IBM Watson ist ein System für künstliche Intelligenz, das ursprünglich von IBM entwickelt wurde, um an der amerikanischen Fernsehquizshow Jeopardy! teilzunehmen, und später zu einer breiten kommerziellen Produktlinie ausgebaut wurde, die Verarbeitung natürlicher Sprache und maschinelles Lernen auf geschäftliche und wissenschaftliche Probleme anwendet. Watsons öffentliches Debüt fand im Februar 2011 statt, als er in einem im Fernsehen übertragenen Ausstellungsspiel gegen die beiden erfolgreichsten menschlichen Champions von Jeopardy!, Ken Jennings und Brad Rutter, antrat und deutlich gewann - ein Ergebnis, das weithin als wegweisende Demonstration der Fähigkeit von KI galt, mehrdeutige Fragen in natürlicher Sprache zu analysieren und unter Zeitdruck genaue Antworten zu finden.
Das Jeopardy!-Spiel
Watson wurde entwickelt, um das charakteristische Hinweisformat von Jeopardy! zu beantworten, bei dem eine Antwort präsentiert wird, die der Kandidat als Frage formulieren muss, wobei oft Wortspiele, Sprachspielereien und indirekte Formulierungen verwendet werden, die im Vergleich zur direkten Fragenbeantwortung eine erhebliche Herausforderung für die Verarbeitung natürlicher Sprache darstellten. Watson kombinierte mehrere Techniken zur Informationsabrufung und NLP, anstatt ein einzelnes Deep-Learning-Modell zu verwenden, da er vor der Deep-Learning-Ära entstand, die später in den 2010er Jahren die NLP-Forschung dominieren sollte; er durchsuchte einen großen Korpus gespeicherter Texte, einschließlich enzyklopädischer Inhalte, und nutzte statistische Konfidenzbewertungen, um sowohl zu entscheiden, was er antworten sollte, als auch, ob er überhaupt einsteigen sollte. Watson besiegte Jennings und Rutter in einem Spiel über zwei Runden und gewann über 1 Million US-Dollar Preisgeld, das IBM an wohltätige Zwecke spendete.
Kommerzialisierung
Nach dem Jeopardy!-Sieg baute IBM eine Geschäftseinheit, darunter IBM Watson Health und andere Abteilungen, auf, um die zugrunde liegende Technologie für Unternehmens- und wissenschaftliche Anwendungen zu kommerzialisieren, vor allem für die Entscheidungsunterstützung in der Onkologie, wo Watson for Oncology an Krankenhäuser als Werkzeug vermarktet wurde, das durch die Analyse von Patientendaten gegen medizinische Literatur Behandlungsoptionen für Krebs empfehlen sollte. IBM vermarktete auch Watson-Marken-KI-Tools in anderen Bereichen, darunter Kundenservice, IBMs eigene Marketingpartnerschaften (wie mit dem Masters-Golfturnier) und allgemeine Geschäftsanalysen, und positionierte Watson als breite KI-Plattform.
Rückschläge im Gesundheitswesen und Rezeption
Watson for Oncology stieß ab Mitte der 2010er Jahre auf erhebliche Kritik, insbesondere nach internen IBM-Dokumenten, die STAT News 2018 berichtete und die Fälle beschrieben, in denen das System Behandlungen empfahl, die interne Prüfer als unsicher oder falsch betrachteten, und Kliniker an Partnerkrankenhäusern, einschließlich des MD Anderson Cancer Center, berichteten, dass das System hinter den Marketingversprechen von IBM zurückblieb, was dazu beitrug, dass MD Anderson 2017 seine Partnerschaft mit Watson for Oncology nach einer kostspieligen, erfolglosen Implementierung beendete. IBM verkaufte seine Watson-Health-Abteilung 2022 an eine Private-Equity-Firma zu einem Bruchteil der rund 4 Milliarden US-Dollar, die IBM in Akquisitionen zum Aufbau dieser Abteilung investiert hatte. Der Vorfall wurde zu einem weithin zitierten Beispiel innerhalb der KI-Branche und in Diskussionen über KI-Ethik für die Risiken, KI-Fähigkeiten in Hochrisikobereichen wie dem Gesundheitswesen zu überversprechen, bevor die zugrunde liegende Technologie sowie die damit verbundene Integrations- und Validierungsarbeit reif genug war, um dies zu unterstützen.
Vermächtnis
Watsons Jeopardy!-Sieg von 2011 wird weiterhin als wichtiger Meilenstein in der KI-Geschichte zitiert, der vor der Deep-Learning-Revolution stattfand, die bald die Verarbeitung natürlicher Sprache nach Durchbrüchen wie Word2vec und später der Transformer-Architektur verändern sollte. Seine anschließenden kommerziellen Schwierigkeiten werden häufig als warnendes Gegenbeispiel zu erfolgreicheren angewandten KI-Systemen wie AlphaFold angeführt, was zeigt, dass ein starkes Demonstrationsergebnis nicht automatisch in eine zuverlässige reale Bereitstellung übersetzt wird, insbesondere in Bereichen mit hohen Einsätzen und komplexen, schlecht strukturierten Daten.