[BVHI] Möglichkeiten und Grenzen Künstlicher Intelligenz in der Hörgeräteversorgung

Möglichkeiten und Grenzen
Künstlicher Intelligenz in
der Hörgeräteversorgung

Möglichkeiten und Grenzen Künstlicher Intelligenz in der Hörgeräteversorgung - BVHI - 17.10.2024 - Dr. Stefan Zimmer
Besserer Begriff: „Erweiterte
Intelligenz“Prof. Dr. Ladan Pooyan-
Weihs
• Begriff „Künstliche Intelligenz“ ist irreführend und weckt falsche
Vorstellungen. Suggeriert potenziellen Kontrollverlust des
Menschen.
• Digital-Ethiker plädieren daher für den Begriff „Erweiterte
Intelligenz“: Menschliches Lernen und Denken wird auf den
Computer übertragen – und durch dessen größere Rechenkapazität
erweitert.
• Weder Golem noch Terminator: Der Mensch definiert die Regeln und
Grenzen, innerhalb derer sich ein KI-Programm bewegt.

Mitte des 20. Jhdt: Kinderstube der KI-Forschung
50er und 60er Jahre
Erste KI-Programme
• Dartmouth-Conference 1956 gilt als
Startpunkt der KI-Forschung.
• Wissenschaftler wie John McCarthy, Marvin
Minsky, Claude Shannon und Herbert
Simon prägen den Begriff „Künstliche
Intelligenz“.
• In dieser Zeit entstehen die ersten KI-
Programme, z.B. „Logic Theorist“ oder der
frühe ChatBot „Eliza“.
• Die Programme handelten streng
regelbasiert – auf A folgt B.

Mitte des 20. Jhdt: Kinderstube der KI-Forschung
„Perzeptron Modell“:
Erste Theorien für Neuronale
Netze
• In den 1960er Jahren wurden erste
Systeme zur Problemlösung
entwickelt, z.B. das Perzeptron-
Modell.
• Eine Maschine erhält eine Vielzahl an
Variablen als Input – diese werden
gewichtet und summiert.
• Das Ergebnis löst einen Output aus –
die Maschine handelt.

70er bis 80er Jahre – der KI-Winter
Öffentliches
Interesse
Staatliche
Investitionen
Nicht tauglich für
Alltagsprobleme
Expertensysteme zu
teuer
Wirtschaftliches
Interesse
Unerfüllte
Erwartungen
zerstören den „Hype“
• Die hohen Erwartungen der 50er und
60er Jahre an KI-Systeme wurden nicht
erfüllt.
• Staatliche und private Investitionen
sowie das öffentliche Interesse gingen
zurück.
• Regelbasierte Wissensverarbeitung
war zwar für Experten in bestimmten
Nischenfeldern hilfreich, z.B. in der
medizinischen Diagnostik.
• Für die Lösung von Alltagsfragen war

1990er bis 2000er Jahre – Renaissance der KI-
Forschung
Verbesserte
Rechenleistung
ermöglicht
Renaissance der KI-
Forschung
• Der KI-Winter endete in den 1990er Jahren
dank der großen Verbesserung der
Rechenleistung von Computersystemen.
• Bekannte Ansätze, wie das Perzeptron-
Modell, konnten mit der neuen
Rechenleistung optimiert werden.
• Die Idee, das menschliche Gehirn
nachzuahmen, führte zur Entwicklung erster
neuronaler Netze.

90er bis 2000er Jahre – Renaissance der KI-
Forschung
Entscheidungsbäume
als Grundlage für
Maschinelles Lernen
Backpropagation/
Fehlerrückführung
• Eine der verbreitetsten
Lernstrategien für ein künstliches
neuronales Netz ist die
sogenannte Fehlerrückführung.
• Die Maschine soll durch
Rechenoperationen ein
bestimmtes Ziel erreichen.
• Die Abweichung des Ergebnisses
vom gewünschten Ziel wird
ermittelt.
• Anschließend wird der
Entscheidungsbaum zurückverfolgt,
um jene Pfade zu identifizieren, die
zur geringsten Abweichung vom
gewünschten Ergebnis führen.
• Zukünftig wird die Maschine den
Weg wählen, der weniger
fehleranfällig ist – sie hat aus ihren
Fehlern gelernt.

