Die Covid-19-Pandemie war und ist auch ein Testfall dafür, wie weit die Menschheit technologisch schon gekommen ist. In den Anfangsmonaten war die Euphorie groß, dass künstliche Intelligenz helfen könnte, den Kampf gegen die Seuche schneller, effizienter und erfolgreicher zu führen. Blitzschnelle automatische Diagnosen, Hilfe aus der Maschine bei Triage-Entscheidungen – der Fantasie waren zumindest in den Ankündigungen und Hoffnungen der Tech-Forscher und -Vermarkter kaum Grenzen gesetzt. Dieser Artikel aus dem MIT Technology Review von 2021 stellte aber ernüchternd fest: Von den Hunderten von KI-Tools, die entwickelt wurden, waren nicht einmal eine Handvoll zumindest vielversprechend (und auch das heißt noch lange nicht, dass sie auch in der Praxis halfen).

Die Beispiele, die der Autor zusammengetragen hat, erzählen viel über die Schwächen, mit denen KI auch jenseits der Pandemie zu kämpfen hat:

• Auch in dem oft als vielversprechend für KI gelobten Bereich der Röntgenaufnahmen kann es zu verzerrten Ergebnissen kommen. Ein Programm, das – zum Vergleich – auch mit einem Datensatz Aufnahmen von Nicht-Corona-Fällen trainiert wurde, lernte, Kinder zu identifizieren statt Corona-Kranke – denn alle Aufnahmen stammten von Kindern.
• Weil schwer Erkrankte logischerweise oft im Liegen per Röntgen oder CT durchleuchtet wurden, schloss eine KI – vereinfacht gesagt – daraus, dass Menschen, die liegen, krank sind.
  
• Angebliche Corona-Fälle in den Daten waren gar keine. Das Label "Covid-19", das Aufnahmen erhalten hatten, basierte auf der Meinung eines Arztes statt auf – viel zuverlässigeren – PCR-Tests.

Was kann also getan werden?

• Die Welten der KI-Entwickler müssten enger mit Klinikärzten zusammen arbeiten und ihren Code teilen, damit andere ihn weiterentwickeln können. 
• Entwickler müssen ihre Energien gemeinsam auf wenige vielversprechende Modelle konzentrieren, statt viele kleine Silos zu schaffen. Sonst passiert nämlich folgendes: "The result was that the collective effort of researchers around the world produced hundreds of mediocre tools, rather than a handful of properly trained and tested ones."
• Datenformate müssen standardisiert werden. Schließlich ist eine der Hauptfehlerquellen die mangelnde Qualität von Daten bzw. chaotisch zusammengestöpselte Datensätze.

Mehr Hintergrund zu den generellen Problemen des KI-Hypes hier.