KI als Speerspitze der Digitalisierung - Swiss Ree76a30b0-aafc-48f4...Künstliche Intelligenz und...
Transcript of KI als Speerspitze der Digitalisierung - Swiss Ree76a30b0-aafc-48f4...Künstliche Intelligenz und...
Deutsches Forschungszentrum für Künstliche Intelligenz GmbHSaarbrücken/Kaiserslautern/Bremen/Berlin/Osnabrück
Tel.: (0681) 85775-5264E-mail: [email protected]
www.dfki.de/~wahlster
Prof. Dr. rer. nat. Dr. h.c. mult.
Wolfgang WahlsterCEA
KI als Speerspitze der Digitalisierung
Executive Dialog 2019Berlin, 04. April 2019
© W. Wahlster
Künstliche Intelligenz ist die Speerspitze der Digitalisierung
KIDigitales
Verstehen
TechnologienSupercomputer,
Mobile Computer, Internet, Cloud…
11010101110
010100110110
01011100111101001010100011100110010001
MathematikFormale
Strukturen
InformatikFormale Prozesse
© W. Wahlster
Maschinenlesbare Daten: Internet- und Cloudtechnologien
Maschinenverstehbare Daten: Künstliche Intelligenz und Maschinelles Lernen
Erste Welle:
Daten digital- Erfassen- Speichern- Übertragen- Verarbeiten
Zweite Welle:
Daten digital- Verstehen- Veredeln- Aktiv nutzen- Monetarisieren
Digitalisierung „mit Sinn und Verstand“
Das DFKI treibt die zweite Welle der Digitalisierung
© W. Wahlster
Interpretation digitaler Daten durch KI-Systeme
BISHER:
KI:
Beispiele:
Menschinterpretiert Datenund entscheidet
KI-Systeminterpretiert Datenund entscheidet
Eingabe:
ArztbriefeFoto von AutoschadenKundendatenRöntgenbild
Ausgabe:
Entscheidung über KurVerdacht auf VersicherungsbetrugEntscheidung über KreditantragBefund, dass Zahnwurzel entzündet ist
© W. Wahlster
Künstliche Intelligenz (KI)Die KI hat: ingenieurswissenschaftliche Ziele
kognitionswissenschaftliche Ziele
Ingenieurswissenschaften
Künstliche Intelligenz: Realisierung von intelligentem Verhalten und denzugrundeliegenden kognitiven Fähigkeiten auf ComputernKI = Künftige Informatik
KIInformatik
LinguistikPsychologie
NeurowissenschaftenBiowissenschaften
Kognitions-wissenschaft
Mechatronik
© W. Wahlster
Kerngebiete und Einsatzfelder der KI
Sprachver-stehendeSysteme
Bild-verstehende
Systeme
Autonome Systeme
KollaborativeRoboter
Multi-AgentenSysteme
Intelligente Trainings-
u. Lernsystem
Bots, Chatbotsund virtuelle Charactere
Ambiente Intelligenz
Subsymbolische Musterkennung
WissensrepräsentationWissensverarbeitung
- Suchen- Inferieren- Planen
Wissenspräsentation
Lern- und Inferenzbibliotheken
Wissensrepräsentationssprachen
Ont
olog
ien
KI-H
ardw
areLernen
© W. Wahlster
Was bewirkt die Produktveredelung durch KI-Technologien?
autonom
proaktiv
adaptiv
selbst-erklärend
fehler-tolerant
selbst-optimierend
lernfähig
selbst-heilend
inter-operabel
kooperativ
Merkmalevon KI-
Systemen
© W. Wahlster
Die vier Phasen der KI-Forschung
© W. Wahlster
1980 BKG 9.8 schlägt Weltmeister im Backgammon1997 Deep Blue schlägt Schachweltmeister2016 AlphaGo schlägt Go-Großmeister2017 KI-System Libratus schlägt Poker-Profis
Die Erfolge des Deep Machine Learning im Bereich der Brett- und Kartenspiele
© W. Wahlster
Computer mit Hand und Fuß, Augen, Ohren und etwas Verstand
Wie können Computer für den Menschen unzugängliche Ort
explorieren?
Wie können Computer Bilder und Filme
interpretieren und erzeugen?
Wie könnenmobile Roboter
Teams bilden und gemeinsam
Ziele erreichen?
