Hype vs. Realität: Die größten KI-Storys des Jahres 2020

AlphaFold: Proteinfaltung

Außerhalb der natürlichen Sprachverarbeitung gab es 2020 auch wichtige Fortschritte in der Biotechnologie. Gleich zu Beginn des Jahres gab es einen schnellen und zeitnahen Fortschritt bei mRNA-Impfstoffen. Im Laufe des Jahres erwiesen sich diese in klinischen Studien als hochwirksam. Zum Jahresende gab es noch einen weiteren Paukenschlag. AlphaFold von DeepMind scheint ein riesiger Schritt nach vorn zu sein, diesmal im Bereich der Proteinfaltung. 

Proteine sind für das Leben absolut essentiell. Sie bilden die Maschinerie, die die DNA repliziert, ermöglichen die zelluläre Signalübertragung, erleichtern chemische Reaktionen und sorgen sogar für die physische Struktur der Zellen. Ein Protein ist ein Polymer, eine Kette von Einheiten, die Aminosäuren genannt werden. Es klingt fast so, als könnte man ein Protein einfach anhand der Sequenz der Aminosäuren verstehen, aus denen es besteht. Es stellt sich jedoch heraus, dass die Sequenz nur ein kleiner Teil des Puzzles ist. Wenn sich ein Protein in seiner natürlichen Umgebung befindet, kleben verschiedene Teile der Kette aneinander, wodurch sich das Molekül in eine komplexe Form faltet. Diese dreidimensionale Struktur ist von entscheidender Bedeutung für das Verhalten des Proteins. Leider ist diese gefaltete Struktur in vielen Fällen sowohl experimentell schwer zu finden als auch schwer aus der Aminosäuresequenz vorherzusagen.

In diesem Herbst trat die neueste Version von AlphaFold in einem alle zwei Jahre stattfindenden Wettbewerb zur Vorhersage der Proteinfaltung, dem CASP Assessment, gegen andere moderne Methoden an. In diesem Wettbewerb wurden Algorithmen mit der Aufgabe betraut, Aminosäuresequenzen in Proteinstrukturen umzuwandeln und wurden anhand des Anteils der Aminosäurepositionen, die das Modell innerhalb einer bestimmten Spanne korrekt vorhersagt, beurteilt. In der anspruchsvollsten Kategorie „Free-Modeling“ war AlphaFold in der Lage, die Struktur von ungesehenen Proteinen mit einem Medianwert von 88,1 vorherzusagen. Der nächstbeste Prädiktor im diesjährigen Wettbewerb erreichte 32,4 Punkte. Dies ist ein erstaunlicher Sprung nach vorne.

Aus rechnerischer Sicht ist die Vorhersage der Proteinfaltung notorisch schwierig. Eine berühmte Schätzung besagt, dass sich ein typisches Protein in unvorstellbare 10³⁰⁰ plausible Konformationen falten könnte. Zum Vergleich: Es gibt nur etwa 1.080 Atome im bekannten Universum. AlphaFold griff dieses beängstigende Problem an, indem es ein tiefes neuronales Netzwerk auf öffentlich verfügbaren Datensätzen bekannter Proteinstrukturen trainierte. Das Team von DeepMind hat noch keine technischen Details ihres Ansatzes veröffentlicht, aber einige grundlegende Fakten mitgeteilt. AlphaFold verwendet einen Deep-Learning-Ansatz, um vorherzusagen, welche Aminosäuren in einer Kette nahe beieinanderliegen werden, und verwendet dann ein separates Modell, um die Struktur auf der Grundlage dieser Näherungsvorhersagen zu lösen. Wie OpenAIs GPT-3 wissen wir, dass AlphaFold den sogenannten Aufmerksamkeitsmechanismus nutzt, der es dem Modell ermöglicht, zu lernen, welche Teile der Eingabe füreinander relevant sind.

In Zukunft können Wissenschaftler Modelle wie AlphaFold nutzen, um ihre Forschung zu Krankheiten und Genetik zu beschleunigen. Vielleicht werden wir Ende 2021 die Technologie feiern, die solche Arbeiten ermöglicht haben.

Deep Learning demokratisieren

Wie bereits erwähnt, erweist sich Deep Learning (die primäre Methode, die vielen modernen KIs zugrunde liegt) in so unterschiedlichen Bereichen wie Biologie und natürlicher Sprache als nützlich. Die Bemühungen, Deep Learning für Fachleute und Praktiker zugänglicher zu machen, beschleunigen die Einführung von KI in vielen Bereichen.

FastAI ist ein hervorragendes Beispiel für diese Bemühungen. FastAI besteht aus einem Online-Kurs, einer Python-Bibliothek und einem Lehrbuch und richtet sich an Leute mit etwa einem Jahr Python-Programmiererfahrung und Mathematik auf Highschool-Niveau. Die Lehrphilosophie des Kurses ist beispielorientiert und motiviert durch frühe Erfolge zum Weiterlernen. Schon in der ersten Lektion bauen die Studenten eine moderne KI. Frühere Absolventen des FastAI-Kurses haben internationale Wettbewerbe für maschinelles Lernen gewonnen, Angebote von Top-Unternehmen erhalten und gemeinnützige Organisationen für maschinelles Lernen gegründet. Die FastAI-Bibliothek verwendet standardmäßig Best Practices und ist derzeit auf bild- und natursprachbezogene Aufgaben fokussiert. Eine neue Version der Bibliothek wurde zusammen mit dem Buch dieses Jahr veröffentlicht.

Die Demokratisierungsbemühungen sind nicht auf Programmierer beschränkt. Jeder, der über einen Internetanschluss verfügt, kann nun ein realistisches, aber komplett gefälschtes Foto eines menschlichen Gesichts erzeugen. Eine ähnliche Technologie wurde bereits verwendet, um realistischere – und schwieriger zu entdeckende – gefälschte Social-Media-Accounts in Desinformationskampagnen zu erstellen, einschließlich einiger im Vorfeld der US-Wahl 2020. Und OpenAI plant, die Fähigkeiten von GPT-3 über eine vergleichsweise einfach zu bedienende API für geprüfte Nutzer verfügbar zu machen. Es besteht die berechtigte Sorge, dass die Deep-Learning-Technologie mit zunehmender Zugänglichkeit auch leichter als Waffe eingesetzt werden kann.

Aber die Kopplung von KI mit menschlichen Experten kann auch zum Guten genutzt werden. Domänenexperten können die KI auf wirkungsvolle, lösbare Probleme lenken und diagnostizieren, wenn die KI voreingenommen ist oder falsche Schlussfolgerungen gezogen hat. Die KI ist in der Lage, enorme Datenmengen schnell zu verarbeiten (manchmal mit höherer Genauigkeit als Menschen), was Analysen billiger und schneller macht und Erkenntnisse zutage fördert, die sonst vielleicht unerreichbar wären. Benutzerfreundliche Tools, APIs und Bibliotheken erleichtern die Einführung von KI, vor allem in Bereichen, in denen bereits etablierte Techniken wie die Bildklassifizierung genutzt werden können. In der Biologie zum Beispiel ist die Zahl der Publikationen, in denen Deep Learning erwähnt wird, in den letzten Jahren von einigen hundert auf mehrere tausend gestiegen. Kurzfristig werden wir wahrscheinlich weiterhin eine rasche Einführung von KI-Techniken in einer Reihe von Bereichen erleben.