Was ist KI / AI?

Künstliche Intelligenz, kurz KI, ist längst kein Thema von Science-Fiction-Filmen mehr, sondern Teil unseres Arbeitsalltags. Wir wollen in diesem Blog einen erklärenden Blick auf das Thema werfen und berichten, wie es auch unsere Arbeit bei TOPIX, unser Produkt und somit unsere Kunden beeinflusst.

"Das menschliche Gehirn ist eine Maschine aus Fleisch." Wann genau der Amerikaner Marvin Minsky diesen Satz zum ersten Mal aussprach, ist nicht überliefert. Er könnte jedoch aus den 50er-Jahren stammen, denn schon 1956 prägte der Wissenschaftler zusammen mit seinem Kollegen John McCarthy den Begriff der Künstlichen Intelligenz, auf Englisch Artificial Intelligence (AI). Und weil unser Gehirn wie eine Maschine funktioniere, so Minskys These weiter, könne man es auch wie eine solche nachbilden.

Ging es mit der Entwicklung von künstlicher Intelligenz in den Jahrzehnten nach Minskys Zitat noch eher schleppend voran, änderte sich dies schon einige Zeit vor seinem Tod 2016 rapide. Mittlerweile gibt es diverse wissenschaftliche Absplitterungen in der Forschung und zahlreiche Arme der KI-Entwicklung. Längst geht es nicht mehr nur darum, eines Tages das menschliche Hirn in Form einer Maschine nachbilden zu können. Dem Menschen soll vielmehr mit dem sogenannten „Cognitive Computing“ bei diversen Aufgaben kräftig unter die Arme gegriffen beziehungsweise diese gleich gänzlich ersetzt werden. Zugegeben, bis wir auf liebevolle KI-Roboter wir R2D2 oder C3PO aus Star Wars treffen, dürfte noch das ein oder andere Jahrzehnt ins Land gehen, aber der Weg ist geebnet.

Bildquelle: Statista (https://de.statista.com/infografik/23703/arbeitsproduktivitaetssteigerung-durch-ki/)

Die Unterschiede zu gängiger Software

Zur besseren Ordnung kann man das Feld der Künstlichen Intelligenz in drei wesentliche Bereiche aufteilen: Das Maschinelle Lernen, Deep Learning und die Neuronalen Netzwerke. Ganz prinzipiell soll natürlich jede Soft- und Hardware intelligent konstruiert sein und dem Menschen helfen. Bei der herkömmlichen Programmierung sind die Grenzen aber relativ klar umrissen, eine intrinsische Weiterentwicklung der Technik ist quasi unmöglich. In Fachkreisen spricht man hier von dem sogenannten EVA-Prinzip: Eingabe-Verarbeitung-Ausgabe.

Das sogenannte Maschinelle Lernen (Machine Learning) jedoch zielt darauf ab, dass ein Programm in vorhandenen Datenbeständen Muster erkennt, sie analysiert und daraufhin Lösungen findet, auch von neuen Problemstellungen. Die menschlichen Eingriffe beschränken sich im Wesentlichen auf eine anfängliche Eingabe von Daten und Formeln. Das Programm soll also lernen können. Wie man sich vorstellen kann, sind dazu immense Datenmengen vonnöten, um am Ende eine Prozessoptimierung zu erzielen und Prognosen zu treffen.

Beim Deep Learning greift der Mensch in der Regel nicht mehr ein, das System reichert das angeeignete Wissen mit neuen Inhalten an und lernt daraus. Daraus entstehen dann bestenfalls Vorhersagen oder das System trifft eigene Entscheidungen, hinterfragt andere womöglich sogar.

Näher an Marvin Minskys Vorstellung von Künstlicher Intelligenz dürften die sogenannten Neuronalen Netzwerke sein, die Gehirnzellen imitieren. Dies führt dazu, dass die Künstliche Intelligenz sich von Gegebenheiten inspirieren lassen kann, genau wie es der Mensch tut. In den Neuronalen Netzwerken gibt es drei Ebenen: Eingangs-, Zwischen- und Ausgangsebene. Dazwischen liegen Millionen von Netzknoten. Je mehr Neuronen involviert sind, desto besser und desto komplexer können die abgebildeten Zusammenhänge sein.

Wo kommt KI zum Einsatz?

