IBM Watson ist ein Frage-Antwort-Computersystem, das von IBM im Rahmen seines DeepQA-Projekts entwickelt wurde und von David Ferrucci als leitendem Forscher geführt wurde. Benannt nach dem IBM-Gründer Thomas J. Watson, wurde das System entwickelt, um Fragen in natürlicher Sprache zu beantworten, wobei seine bekannteste Leistung ein Sieg über menschliche Champions in der Quizshow Jeopardy! im Jahr 2011 war. Watson stellte einen bedeutenden Meilenstein in der Anwendung von künstlicher Intelligenz-Techniken für offene Frage-Antwort-Systeme dar, obwohl es auf einer Kombination etablierter Algorithmen beruhte und nicht auf den Deep-Learning-Ansätzen, die das Feld später dominieren sollten.
Die Entwicklung des Systems ging aus IBMs Ambition hervor, eine Maschine zu bauen, die in der Lage ist, die nuancierten, wortspielreichen Hinweise zu verstehen und zu beantworten, die typisch für Jeopardy! sind. Im Gegensatz zu früheren Frage-Antwort-Systemen, die sich auf enge Domänen konzentrierten, zielte Watson darauf ab, beliebige Themen mithilfe eines massiven Korpus von Referenzmaterialien zu behandeln. Sein Erfolg im nationalen Fernsehen zeigte praktische Fortschritte in natürlicher Sprachverarbeitung und maschinellem Lernen und beeinflusste nachfolgende Forschung und kommerzielle Anwendungen im Gesundheitswesen und anderen Branchen.
Technische Architektur
Watsons Software basierte auf IBMs DeepQA-Architektur und dem Apache-UIMA-Framework (Unstructured Information Management Architecture). Das System wurde in mehreren Programmiersprachen geschrieben, darunter Java, C++ und Prolog, und lief auf SUSE Linux Enterprise Server 11 mit Apache Hadoop für verteiltes Rechnen. DeepQA verwendete über 100 verschiedene Techniken, um natürliche Sprache zu analysieren, Quellen zu identifizieren, Hypothesen zu generieren, Beweise zu finden und zu bewerten sowie mögliche Antworten zu verschmelzen und zu ordnen.
Die Hardware bestand aus einem Cluster von neunzig IBM-Power-750-Servern, die jeweils mit einem 3,5-GHz-POWER7-Achtkernprozessor mit vier Threads pro Kern ausgestattet waren. Insgesamt nutzte Watson 2.880 Prozessor-Threads und 16 Terabyte RAM. Laut John Rennie konnte das System 500 Gigabyte (entspricht etwa einer Million Büchern) pro Sekunde verarbeiten. IBM-Master-Erfinder Tony Pearson schätzte die Hardwarekosten auf etwa drei Millionen Dollar. Für den Jeopardy!-Wettbewerb wurden alle Inhalte im RAM gespeichert, da der Zugriff auf Festplatten zu langsam gewesen wäre, um mit menschlichen Reaktionszeiten mitzuhalten.
Jeopardy!-Wettbewerb
Im Februar 2011 trat Watson bei Jeopardy! gegen zwei der erfolgreichsten Champions der Show an, Brad Rutter und Ken Jennings. Watson gewann den ersten Preis von 1 Million US-Dollar. Die Strategie des Systems umfasste spezialisierte Module: Eines berechnete Final-Jeopardy-Einsätze basierend auf Konfidenzwerten und aktuellen Platzierungen, während ein anderes die Bayes-Regel verwendete, um die Wahrscheinlichkeit zu schätzen, dass ein nicht aufgedeckter Hinweis ein Daily Double war, wobei historische Daten aus dem J!-Archiv als Prior dienten. Für Daily-Double-Einsätze bestimmte ein zweischichtiges neuronales Netz ähnlich dem in TD-Gammon verwendeten, das in den 1990er Jahren von Gerald Tesauro entwickelt wurde, den Wettbetrag.
Watsons Leistung offenbarte sowohl Stärken als auch Schwächen im Vergleich zu menschlichen Spielern. Es fehlte ihm an kontextuellem Verständnis der Hinweise, und es war langsamer beim Generieren von Antworten, insbesondere bei kurzen Hinweisen. Seine elektronische Buzzerschaltung verschaffte ihm jedoch einen konsistenten Reaktionszeitvorteil, sobald es sich entschieden hatte zu antworten, und es war immun gegen psychologische Taktiken wie das Springen zwischen Kategorien. In Übungsspielen konnten Menschen die sechs bis sieben Sekunden ausnutzen, die Watson zur Verarbeitung eines Hinweises benötigte, aber in den übertragenen Spielen erwies sich Watsons Buzzergeschwindigkeit als entscheidend.
Kommerzielle Anwendungen und Gesundheitswesen
Im Februar 2013 kündigte IBM die erste kommerzielle Anwendung von Watson an: Entscheidungen zur Nutzungsverwaltung bei der Behandlung von Lungenkrebs am Memorial Sloan Kettering Cancer Center in New York City, in Partnerschaft mit WellPoint (heute Elevance Health). Das System sollte Ärzte unterstützen, indem es medizinische Literatur und Patientenakten analysierte, um Behandlungsoptionen zu empfehlen. Dies markierte einen frühen Versuch, maschinelles Lernen und Frage-Antwort-Technologie für klinische Entscheidungsunterstützung einzusetzen, obwohl die Ergebnisse gemischt waren.
