denen sie die eigenen Fortschritte mit den Ergebnissen anderer Projekte messen und vergleichen können.
Details zu den beiden spannenden Lösungsansätzen findet ihr in dem Blogpost „AI’s sharing economy: Why Microsoft creates publicly available datasets and metrics“ meiner Kollegin Allison Linn (@allisondlinn) auf dem Microsoft-AI-Blog!
Ein Beitrag von Pina Kehren
Communications Manager Mixed Reality, AI & Data Platform