21. Jahrhundert: Durchbruch des Maschinellen
Lernens
NextGen
Prozessor
en
Datenverfügbark
eit
Schnelleres und besseres
Training neuronaler
Netzwerke
• 21. Jahrhundert: Leistungsstarke
Computer, verbesserte Algorithmen,
steigende Datenverfügbarkeit.
• Neuronale Netze können schneller
und besser trainiert werden.
• Zahlreiche Erfolge der KI-Forschung,
z.B. der Sieg der KI „Watson“ von
IBM in der Quizshow Jeopardy im
Jahr 2011.
• Erste Tests für autonomes Fahren,
Sprachverarbeitung, Bilderkennung.
Bessere
Algorithmen

Künstliche Intelligenz im Jahr 2024
• Im Jahr 2024 wird KI nahezu überall eingesetzt, ob im Krankenhaus,
im Auto, in der Fabrik oder in der EDV.
• Im privaten Bereich ist besonders die generativen KI prägend,
meistens in Form von Sprachassistenten, die Anweisungen der Nutzer
umsetzen.
• Wichtig: Die generative KI ist nicht kreativ (schöpferisch) – ihr Output
ist das Ergebnis einer Analyse aller während des Lernprozesses
eingegebenen Daten.

Was ist was? KI, ML, DNN
Künstliche Intelligenz (KI)
• KI ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches
Denken, Lernen, Planen und Kreativität zu imitieren.
Machine Learning (ML)
• ML ist ein Teilbereich der KI: Hier werden Algorithmen und Modelle
entwickelt, die aus Daten lernen können, ohne speziell dafür
programmiert werden zu müssen.
Deep Neural Network (DNN)
• Ein DNN ist eine spezielle Art von Algorithmen im Bereich des ML.
• Das DNN besteht aus mehreren Schichten, beginnend mit einer
Eingabeschicht, gefolgt von Neuronenschichten, die mathematische
Berechnungen durchführen.
• Auf Basis der Fehlerrückführung durch die einzelnen Schichten identifiziert
der Algorithmus den Pfad des Entscheidungsbaums, der am ehesten dem
gewünschten Ziel entspricht.

Was ist was? KI, ML, DNN
Künstliche
Intelligenz
(KI)
Deep
Neural
Network
(DNN)
Machine
Learning
(ML)
Methode von
Teilgebiet von
Erkennen und Sortieren von Informationen aus
Eingabedaten. Basiert auf programmierten Abläufen oder
auf maschinellem Lernen.
Entwicklung von Algorithmen/Modellen
die ohne Programmierung aus Daten
lernen können
Fehlerrückführu
ng in neuronalen
Schichten

Es gibt nicht nur “sauber” und “verschmutzt”
… oder nur “laut” und
“leise”
• Klassische Computer arbeiten mit einem
Binärsystem:
1 steht für „an“ oder „wahr“, 0 steht für „aus“ oder
„falsch“.
• Binäre Kategorien reichen für die komplexen
Rechenvorgänge einer KI nicht mehr aus.
• Daher arbeiten neue KI-Modelle mit der
sogenannten „Fuzzy Logic“, also mit unscharfen
Informationen und Kategorien.
• Gerade bei Hörgeräten ist diese Differenzierung
essenziell. Nur so können Geräuschquellen
fließend angepasst, anstatt nur an- oder
ausgeschaltet werden.
Fuzzy Logic im täglichen Gebrauch am Beispiel
der Waschmaschine: Mäßig verschmutzte Wäsche
benötigt etwas weniger Wasser als stärker
verschmutzte Wäsche – es gibt nicht nur die
Zustände „verschmutzt“ oder „sauber“, „viel“ oder
„wenig“.

Binäres System vs. Fuzzy Logic
Binäres
System
Beispiel für ein Fuzzy Logic-System
in der Hörgerätetechnik
Leise
Laut
Fast stumm Extrem leise Sehr leise
Ziemlich leise
Leise, aber gut
wahrnehmbar
Moderat leise
Eher leise Mittelmäßig laut
Angenehme
Lautstärke
Eher laut Ziemlich laut
Laut, noch
angenehm
Sehr laut Extrem laut
Maximale
Lautstärke
Wah
r
Falsc
h

Anwendungsmöglichkeiten von DNN in
Hörsystemen
• Ein DNN-gestütztes Hörgerät arbeitet wie ein DJ
• Der DJ nutzt sein Mischpult, um mit dem Fader einzelne
Eingänge lauter oder leiser zu stellen und mit dem
Equalizer die Höhen, Mitten und Tiefen eines
Soundtracks zu heben oder zu senken.
• Mittels Fehlerrückführung identifiziert der DJ die beste
Einstellung des Mischpults, um den optimalen Sound
zu gewährleisten.
• Der Unterschied zwischen dem DJ und einem DNN: Das
DNN steuert nicht 50 Knöpfe und Regler, sondern viele
Millionen Einstellungen.