Wie können Computer menschliche Sprache,
Gestik und Mimik verstehen und erzeugen?
Wie können Computer Emotionen von Menschen
erkennen und darauf reagieren?
Wie können Computer auch aus unsicherer Information nützliche Schlussfolgerungen
ziehen?
Wie können Computer zu intelligenten Assistenten
für den Menschenwerden?
Wie können Computeraus Erfahrung lernen?
Intelligente Software-Systeme des DFKI
© W. Wahlster
Assistenz bei körperlicher Arbeit durch kollaborative KI-Roboter
Assistenz bei geistiger Arbeit durch kognitive KI-Systeme
Assistenzsysteme für die Unterstützung von körperlicher und geistiger Arbeit durch KI
© W. Wahlster
Digitales Verstehen: Verstehen von Digitalen Daten und Verstehen mit digitalen Systemen
„Verstehen“durch KI auf
Digital-rechnern
Digitale Daten
Text
Gesprochene Sprache
Bild
Video
Sensorwerte
Physische Reaktionz.B. von Robotern oder
steuerbaren Geräten
Virtuelle Reaktionz.B. von digitalen Assistenten
oder Chatbots
Zusammenfassung oder Übersetzung von Texten
und Gesprächen
Fragebeantwortung aufgrund z.B Videos oder
Sensorwerten
Sprachliche Beschreibungz.B. von Bildern oder
VideosVerstehenstest: Angemessene Reaktion
© W. Wahlster
Kognitive Fähigkeiten für die Arbeit im Versicherungs-bereich: Schwierigkeitsgrade für KI-Systeme
Lesen +
Übersetzen +
Verstehen ++
Klassifizieren +
Analysieren ++
Rückfragen +
Bewerten ++
Entscheiden ++
Dokumentieren +
Formulieren +
Begründen +++
Argumentieren +++zunehmender Schwierigkeitsgrad: + ++ +++
© W. Wahlster
Von programmierten Systemen zu selbstlernenden Systemen
Computer-programm
Algorithmus,Heuristik
Wissens-verarbeitung
Suche,Inferenz,Planung
Program-mierer erstellt
Software
Ausgabe
Eingabe Eingabe
Ausgabe Ausgabe
Eingabe
Wissens-basis
Daten-basis
Fakten,Regeln,Modelle
MaschinellesLernen
Merkmalsextraktion,Mustererkennung,
Merkmalsabbildung
Trainingsdaten,Metadaten,Testdaten
Flaschenhals: Programmierer− hoher Entwicklungsaufwand− aufwändige Adaption− geringe Erklärungsfähigkeit
Flaschenhals: Wissensbasishoher Entwicklungsaufwandhoher Pflegeaufwandgute Erklärungsfähigkeit
Flaschenhals: Trainingsdatengeringer Entwicklungsaufwandleichte Anpassbarkeitschlechte Erklärungsfähigkeit
© W. Wahlster
Wie Software trainiert wird
Lernen anhand von definierten Regeln:
1. Ein Apfel ist schlecht, wenn er braune Flecken hat
2. Ein Apfel ist schlecht, wenn er Runzeln hat
3. Ein Apfel ist schlecht, wenn er braun ist
4. …
Regelbasiert Maschinelles Lernen
Schlechter Apfel
Guter Apfel
Schlechter Apfel
Lernen anhand von Beispielen:
Nachteile regelbasierter Modelle:• Präzise Regeln sind sehr schwer zu formulieren
• Regeln sind fast nie vollständig
adaptiert von Leverton
© W. Wahlster
Bild 2Bild 3
Bildelemente, BereicheKanten, Markante Punkte
SzenenelementeObjektteile
Objekte
Bild 1
Deep Learning für das Bildverstehen: Netzwerke aus mehreren Schichten merkmalserkennender Neuronen
PKW 1, PKW 2PolizeitransporterHaltestellenschild…
Unfall aufLandstraße
Fahrbahn, Radkappe,Heckleuchte…
Grüne Fläche im Hintergrund, Linie auf Fahrbahn…
Eingabeschicht
AusgabeschichtSzenen- und Objektmodell
Je mehr verdeckte Schichten ein Deep Learning Netz hat, desto mehrkann es abstrahieren und subtile Zusammenhänge erkennen.
