Eine Prognose vom Marktanalyst Gartner geht davon aus, dass sich 80 Prozent aller Softwareentwickler und -entwicklerinnen bis 2027 weiterbilden müssen, wenn sie mit der Entwicklung der Künstlichen Intelligenz Schritt halten wollen. Allerdings ist KI nicht die einzige Technologie, die sie herausfordert: Quantencomputing (QC) könnte Künstliche Intelligenz auf ein völlig neues Level heben. Welche Potenziale birgt QC für KI? Lohnt sich die Beschäftigung mit QC schon, oder ist das alles noch Zukunftsmusik? Ein Blick auf das automatisierte maschinelle Lernen gibt erste Antworten:
Quantencomputing bringt maschinelles Lernen auf neues Niveau
Maschinelles Lernen (ML) ermöglicht Unternehmen unter anderem effizientere Prozesse sowie neue Geschäftsmodelle. Allerdings ist die Implementierung von ML-Lösungen bisher noch häufig mit hohem Arbeitsaufwand verbunden. Von der Datenakquisition über die Wahl der passenden Algorithmen bis hin zur Optimierung des Trainings ist ein detailliertes ML-Fachwissen notwendig und vor allem Fachpersonal.
Der Einsatz des automatisierten maschinellen Lernens (AutoML) könnte menschliche Expertinnen und Experten entlasten und für Unternehmen zur smarten Überholspur bei der Einführung von Künstlicher Intelligenz werden. Dabei wird insbesondere die Wahl der konkreten ML-Algorithmen automatisiert. Anwenderinnen und Anwender müssen somit weniger mit ML vertraut sein und können sich mehr auf ihre eigentlichen Aufgaben konzentrieren.
Quantencomputing könnte dabei für AutoML im Unternehmen zum entscheidenden qualitativen und quantitativen Beschleuniger werden: Quantencomputing vervielfältigt aufgrund seiner Rechenleistung die Möglichkeiten des Einsatzes von AutoML.
Mit dem Verbundprojekt »AutoQML« haben wir am Fraunhofer IAO gemeinsam mit dem Fraunhofer IPA und sieben Industriepartnern einen neuen Ansatz entwickelt, der AutoML und Quantencomputing verbindet: AutoQML erweitert das AutoML-Prinzip um neue Quanten-ML-Algorithmen. Dadurch lassen sich viele bekannte KI-Probleme effizienter und nachhaltiger lösen als mit konventionellen Algorithmen.
Smarter Werkzeugkasten für Maschinelles Lernen und Quantencomputing
Die Open-Source-Software AutoQML ermöglicht Entwicklerinnen und Entwicklern einen einfachen Zugang zu konventionellen und Quanten-ML-Algorithmen. Sie führt Quanten-ML-Komponenten und Methoden für Entwicklungsteams in einem Werkzeugkasten für die praktische Anwendung zusammen. Anwenderinnen und Anwender können mit dem Werkzeugkasten Ansätze testen oder automatisierte hybride Gesamtlösungen entwickeln. Dabei ist kein tiefgehendes Fachwissen notwendig. Die Open-Source-Software bietet ihnen einen niederschwelligen Einstieg und einen ersten Schritt für die praktische Anwendung von Quantenmaschinellem Lernen in der Industrie.
Wissensaufbau als ersten Schritt zur perspektivischen Anwendung
Der Werkzeugkasten ist ein erster Schritt, um Quantencomputing für Unternehmen nutzbar zu machen und erste erfolgreiche Use Cases zu entwickeln. Die vielen möglichen Potenziale und Synergien der Kombination von Quantencomputing und Künstlicher Intelligenz gilt es weiter zu erforschen. Daher veranstaltet das Fraunhofer-Lab flaQship in Kooperation mit der University of Waterloo vom 7. bis 8. Juli 2025 in der experimenta in Heilbronn das Symposium »Machine Learning to Advance Quantum Technologies (ML4QT)«. Eine Möglichkeit, um diese zwei Technologien unter Forschenden, Entwicklerinnen und Entwicklerinnen innovativ zusammenzusetzen, Wissen zu generieren und zu teilen.
-
Leselinks:
- Projektwebseite AutoQML
- Symposium ML4QT
Kategorien: Künstliche Intelligenz, Quantencomputing
Tags: AutoQML, KI - Künstliche Intelligenz, Quantencomputing (QC), Quantenmaschinelles Lernen, Softwareentwicklung
Hinterlasse einen Kommentar