Hörsystemen
• Der Input (Sprache und Störgeräusche) durchläuft verschiedene neuronale Schichten.
• Zunächst werden Grundfrequenzen, Amplituden und Hüllkurven erkannt
• In den folgenden Schichten werden diese Elemente kombiniert – hier erkennen die
Neuronen Sprachlaute und musikalische Komponenten, aber noch kein ganzes Wort
und keine Melodie.
• In den tiefen Schichten werden nun alle Merkmale kombiniert – so können komplexe
akustische Informationen erkannt werden, z.B. Wörter, Sätze, Melodien,
Sprachintentionen oder Klanglandschaften.
• Nun können wir dem DNN die Anweisung geben, bestimmte akustische
Informationen zu verstärken und andere abzuschwächen.
• Befinden wir uns beispielsweise auf einem Konzert, kann das DNN die Melodien
identifizieren und die entsprechenden Frequenzen stärken. In einer Gesprächssituation
kann das DNN dagegen Störgeräusche identifizieren, z.B. Verkehrslärm oder
Hundebellen, und diese Frequenzen absenken.
• Theoretisch kann das DNN auch bestimmte Stimmen erkennen, z.B. die des Partners
oder Kindes, und diese aktiv verstärken.

Hörsystemen
Sprache +
Störgeräusc
h
Klare
Sprache
Input
Neuronale
Schicht
Neuronale
Schicht
Neuronale
Schicht
Neuronale
Schicht Output
Deep Neural Network

Ein DNN-gestütztes Netzwerk bietet…
• Die Nutzung von DNN in Hörsystemen bietet viele Vorteile.
• Die Tonqualität wird sich spürbar verbessern – auch in lauten
Umgebungen.
• Mit DNN erwarten wir verbesserte Geräuschunterdrückung,
Spracherkennung, individualisierte Hörprofile, Reduzierung von
Verzerrungen und Rückkopplungen.
• Durch die automatische Umgebungserkennung kann das Gerät den
Energieverbrauch selbst regulieren, sodass die Batterielaufzeit
verbessert wird.
• Ebenfalls möglich ist die Sprachverbesserung durch neuronale
Sprachmodelle – z.B. das Verstärken von geflüsterter Sprache.
• Perspektivisch werden Funktionen wie Simultanübersetzung Einzug
halten.

Ein DNN-gestütztes Hörsystem bietet…
Längere
Batterielaufz
eit
Bessere
Geräusch-
unterdrückung
Spracherkennu
ng
Neuronale
Sprachmodell
e
Q.O.L-Features:
z.B.
Simultanüber-
setzung
Reduzierung
von
Rückkopplung
en
Reduzierung
von
Verzerrungen
Sprechertrennu
ng
Sprecher-
Erkennung
Emotione
n
erkennen

KI-“Revolution”?
• Der KI-Winter der 80er Jahre hat
gezeigt, dass ein „KI-Hype“ auch
abklingen kann, insbesondere wenn
die nächsten Entwicklungsschritte
mehr Daten und schnellere
Computer benötigen, die es noch
nicht gibt.
• Der Begriff der „KI-Revolution“
weckt falsche Vorstellungen – viel
mehr entsprechen die Fortschritte
der KI einer schrittweisen
Evolution, begrenzt durch den
Stand der Technik und die Vorgaben

„KI-Modelle wie Chat-GPT
haben einen irren Hype
ausgelöst.
Aber viele Erwartungen und
auch Befürchtungen sind
nicht wahr geworden. Die
Grenzen der Technologie
werden erkennbar.“
KI-“Revolution”?

Grenzen Künstlicher Intelligenz in der Hörakustik
 Soziale Kompetenz und
Empathie
 Individualisierung
jenseits statistischer
Wahrscheinlichkeiten
 Feinjustierung jenseits
von Modellen
 Anpassung auf sich
verändernde Präferenzen
 Innovativ sein
 Regeln brechen!
Erfordert
den
Menschen
!

Fazit
• Begriff „Künstliche Intelligenz“ weckt falsche Vorstellungen
und Befürchtungen, führt ggf. zu falschen
Schlussfolgerungen
• Besser: „Erweiterte“ (menschliche) Intelligenz
• Keine Revolution sondern jahrzehntelange technologische
Evolution
• Mehr Vorteile für Nutzer von Hörsystemen, unter anderem
in der Spracherkennung und Störgeräuschunterdrückung
• Die professionelle, individuelle Anpassung eines Hörsystems
durch einen Hörakustiker oder eine Hörakustikerin bleibt
wesentlich für den Hörerfolg.

[BVHI] Möglichkeiten und Grenzen Künstlicher Intelligenz in der Hörgeräteversorgung

Weitere ähnliche Inhalte

Mehr von Bundesverband der Hörsysteme-Industrie

[BVHI] Möglichkeiten und Grenzen Künstlicher Intelligenz in der Hörgeräteversorgung