© W. Wahlster
AnnotierteTrainingsdaten
TrainiertesNeuronales
NetzGPU-Supercomputer
Lernalgorithmenfür mehrlagige
neuronale Netze
Optimierung undCompilation des
NetzesLaufzeitoptimiertes
Neuronales Netz
Laufzeitumgebung für die Ausführung
des optimierten NetzesMobiler oder einge-betteter Computer
Trainings- und Ausführungsphase neuronaler Netze
UnbekannteEingabedaten der
aktuellen Anwendung
Ausgabe:• Klassifikation• Diagnose• Empfehlung• Übersetzung• Lenkaktion …
© W. Wahlster
Hybride KI-Systeme
System 1 = Schnelles Denken (95%) System 2 = Langsames Denken (5%)
Funktioniert• Automatisch, intuitiv• Unbewusst, unterschwellig
Basiert auf• Emotionen• Gewohnheiten• Kontext
Typisch für Entscheidungen• Bei Wiederholung• Von geringer Relevanz• Bei Erschöpfung
Funktioniert• Abwägend, deliberativ• Bewusst, reflektierend
Basiert auf• Werten/Normen• Überzeugungen• Kognitiven Ressourcen
Typisch für Entscheidungen• Beim ersten Mal• Von hoher persönlicher Relevanz• Inausgeruhtem Zustand
Statistische KI (30%) Wissensbasierte KI (70%)Kognitionspsychologe und Träger des Alfred-Nobel-Gedächtnispreis für Wirtschaftswissenschaften Daniel Kahneman
© W. Wahlster
Potentiale für den Einsatz von KI
• intelligente Automatisierung• bessere Ressourcenauslastung• KI-getriebene Skalierungseffekte• Erhöhte Produktivität
• Standardisierung von Routinetätigkeiten• Proaktive Informationsbereitstellung• Harmonisierung von Schnittstellen• Vereinfachte Datenaufbereitung
• Erhöhung der Compliance• Minimierung von Risiken• Qualitative Tätigkeitserweiterung• Aufdecken neuer Zusammenhänge
Zeit
Qualität Kosten
© W. Wahlster
Mit einem Klick zum juristischenDokument
KI-basierteExtraktion
…Ver-
längerungErst-
auftragNeuer Mieter
Verkauf
Juristen
Berater
Immobilien-manager
ohne KImit KI
Jahre
benötigte Zeit zur Dokumentenanalyse (in Stunden)
1
2
3
0
8
Zeitgewinn entlang des Lebenszyklus für Immobilienverträge Zeitgewinn bei den verschiedenen
Prozessen
Leasing-übersicht
Suche
Reporting
Portfolio-Verwaltung
Excel-export mit Hyperlinks, API
Schneller semantischerZugriff für alle
Beteiligten
Kosten- und Zeitersparnis durch KI am Beispiel Immobilienvertrag
adaptiert von Leverton
© W. Wahlster
Schablone Nachfolger:
Der künftige BundespräsidentHorst Köhler hat an den poli-tischen Entscheidungsträgernund manchen Wirtschaftsführernin Deutschland unmittelbar nachseiner Wahl deutliche Kritik geübt.Köhler löst seinen AmtsvorgängerJohannes Rau am 1. Juli 2004 ab.
PersonIn: ----------
PersonOut: ----------
Position: ----------
TimeIn: ----------
TimeOut: ----------
Text:
Text-
klassifikation
Sprach-
verarbeitung
Schablonen-
verabeitung
Schablone Nachfolger:PersonIn: Horst Köhler
PersonOut: Johannes Rau
Position: Bundespräsident
TimeIn: 1.Juli 2004
TimeOut: 1. Juli 2004
Maschinelle Informationsextraktion aus Textenim Internet
© W. Wahlster
Automatische Einstellungsanalyse in sozialenInternetmedien mit DFKI-Technologien
© W. Wahlster
Machine Learning Anwendung in der Versicherung: Smart Underwriting
Smart UnderwritingProblemstellung
Quest 1: Sufferfrom deseaseXYZ?
Quest 17: Do riskysports?
- Medizinische Kenntnisse- Bauchgefühl- Einfache Regeln
Annahme
Annahme mitAuflagen
AblehnungAntragsteller
Risikolebens-Versicherung
Reduzierung der Anzahl Fragen in derAntragstellung zu einer Risiko-Lebensversicherung
Mehr neue potentielle Kunden
Verschlankung des Entscheidungsprozesses
© W. Wahlster
> 58 Features (Einflussgrößen): 17 Antragsfragen + Soziodemografische undVertragsinformationen Welche sind die relevanten Antrags-Fragen?
