
Künstliche Intelligenz (KI) ist im Moment das große Thema. Dazu halten mehr oder weniger smarte Produkte zunehmend Einzug in unseren Alltag. Und mehr oder weniger sachkundige Experten überschlagen sich mit wahlweise rosigen oder düsteren Zukunftsprognosen.
Trotzdem – oder gerade deswegen – wirft KI immer noch viele Fragen auf. Und das nicht nur bei sogenannten Laien. Ich habe im Folgenden mal einige der Fragen zusammengestellt, die mir immer wieder in meiner täglichen Arbeit bei Unternehmen begegnen – natürlich nicht mit dem Anspruch auf Vollständigkeit, aber schon mit dem Ziel, ein paar Wissenslücken zu füllen und Missverständnisse zu klären. Folgende Fragen werde ich beantwortet:
-
Funktioniert KI heute schon wie in Science-Fiction-Werken? Wie weit ist die Technologie?
-
Was ist der Unterschied zwischen starker und schwacher KI?
-
Machine Learning, Deep Learning, KI – wo ist der Unterschied?
-
Ist KI auch was für „normale“ Unternehmen?
-
Wird KI durch die DSGVO der Boden entzogen?
-
Ist KI ein Prozess oder ein käufliches Produkt?
-
Was verbirgt sich hinter Automated Machine Learning?
-
Was hat KI mit R und Python zu tun?
Funktioniert KI heute schon wie in Science-Fiction-Werken? Wie weit ist die Technologie?
Grundsätzlich ist unser Bild von künstlicher Intelligenz stark durch fiktionale Charaktere aus der Zukunft geprägt, wie einem liebenswerten Wall-E oder dem bösen Terminator. Befördert wird dies zusätzlich durch Softwareanbieter, die ihre KI-Produktnamen gerne an Science-Fiction-Figuren anlehnen. Ein Beispiel ist Microsoft mit seiner Spracherkennung Cortana, die nach dem gleichnamigen Charakter aus der Halo-Spieleserie benannt ist.
In der Realität sind wir aber von einer allmächtigen, bewussten Intelligenz noch weit entfernt. Zwar hören wir regelmäßig von neuen, bisher dem Menschen vorbehaltenen Bereichen, in die KI vorstößt. So werden Bild und Ton intepretiert, Lieder komponiert, Fahrzeuge gesteuert und Menschen in Video- oder Brettspielen geschlagen. Allerdings sind diese Leuchtturmprojekte stets auf einzelne Aufgaben spezialisiert. Und das gilt zum heutigen Zeitpunkt auch für KI-Lösungen im Allgemeinen. Sie sind nicht in der Lage, ihre Kompetenzen selbständig zu erweitern oder mit anderen Kompetenzen zu kombinieren. Die Interaktion mit Menschen ist ebenfalls noch ausbaufähig. Im Bereich der Kognitiven Intelligenz, wo Entscheidungen auf Basis großer Datenmengen getroffen werden müssen, ist die KI dem Menschen allerdings oft schon überlegen, etwa bei Klassifizierungsproblemen, Mustererkennung oder der Vorhersage von Ergebnissen.
Was kann eine Spracherkennung? Und was nicht? Cortana im Test:
Was ist der Unterschied zwischen starker und schwacher KI?
Hier knüpfen wir unmittelbar an die vorhergehende Frage an: Schwache KI ist jene KI, die wir bereits aus unserem Alltag kennen. Sie ist für einen konkreten Anwendungsfall konstruiert, zum Beispiel dem Erkennen von Objekten auf Bildern, Interaktionen per Chat mit Menschen oder der Vorhersage von Absatzmengen. Außerhalb ihres Arbeitsbereiches hat eine schwache KI wenig bis gar keinen Nutzen, da sie sich nicht selbständig auf neue Aufgaben einstellen kann.
Indes begegnet uns starke KI bislang nur in Filmen und fiktionalen Texten. Die Definition ist hierbei keinesfalls eindeutig. Prinzipiell soll aber eine starke KI mindestens die gleichen geistigen Fähigkeiten wie ein Mensch haben – oder diese sogar übertreffen. Starke KI kann demnach logisch denken und planen, Entscheidung bei Unsicherheit treffen, mit ihrem Umfeld beispielsweise in natürlicher Sprache kommunizieren und schließlich lernen bzw. sich selbstständig weiterentwickeln. Unklar ist, ob eine starke KI ein Bewusstsein in unserem Sinne haben muss, da sich viele Aufgaben auch ohne ein solches Bewusstsein bewältigen lassen.
Das Video hier bringt die Unterschiede auch noch ein mal schön auf den Punkt:
Machine Learning, Deep Learning, KI – wo ist der Unterschied?
Künstliche Intelligenz ist ein Obergriff für eine Ansammlung von Methoden, Technologien und Ansätzen, die eine Automatisierung intelligenten Verhaltens von Computern bzw. IT-Systemen ermöglichen. Hierzu zählen beispielweise Logiksysteme aus der Mathematik, wissensbasierte Systeme – manchmal auch Expertensysteme genannt – sowie Machine Learning (ML).
ML ist also ein Teilgebiet der KI. Es deckt spezifische Muster und Gesetzmäßigkeiten in vorhandenen Datenbeständen auf. Dabei kommen unterschiedliche Algorithmen zum Einsatz, wie Entscheidungsbäume, neuronale Netze oder Clustering- und Regressionsverfahren. Die gewonnenen Erkenntnisse lassen sich verallgemeinern und in Modellen abbilden. Somit wird aus Erfahrungen künstliches Wissen generiert. Im Anschluss können die Modelle auf und unbekannte Daten angewendet werden.
Deep Learning ist wiederrum ein Teilbereich von Machine Learning. Konkret handelt es sich um besonders tiefe, neuronale Netze, die die Lernprozesse im menschlichen Gehirn nachbilden. Die über Schichten verbundenen, künstlichen Neuronen werden so lange mit vorhandenen Daten „trainiert“, bis sie die gewünschte Aufgabenstellung bewältigen können – und vor allem: sich eigenständig optimieren. Auf die Weise kann KI Sprache erlernen, Objekte auf Fotos erkennen oder fundierte Prognosen treffen.