Künstliche Intelligenz ist die Zukunft, die bereits da ist. Ihre Technik ist längst in unseren Alltagsgegenständen angekommen. Die nachfolgenden sind nur einige der Anwendungsgebiete, in denen Artificial Intelligence heute schon eingesetzt wird:

• Kundendienst
• Vertrieb
• Betrugserkennung und Risikomanagement
• Übersetzungen
• Bild- und Gesichtserkennung
• Animationen und Virtual-Reality-Anwendungen
• Textanalyse anhand von Schlüsselwörtern
• Wettervorhersage
• Spracherkennung und -ausgabe
• Medizin: Personalisierte Diagnosen, Therapien, Medikamente
• Editieren von Filmen in Echtzeit
• Autonomes Fahren

Bildquelle: Statista (https://de.statista.com/infografik/22887/marktanteil-von-anwendungen-fuer-kuenstliche-intelligenz/)

Ganz konkret treffen wir bereits (unsichtbar) im Gesundheitswesen auf Künstliche Intelligenz. So werden Patientendaten in Verbindung mit Daten in Hypothesen gewandelt oder mithilfe von Chatbots Fragen von Patienten beantwortet. Zwar beschränkt sich die Informationstiefe eher auf Grundlegendes, aber die Richtung ist eindeutig vorgegeben.

Wie wichtig KI in unserem Bildungssystem ist beziehungsweise sein wird, haben die letzten zwölf Monate gezeigt. Tutoren mit Künstlicher Intelligenz könn(t)en Schüler mit individuellen abgestimmten Prozessen unterstützen und Lehrern beim Benoten Zeit sparen. Und gerade in Bereichen, in denen ohne Automatisierung vornehmlich Fleißarbeit gefragt ist, spart die KI dem Menschen eine Menge Zeit. Juristen können Computer und Programme beispielsweise damit beauftragen, Akten und Dokumente durchzusehen und auf Fragen oder Stichwörter hin zu prüfen – eine Aufgabe, die bis vor wenigen Jahren (und teilweise immer noch) händisch gemacht werden musste.

Wie die Künstliche Intelligenz Unternehmen in der Wirtschaft hilft und wie sie auch bei TOPIX eine Rolle spielt, erläutern wir im zweiten Teil unseres Blogs. In unserem früheren Beitrag zur Automatisierung haben wir das Thema bereits angeschnitten und skizziert, welche Rolle es bei der Digitalisierung von Unternehmen spielen kann.

Die Starken und die Schwachen

Genau wie bei Menschen, gibt es auch bei der Künstlichen Intelligenz starke und schwache „Exemplare“, die tatsächlich auch fachlich so eingeordnet werden: weak und narrow AI sowie strong AI. Auch wenn ihre Leistung erstaunlich ist, eine KI wie Apples Siri wird als schwache Künstliche Intelligenz angesehen, ganz einfach, weil die Grenzen ihrer Ergebnisse deutlich umrissen sind. Gleiches gilt für alle virtuellen persönlichen Assistenten.

Als starke artifizielle Intelligenz wird jene angesehen, die es schafft, eine Lösung zu finden, wenn sie mit einer ihr unbekannten Aufgabe konfrontiert wird. Bereits 1950 entwickelte der bereits zu Hollywood-Ehren gekommene Mathematiker Alan Turing einen Test, um zu ermitteln, ob ein Computer wirklich wie ein Mensch denken kann.

Was wir von Künstlicher Intelligenz erwarten können, fasste in jüngerer Zeit womöglich Arend Hintze, Assistenzprofessor für Integrative Biologie und Informatik an der Michigan State University, am besten zusammen, indem er die KI-Systeme in vier Typen mit unterschiedlich starken Fähigkeiten einordnete.

Den Typ 1 stellen dabei reaktive Maschinen dar, die, wie das IBM-Schachprogramm Deep Blue, Tatsachen analysieren und Schlüsse und Handlungen daraus ableiten, die jedoch weder ein Gedächtnis haben noch eigene Erfahrungen aus der Vergangenheit nutzen können.

Typ 2 sind KI-Systeme mit begrenztem Speicher, die sehr wohl auf Erfahrungen zurückgreifen und diese nutzen können, jedoch vornehmlich für Entscheidungen, die in naher Zukunft liegen und entsprechend weniger Speicher benötigen. Beim autonomen Fahren zum Beispiel kommen derartige Systeme zum Einsatz.

Die Typen 3 und 4 liegen laut Hintze noch in der Zukunft, da die KI-Systeme im ersten, weiteren Entwicklungsschritt über eigene Überzeugungen, Wünsche und Absichten verfügen müssten und schließlich – im letzten Schritt – sogar über ein (Selbst)-Bewusstsein. Entsprechend würde eine derartige Künstliche Intelligenz mit der menschlichen konkurrieren, da dann die artifiziellen Informationen verarbeiten würden, die den eigenen Zustand in den Entscheidungsfindungsprozess einbeziehen und auch ableiten könnten, was andere fühlen.

Schlagwörter zur Weiterverfolgung

• KI – Künstliche Intelligenz • AI – Artificial Intelligence • Cognitive Computing • Data Science • ML – Machine Learning • Deep Learning • Neuronale Netze • VR – Virtual Reality • MR – Mixed Reality • NLP – Natural Language Processing • NLU – Natural Learning Understanding • RPA – Robotic Process Automation • Data Mining • Marvin Minsky • John McCarthy • Alan Turing / Turing-Test • Arend Hintze