> Weitere Fragestellungen, z.Bsp.: Verhalten sich Geschäftsstellenunterschiedlich in der Antragsentscheidung?
> Benötige interpretationsfähiges Modell!
Smart UnderwritingLösungsansatz
Automatische Annahme (fürbestimmte Kundenprofile)
Quest 1 - 6
WenigerFragen &direkte Entscheidung
WenigerFragen
Machine LearningModel
Machine LearningModel
© W. Wahlster
Der Wissenstresor von Google: Der größte Speicher von Wissenstripeln für Smart Services
Daten aus Webseiten
− Unstrukturierter Text− Semistrukturierte
Domänenontologien− Strukturierte Tabelleninformation
Daten aus sozialen Netzwerken
<S, P, O> .99<S, P, O>, .96<S, P, O> .76
GoogleKnowledge
Vault271 Mio. Wissenstripel (Konfidenz > 0.9)45 Mio. Entitäten1100 Objektklassen4469 Relationsklassenwurde aus 1.6 Milliarden Kandidaten-Tripeln selektiert
Beispiele Tripel:((Saarbrücken, Hauptstadt _von, Saarland) 1)((Koblenz, hält_Hitzerekord, Deutschland) .7)
© W. Wahlster
„DeepEye“ für Katastrophenprognose und -management sowie Früherkennung von Versicherungsschäden
© W. Wahlster
Automatische Anomalieerkennung durch BildklassifikationBuschbrand
Überflutung Dammbruch
Erdbeben
NOAA Remote Sensing Division, Aug. 2016 NASA, Nov. 2015
NASA, Oct. 2007Copernicus Emergency Management Service, Aug. 2016
© W. Wahlster
Automatische Annotation von Satellitenbildern durch aktuelle Aufnahmen aus den sozialen Medien
NASA, May 2016
© W. Wahlster
Satellitenbildanalyse für die Landnutzungsklassifikation aufgrund von maschinellem Lernen
© W. Wahlster
DFKI-Technologie zur Erkennung von Risiken und Planung von Hilfsmassnahmen aus Bildmaterial
© W. Wahlster
KI-Systeme zur Rettung von Menschenleben
TRADR: Team von zwei Bodenrobotern und dreiDrohnen nach dem schweren Erdbeben inAmatrice im September 2016 unterstützen diemenschlichen Rettungskräfte (FB v. Genabith)
SmartSenior: Bei Herzinfarkt übernimmt einautonomer Nothalteassistent die Steuerung desFahrzeuges und fährt das Fahrzeug sicher anden Straßenrand (FB Wahlster mit BMW)
© W. Wahlster
Deutschland GmbH
Boom für DFKI-Anteile: Zu den 24 DFKI-Gesellschaftern wollen derzeit 8 weitere Firmen zu der gemeinnützigen PPP hinzutreten
Mehr als 80% derProjekte mit der Wirtschaft
539 KI-Experten
50,2 M € Gesamtkapazität in 2017
Volumen aller Projekte 2018: 117,5 M €
Direkte Industrieaufträge 25% in 2018
972 Beschäftigte
242 laufende Projekte
© W. Wahlster
Das T-förmige DFKI-Portfolio: Breites Innovations-spektrum und tiefe Fachkompetenz
Die
ver
tikal
e Sp
ezia
lisie
rung
des
DFK
Iau
f Met
hode
n un
d An
wen
dung
ende
r Kün
stlic
hen
Inte
llige
nz
MPG FhG HGF
Die gesamte Innovationskette im horizontalen Spektrum des DFKI
Tief
es W
isse
n un
d Ex
zelle
nz a
uf
eine
m w
icht
igen
Tei
lgeb
iet d
er In
form
atik
z.B.:Agrartechnik,
Innovative Fabriksysteme,Autonome Fahrzeuge,
Handelssysteme,Medizintechnik,
Haustechnik,Steuer-und Finanzwirtschaft,
Versichrungen,Logistik
Breite Methoden- und System-kompetenz in Künstlicher Intelligenz
Tief
es D
omän
enw
isse
n au
f ein
em A
nwen
dung
sgeb
iet
DFKI MitarbeiterInnen
Anwendungsorientierte Grundlagenforschung
Angewandte F&Esowie Transfer
Betrieb großer Test- u. Demonstrationszentren
Sehr schnelles Durchlaufender Innovationskette: in 3 Jahren von der Idee zum Produkt
© W. Wahlster
Mit mehr als 90 Firmengründungen sind über 3200 zusätzliche Hightech-Arbeitsplätze aus dem DFKI geschaffen worden
© W. Wahlster
Die Notwendigkeit hybrider KI-Systeme
© W. Wahlster
Die Zukunft der KI: Kombination von Maschinellem Lernen und Wissensbasierten Verfahren
Wissensfreie KI-Verfahren
Statistische und neuronale Lernverfahren
z.B. Tiefe Neuronale Netze
Wissensbasierte KI-Verfahren
Such-, Inferenz- und Planungsverfahren
z.B. Wissensgraphen
Wechselseitige Unterstützung
Statistische und neuronale Lernverfahren können genutzt werden,
• um Suchprozesse in wissensbasierten Verfahren zu steuern und damit effizienter zu machen.
