Herr Kaffenberger, an Künstlicher Intelligenz kommt bei der diesjährigen ISC kein Aussteller vorbei. Was hat Fujitsu nach Frankfurt mitgebracht?

Kaffenberger: Viel Technologie und konkrete Anwendungsfälle. Wir haben unter anderem zwei sehr interessante Innovationen mitgebracht: die Deep Learning Unit für KI-Anwendungen und den Digital Annealer, einen Chip, der die Prinzipien des Quantencomputings wie Entanglement oder Superposition nachbildet und für Aufgaben aus dem Bereich kombinatorische Optimierung eingesetzt wird.

Wenn wir uns den Digital Annealer genauer ansehen, stellen wir fest, dass er kein Quantencomputer im eigentlichen Sinne ist, sondern ein Digitalchip, der nicht an die Bedingungen gebunden ist, die ein Quantencomputer normalerweise braucht – wie magnetische Abschirmung oder tiefe Umgebungstemperaturen. Wir können auf einem üblichen x86-Rechner rechnen, dennoch schöpft der Chip aber mächtige kombinatorische Stärken aus.

Mit der Deep Learning Unit sehr schnell konkrete Fragestellungen lösen: Diese Lösung zeigt Fujitsu auf der ISC (Bild: Corina Pahrmann).

»Digital Annealer mit mächtigen kombinatorischen Stärken«

Als klassisches Beispiel habe ich einen Vertriebler vor Augen, der von einem Kunden zum nächsten fährt und dazu die beste Route finden muss. Hat er nur ein oder zwei Kunden vor sich, lässt es sich recht einfach planen – bei zehn oder zwanzig wird es aber schon kompliziert. In der Produktion treten diese Fragen sehr ähnlich auf: Wo setzt man beispielsweise am besten die Lötpunkte auf ein Blech? Wie ist der optimale Weg zwischen diesen Lötpunkten? Nimmt der Roboter den schnellsten Weg, spart er Zeit und Energie. Dadurch sinken die Kosten, die Effizienz steigt. Es kann für Unternehmen also sehr, sehr lukrativ sein, diese kombinatorischen Probleme zu lösen.

Diese Fragen lassen sich in jeder Branche finden, beispielsweise im Finanzwesen bei der Berechnung von Aktienkursen. Oder auch bei der Planung von Rechenzentren: Sie haben zehn oder zwanzig Server, und hundert Services, die darauf laufen sollen. Dann gibt es bestimmte Restriktionen: manche Services müssen zwingend immer, andere dürfen niemals gleichzeitig laufen. Auf unserem Chip sind mehr als 8.000 Bits direkt miteinander verbunden, und deshalb kann er diese Fragestellung bis zu zehntausend Mal schneller als bislang lösen.

Digital Annealer auch über die Cloud ansprechbar

  Wie können wir uns das aus Kundensicht vorstellen – passen Sie die Lösungen individuell an?

Kaffenberger: In einer Konzeptphase prüfen wir zunächst, ob die Fragestellung unseres Kunden mit dem Annealer gelöst werden kann – oder ob ein herkömmlicher Computer schon genügt. Dies hängt von der Anzahl möglicher Kombinationen ab: in der Arzneimittelherstellung zum Beispiel, bei der mit 50 Atomen gearbeitet wird, wird die Berechnung ab 1048 Kombinationen für ein herkömmliches Server-System bereits schwierig. Danach gießen wir das Problem in eine mathematische Formel und gebe diese dem Digital Annealer zur Berechnung. Dazu muss der Chip nicht im eigenen Rechenzentrum liegen, sondern kann durchaus auch über die Cloud angesprochen werden.

  Dies kommt sicherlich auch den Industrien entgegen, die ihre Prozesse daher immer wieder anpassen müssen – etwa durch Customization oder sehr fragile Umgebungsparameter.

Kaffenberger: Es gibt Fragen, die können ganz in Ruhe berechnet werden. Bei der Serienfertigung eines Autos sind die angesprochenen Lötpunkte in einer definierten Serie wahrscheinlich immer die gleichen. In der Logistikbranche aber habe ich dagegen Lkws, die unterschiedliche Strecken fahren, Güter, die zu einem Ziel transportiert werden müssen und Kunden, die Sonderwünsche anfragen. Hinzu kommen Staus oder andere Einflüsse meiner Infrastruktur. Hier muss ich sehr schnell reagieren, und gerade da ist es wichtig, ad hoc eine Antwort des Computers zu erhalten.

Fujitsu Deep Learning Unit trainiert neuronale Netze

  Auf der ISC konnte man auch die Fujitsu Deep Learning Unit sehen. Was hat es damit auf sich?