Watsons Fähigkeiten wurden später durch die Bereitstellung auf IBM Cloud erweitert, mit weiterentwickelten Funktionen für maschinelles Lernen und optimierter Hardware. Das Gesundheitswesen-Projekt stand jedoch vor erheblichen Herausforderungen. Im Jahr 2022 veräußerte IBM seine Watson-Health-Sparte und gliederte sie in ein Unternehmen namens Merative aus, das an Francisco Partners verkauft wurde. Die Abteilung hatte etwa 4 Milliarden Dollar an Entwicklungskosten verursacht, wurde aber für 1 Milliarde Dollar verkauft. Bis 2023 hatte das gesamte Watson-Projekt zu einem Rückgang des IBM-Aktienwerts um 10% beigetragen, kostete viermal mehr, als es an Einnahmen generierte, und führte zu massiven Entlassungen.
Vermächtnis und Einfluss
Trotz seiner kommerziellen Schwierigkeiten hatte Watsons Jeopardy!-Sieg einen bleibenden Einfluss auf die öffentliche Wahrnehmung von künstlicher Intelligenz. Es zeigte, dass Maschinen mit mehrdeutiger, umgangssprachlicher Sprache umgehen können, und inspirierte eine Welle von Investitionen in die KI-Forschung. Watsons Ansatz - die Kombination vieler paralleler Algorithmen anstatt sich auf einen einzigen Durchbruch zu verlassen - beeinflusste spätere Systeme, auch als sich das Feld hin zu Deep-Learning- und neuronalen Netz-Architekturen verlagerte. Das System verdeutlichte auch die Kluft zwischen Forschungsdemonstrationen und tragfähigen kommerziellen Produkten, eine Lektion, die spätere KI-Bereitstellungen im Gesundheitswesen und anderen regulierten Branchen prägte.
Watsons Vermächtnis ist komplex: Es war eine technische Leistung, die die Vorstellungskraft der Öffentlichkeit beflügelte, doch die geschäftlichen Ergebnisse blieben hinter den Erwartungen zurück. Der Name des Systems bleibt mit IBMs früher Führungsrolle in der kognitiven Datenverarbeitung verbunden, auch wenn das Unternehmen später zu anderen KI-Initiativen überging. Für Forscher diente Watson als Fallstudie für die Herausforderungen, KI von kontrollierten Wettbewerben auf reale Anwendungen zu skalieren, insbesondere in Bereichen, in denen Fehler hohe Kosten verursachen.
Vermächtnis und Einfluss
Trotz seiner kommerziellen Schwierigkeiten hatte Watsons Sieg bei Jeopardy! einen nachhaltigen Einfluss auf die öffentliche Wahrnehmung von künstlicher Intelligenz. Er zeigte, dass Maschinen mehrdeutige, kolloquiale Sprache und komplexe Denkaufgaben bewältigen konnten, und inspirierte eine Welle von Investitionen in die KI-Forschung. Das System demonstrierte auch, dass eine Kombination aus vielen parallelen Algorithmen - statt eines einzigen Durchbruchs - leistungsfähige Ergebnisse liefern kann, ein Ansatz, der spätere Systeme beeinflusste, auch wenn das Feld sich später Deep-Learning- und neuralen Netz-Architekturen zuwandte. Darüber hinaus hob Watson die Diskrepanz zwischen Forschungsdemonstrationen und tragfähigen kommerziellen Produkten hervor, was nachfolgende KI-Implementierungen in Branchen mit hohen Fehlerkosten wie dem Gesundheitswesen prägte.
Watsons Vermächtnis ist vielschichtig: Es war eine technische Errungenschaft, die die Welt in ihren Bann zog, doch die geschäftlichen Ergebnisse blieben hinter den Erwartungen zurück. Der Name des Systems bleibt mit IBMs früher Führungsrolle in der kognitiven Datenverarbeitung verbunden, auch wenn das Unternehmen später zu anderen KI-Initiativen überging. Für Forscher diente Watson als Fallstudie für die Herausforderungen, KI von kontrollierten Wettbewerben auf reale Anwendungen zu übertragen, insbesondere in Bereichen mit hohen Kosten für Fehler.
Vergleich mit moderner KI
Watson wird oft mit späteren Systemen wie OpenAI-Modellen und Google DeepMinds AlphaGo verglichen, die Transformer-Architekturen und große Sprachmodelle verwenden. Im Gegensatz zu Watson, das auf strukturierten Wissensbasen und expliziten Beweisverfahren beruhte, lernen moderne Systeme Muster aus riesigen Textkorpora mithilfe von Deep Learning. Watson nutzte in seiner Kern-Frage-Antwort-Pipeline keine Deep-Learning- oder neuronalen Netz-Methoden, obwohl es Teil des DeepQA-Projekts war. Die Hardwareanforderungen von Watson - 90 Server und 16 Terabyte RAM - waren nach damaligen Standards enorm, wirken jedoch bescheiden im Vergleich zu den Rechenzentren, die für das Training moderner KI verwendet werden. Die Entwicklung von Watson zu moderner KI verdeutlicht einen Wandel von interpretierbaren Systemen mit expliziter Wissensbasis hin zu opaken, statistisch trainierten Modellen, was neue Fragen zu Zuverlässigkeit, Verzerrung und Verantwortlichkeit aufwirft.