• um Wissensgraphen und Grundoperatoren für wissensbasierte Inferenz- und Planungsverfahren zu lernen.
Wissensbasierte und logikbasierte KI-Verfahren können genutzt werden,
• um die Ergebnisse von maschinellen Lernverfahren zu kombinieren, zu vervollständigen oder zu korrigieren.
• um die Ergebnisse aus maschinellen Lernverfahren plausibel zu machen oder zu erklären.
© W. Wahlster
Neuer Trend in der KI-Forschung: Die Kombinationvon Maschinellem Lernen und Symbolischem Wissen
Symbolisches Wissen(LOKATION FLUGZEUG HIMMEL 0.7)(LOKATION FLUGZEUG BERG 0.01)(LOKATION FLUGZEUG PISTE 0.29)
1. Semantische Segmentierung: Himmel versus Vordergrund
2. Objekterkennung auf der Basis von Deep Learning nur für Pixel in der Himmelsregion
Forschungsergebnis basiert auf Blickbewegungsanalyse im BMBF-Projekt Intera-KT (DFKI 2018)
Himmel
Vordergrund
Aufgabe: Wo auf dem Bild ist ein Flugzeug zu sehen?
© W. Wahlster
Lernen und Schlussfolgern
Wahrnehmung und Interpretation
Wissensbasen
Diskurs-gedächtnis
EpisodischesGedächtnis
Plan-bibliothek
Modellbibliotheken
• Domänenmodelle• Aufgabenmodelle• Kollaborationsmodelle• Benutzermodelle
Selbstregulation
Planung und Planerkennung
Kommunikation und Kollaboration
SensorikK
omm
unik
atio
n m
it de
r Um
gebu
ng Kom
munikation m
it Menschen
Aktorik
Kontrollmöglichkeiten des Betreibers
Referenzarchitektur für Autonome Systeme
Tech
nisc
he R
ückf
alle
bene
Bidirektionaler Transfer der K
ontrolle
…
© W. Wahlster
Autonome Systeme
© W. Wahlster
Kombination der verschiedenen Echtzeit-Erkennungssysteme: andere Verkehrsteilnehmer, Fahrspuren, Manövrierraum
© W. Wahlster
Das vernetzte und wandlungsfähigeElektromobil EO des DFKI
Neue Formen der Elektromobiliät werden durchdie weitere Digitalisierung möglich
© W. Wahlster
Von Shell gekauft und im Einsatz vor Brasilien
FlatFish: Ein autonomer DFKI- Tiefseeroboter für die Pipeline-Inspektion
© W. Wahlster
Gedanke an Tastendruck des Senders (EEG) löst diesen unwillentlich beim Empfänger aus (TMS)
Gehirn-zu-Gehirn-Kommunikation
© W. Wahlster
Sensormotorische und Soziale Intelligenz für das Teamplay im RoboterfußballDas DFKI-Team B-Human ist seit Juli 2016 zum fünften Mal Weltmeister.
• Die Roboter geben viel zu selten ab und wollen lieber selbst die Tore schießen.
• Der Doppelpass und die Abseitsfalle sind bisher nur über aufwändige Softwaresysteme zu realisieren.