Kaffenberger: Wie der Digital Annealer ist die DLU ein Purpose-Build-Chip. Im Gegensatz zu einer GPU etwa, die als General-Purpose-Chip ein Allrounder ist, hat unsere DLU ein bestimmtes Ziel vor Augen. Sie ist für das Trainieren von Neuronalen Netzen konzipiert, verbraucht aber deutlich weniger Energie als ein Rechenzentrum, das die gleiche Aufgabe mit vielen GPUs erfüllt. Mit der DLU steigert sich die Performance, und es sinkt der Stromverbrauch um bis zu Faktor 10. Denken Sie an die enormen Effekte auf den CO2-Ausstoß – das macht die DLU für die Unternehmen spannend, die sich Green IT auf die Fahnen geschrieben haben.

  Die DLU liefert Fujitsu eingebettet in das »Zinrai«-Deep-Learning-System. Welche Anwendungen haben Sie im Blick?

Kaffenberger: Im Manufacturing zielen wir zum Beispiel auf die Vorteile durch Image-Recognition: Unser System kann etwa bei einem produzierten Werkstück Unebenheiten in der Oberfläche oder im Inneren erkennen und damit sehr schnell Qualitätsabweichungen und andere Anomalien feststellen.

Deep-Learning-Systeme wettbewerbsentscheidend

  Bei sekündlich wachsenden Datenbergen und gleichzeitig immer komplexeren Problemstellungen liegt es auf der Hand, dass die Geschwindigkeit eines Deep-Learning-Systems wettbewerbsentscheidend ist. Wie sehen Sie hier die Entwicklung?

Kaffenberger: Wenn wir ganz konkret bei den Neuronalen Netzen bleiben, die supervised – also überwacht – lernen, ist es enorm hilfreich, so viele Daten wie möglich hineinzugeben, zu speichern, zu verarbeiten und das neuronale Netz über die Zeit hinweg nachzutrainieren. Der Datenschatz ist hier höchst relevant. Das heißt aber nicht zwangsläufig, dass Netze nicht auch in der Lage sind, mit wenig Daten umzugehen. Ich nenne Ihnen anderen Anwendungsfall mit einem unsupervised lernenden System: Wir zeigen dem Neuronalen Netz das Röntgenbild eines produzierten Gutes. Wir sagen aber nicht, was daran fehlerhaft ist, sondern geben nur vor, wie das Produkt aussehen muss – und das System erkennt selbstständig den Normalzustand. Das funktioniert auch schon mit relativ wenigen Daten. Aber grundsätzlich kann man mit vielen Daten auch viel anfangen.

Wir brauchen aber auch leistungsfähige Server und Speicherlösungen. Die Chips spielen eine entscheidende Rolle, im Falle hochauflösender Bilder beim Image-Recognition etwa erhöhen GPUs und künftig unsere DLU die Rechengeschwindigkeit deutlich. Die Infrastruktur ist definitiv noch nicht am Limit angekommen.

KI-Lösungen für den Mittelstand

  Wer in IT-Infrastruktur investiert, braucht viel Geld. Nun haben wir in Deutschland sicherlich einige Konzerne, das Gros der Wirtschaft sind mit 97 Prozent aber kleine und mittlere Unternehmen. Welche Chancen sehen Sie für den Mittelstand, technologisch mitzuhalten?

Kaffenberger: Die Gefahr, abgehängt zu werden, besteht natürlich – denn Wettbewerbsvorteile ergeben sich inzwischen häufig aus den Mehrwerten, die die Künstliche Intelligenz liefert. Unternehmen sollten sich aus meiner Sicht über Cloud-Angebote informieren. Die Angebote wachsen seit Jahren, wir stellen auch selbst Lösungen bereit. Unsere Kunden müssen die IT nicht mehr zwingend in eigenen Rechenzentren aufbauen, sondern können Services beziehen.

Natürlich spielt auch die Datensicherheit eine Rolle. Ein großes Unternehmen wird im Rahmen von Hybrid-IT eher auch in eigene Systeme investieren und es ablehnen, manche Daten in eine Cloud zu legen. Kleinere Unternehmen sehen dafür häufig den Mehrwert, den die Cloud ihnen im Vergleich zu ihrer eigenen, limitierten IT liefert. Und es heißt ja auch nicht, dass die Unternehmensdaten komplett in die Cloud fließen müssen – bei unserem Digital Annealer etwa genügt es, eine bestimmte Fragestellung in Form einer Gleichung zu senden. Hier sind natürlich auch die Hersteller gefragt, auch für kleinere Unternehmen sichere Lösungen zu bieten, mit denen sie ihr Business verbessern können. Diese Möglichkeiten sehe ich. Auch wir bieten beispielsweise Anonymisierungskonzepte und Sicherheitspakete an.