Ist KI auch was für „normale“ Unternehmen?
Auf jeden Fall! Künstliche Intelligenz ist nicht nur IT-Giganten wie Amazon, Google oder Apple vorbehalten. Viele Unternehmen nutzen KI heute schon unbewusst in bestehenden Softwareprodukten, zum Beispiel wenn Folien automatisch aufgehübscht, Routen geplant oder Daten intelligent ausgewertet werden.
Gerade die modernen Cloud-Dienste eröffnen Unternehmen aber auch die Möglichkeit, verhältnismäßig kostengünstig KI-Lösungen für die eigenen geschäftlichen Herausforderungen zu entwickeln. So lassen sich Absatzmengen vorhersagen, Kundenabwanderungen verhindern oder Qualitätsproblemen in der Produktion erkennen. Mit Hilfe von Diensten wie Azure Machine Learning können auch anspruchsvollere Anwendungsfälle aus den Bereichen Personen-, Bild- oder Spracherkennung umgesetzt werden.

Wird KI durch die DSGVO der Boden entzogen?
Keine Frage: Die DSGVO fordert von Unternehmen eine größere Sorgfalt beim Umgang mit personenbezogenen Daten. Und das betrifft natürlich auch den Einsatz künstlicher Intelligenz. So dürfen personenbezogene Daten ohne explizite Zustimmung der Betroffenen nur dann verwendet werden, wenn kein Rückschluss auf einen realen Menschen möglich ist. Dass dies kein Hindernis für eine funktionierende KI sein muss, zeigt das Beispiel der Berliner Polizei: Die Verantwortlichen können allein auf Basis von anonymisierten und aggregierten Daten erfolgreich Wohnungseinbrüche vorhersagen.
Nicht zu vergessen: Es gibt jede Menge Daten ganz ohne Personenbezug, die für KI genutzt werden können. Man denke nur an all die Maschinen- und Sensordaten, die der Industrie für Prozessverbesserungen oder vorausschauende Wartungstätigkeiten – also „Predictive Maintenance“ – dienen können. Die DSGVO ist also definitiv kein der Sargnagel für KI.
Ist KI ein Prozess oder ein käufliches Produkt?
Für mich ist KI definitiv ein Prozess! Vermeintliche KI-Produkte – wie die Programmiersprache „R“ oder „Azure Machine Learning Services“ – sind immer nur Werkzeugkästen, mit deren Hilfe Unternehmen künstliche Intelligenzen bzw. entsprechende Modelle aufbauen können. Um diese Werkzeuge nutzbar zu machen, bedarf es eines entsprechenden Prozesses, wie er zum Beispiel im CRISP-Modell beschrieben wird. Dieser Prozess reicht von der Ideengenerierung über die Datenaufbereitung bis hin zur Analyse und Bewertung eines Data-Science-Projektes.
Die Ergebnisse eines solchen Data-Sciences-Projektes können anschließend in die unternehmenseigenen Prozesse eingebettet werden. Natürlich gibt es auch Softwarehersteller, die ihre Produkte um KI-Funktionen anreichern. Ein Beispiel sind CRM-Systeme, die dem Anwender auf Basis historischer Daten konkrete Vorschläge zur Kundenansprache machen. Ob diese Funktionen tatsächlich zu den Prozessen des Unternehmens passen, bleibt offen. Aber prinzipiell kann man natürlich argumentieren, dass in solchen Fällen KI käuflich ist.
Was verbirgt sich hinter Automated Machine Learning?
Hierunter verstehen wir Softwarelösungen, die weitestgehend selbständig Daten analysieren und Machine-Learning-Modelle trainieren. Die Software testet automatisch unterschiedliche Algorithmen auf den bereitstehenden Daten und wählt den besten für die jeweilige Aufgabenstellung aus. Darüber hinaus werden die Daten teilweise auch aufbereitet und mit neuen Attributen versehen. Mittlerweile arbeiten diverse Anbieter an entsprechenden Lösungen, wie etwa Microsoft, Google, Amazon oder verschiedene Open-Source-Communities.
Bei allgemeinen Problemstellungen funktioniert automatisches Machine Learning und Deep Learning schon erstaunlich gut. Gleichwohl steht die Entwicklung noch am Anfang. Vor allem das automatische Erkennen von fachlichen Zusammenhängen und das Generieren neuer Features (Feature Engineering) lassen sich nur schwer automatisieren.

Was hat KI mit R und Python zu tun?
Python und R sind freie Programmier- bzw. Skriptsprachen, die diverse Bibliotheken für Statistik, Machine Learning und Deep Learning mitbringen. Hinter beiden steht eine riesige Community, die stetig neue Algorithmen verfügbar macht oder Frameworks wie Keras anbindet. Hinzu kommt, dass beide Sprachen Open Source sind und somit von jedem kostenlos verwendet werden können. Natürlich bieten auch anderen Programmiersprachen Bibliotheken oder Software Development Kits für Data-Science-Projekte. Allerdings haben gerade die Open-Source-Projekte in den vergangenen Jahren die größte Dynamik entwickelt.
Kommentare (0)