© W. Wahlster
Aktuelle Entscheidungsbasis für autonome Fahrzeuge
4. Die Geschwindigkeit wird bei Kollisionsgefahr extrem reduziert.
5. Durch aktive Sicherheitssysteme werden bei unvermeidlichem Aufprall Personenschäden minimiert.
1. Sachschaden geht vor Personenschaden
2. Eine Bewertung oder gar Abwägung von Menschenleben ist nicht zulässig.
3. Der geplante Fahrweg wird nur verlassen, wenn dadurch Personenschaden vermieden werden kann.
© W. Wahlster
Autonome Systeme werfen ethische Fragen auf
Beispiel einer falschen ethischen Entscheidung bei einem menschlichen Fahrer:
• Schulbusfahrer weicht auf glatter Waldstrasse einem Reh aus, kommtins Schleudern und der Bus kippt um mit vielen schwerverletztenKindern.
• Problem beim autonomen Fahren: Können Kind, Reh, Affe als Hindernisunterschieden werden?
Asimov’sche Gesetze:1. Ein Roboter darf kein menschliches Wesen wissentlich verletzen oder
durch Untätigkeit gestatten, dass einem menschlichen Wesenwissentlich Schaden zugefügt wird.
2. Ein Roboter muss den ihm von einem Menschen gegebenen Befehlengehorchen – es sei denn, ein solcher Befehl würde mit Regel 1kollidieren.
3. Ein Roboter muss seine Existenz beschützen, solange dieser Schutznicht mit Regel 1 oder 2 kollidiert.
© W. Wahlster
Fragwürdige ethische Tests für Entscheidungen in Kollisionsszenarien
Quelle: MIT
© W. Wahlster
Superintelligenz als Science Fiction
© W. Wahlster
• Fehlanpassung durch zuviel Training
• Kein Extinktionslernen
• Schwache Selbsterklärungsmöglichkeiten
• Alchemie der Lernarchitektur
• Fehlalarme durch falsch positive Ergebnisse
Offene Probleme beim Maschinellem Lernen
© W. Wahlster
Die Bandbreite menschlicher PerzeptionSensorsystem
Sehen
Hören
Tasten
Schmecken
Riechen
10.000.000
100.000
1.000.000
1.000
100.000
Gesamte Bandbreite(Bit/Sek.)
40
30
5
1
1
Bewußt wahrge-nommene Bandbreite
(Bit/Sek.)
nach: R. Kay 2001
© W. Wahlster
Das Paradoxon der Künstlichen Intelligenz
In der KI-Forschung gilt: Schwere Probleme sind leicht,leichte Probleme sind schwer.
ExpertenintelligenzKognitive und wissensintensive Fähigkeiten
Spätes Evolutionsstadium
AlltagsintelligenzSensomotorische & sozioemotionale Fähigkeiten
Frühes Evolutionsstadium
− Schachmeister besiegen
− Bilanzfälschung erkennen
− Witz verstehen
− Kind trösten
© W. Wahlster
Künstliche Intelligenz versus menschliche Intelligenz
Sensomotorische Intelligenz
Kognitive Intelligenz
Emotionale Intelligenz
Soziale Intelligenz
Dimensionen der Intelligenz versus
+ ++
++ +
− ++
− ++
© W. Wahlster
Antwort : Noch lange nicht !
Aber:
Ist Künstliche Intelligenz besser als die menschliche Intelligenz eines Juristen?
[f: P* A]010001001010011000100
[f: P* A]010001001010011000100
© W. Wahlster
Künstliche Intelligenz ist besser alsnatürliche Dummheit.
?[f: P* A]010001001010011000100
© W. Wahlster
Konklusion• Künstliche Intelligenz wird immer mehr zur Schlüsseltechnologie für
Kernbereiche der deutschen Wirtschaft: von der Smart Factory überSmart Products bis hin zu Smart Services.
• Künstliche Intelligenz ist im Alltag angekommen: vom Assistenz-system auf dem SmartPhone bis zum Autopiloten im PKW.
• Der Mensch steht bei der Künstlichen Intelligenz aber im Mittel-punkt, weil er nicht ersetzt, sondern in seinem Handeln unterstütztwerden soll.
• Die Angst vor einem Kontrollverlust oder gar vor einerSuperintelligenz als Singularität muss durch einenwissenschaftsbasierten Diskurs mit der Zivilgesellschaft begegnetwerden.
Vielen Dank für Ihre Aufmerksamkeit