Wenn Sie zehn verschiedene KI-Experten fragen, was genau KI ist, werden Sie wahrscheinlich zehn verschiedene Antworten erhalten. Aber in einer Sache sind sie sich alle einig: Bei künstlicher Intelligenz geht es darum, ein System oder Produkt zu schaffen, das einen gewissen Grad an Intelligenz aufweist. Das wirft dann eine weitere (fast philosophische) Frage auf: Was ist Intelligenz? Ist dann jedes „intelligente“ System KI? Wo ist die Grenze? Um die Frage „Was ist Künstliche Intelligenz?“ zu beantworten, werden wir kurz durch verschiedene Teilbereiche der Künstlichen Intelligenz gehen, mit Beispielen von Anwendungen, die KI in der Praxis nutzen.
Künstliche Intelligenz ist ein Sammelbegriff für verschiedene Techniken und Algorithmen, die versuchen, ein Problem auf intelligente Art und Weise zu lösen. Wir unterscheiden generell zwischen vier Kategorien:
- Maschinelles Lernen: bei dem selbstlernende Systeme auf Basis meist großer Datenmengen nach Zusammenhängen und Beziehungen suchen, um Daten vorherzusagen, zu klassifizieren oder zu strukturieren; in der Praxis wird dies zur Sprach- oder Bilderkennung, zur Generierung neuer „nicht vorhandener“ Daten, zur Vorhersage, wann ein Produkt oder eine Dienstleistung gewartet werden muss (Predictive Maintenance), und vieles mehr eingesetzt. Deep Learning fällt unter diese Kategorie.
- (Fuzzy-)Logik: Schlussfolgerungen aus Ihren Daten auf der Basis von Informationen und der Anwendung von Regeln; in der Praxis wird dies oft in stark regelgebundenen Expertensystemen eingesetzt.
- Natural Language Processing: automatische Erkennung, Sentiment-Analyse (ist es eine positive Geschichte? Negativ? Schürt es Hass? etc.), Übersetzung oder Klassifizierung von Sprache; hat einige Überschneidungen mit Machine Learning in Bezug auf die Technologie.
- Robotik: Design und Programmierung von selbstgesteuerten Robotern; nutzt auch Machine Learning für Bilderkennung und Navigation.
Abbildung 1. Die Positionierung von Deep Learning innerhalb des KI-Bereichs.
Die größten und innovativsten Entwicklungen finden mittels Deep Learning statt, das eine Teilmenge des maschinellen Lernens ist, das wiederum Teil der Künstlichen Intelligenz ist: siehe Abbildung 1. Auch in den Medien wird KI schnell als Totum pro parte verwendet – wenn Deep Learning gemeint ist, wird KI eingesetzt.
Sie werden wahrscheinlich feststellen, dass von diesen vier Kategorien eine die Medien dominiert: Machine Learning. Diese immense Popularität ist zum Teil auf die Fülle von mehr und billigerer Prozessorleistung, große Datenmengen und hochkarätige Entwicklungen in Bereichen wie autonome Fahrzeuge, Deep Learning und Generative AI – die Technologie hinter Deep Fakes – zurückzuführen.
Doch es gibt auch Kritik an dieser meist konnektionistischen Sicht auf KI: Viele haben Angst vor der Blackbox, in die Daten hineingehen und eine Antwort herauskommt, während selbst für Domänenexperten nicht immer klar ist, was genau im Modell vor sich geht – mit manchmal katastrophalen Ergebnissen.
Als Gegengewicht zu diesen Black-Box-Systemen hat sich in den letzten Jahren das Konzept der „Explainable AI“ durchgesetzt. Nach dem Prinzip der Explainable AI (XAI) müssen die Schritte, die ein System unternimmt, um eine Entscheidung oder Vorhersage zu treffen, für Menschen verständlich sein. Im Gegensatz zur Blackbox können Sie zeigen, wo im Prozess von Entscheidungen mit hoher Auswirkung oder hohem Risiko (z. B. die falsche Bestimmung, ob verschmutzte Luft sicher zum Atmen ist) der Fehler liegt (Rudin, 2019).
Es ist natürlich sehr interessant, sich mit den hochkarätigen und großen KI-Entwicklungen zu beschäftigen, aber auch in kleinerem Maßstab kann KI eine wertvolle Ergänzung für ein Unternehmen oder eine Organisation sein. Im nächsten Abschnitt werden wir kurz darauf eingehen, welche Möglichkeiten KI als Feld für eine Vielzahl von Organisationen und Unternehmen bieten kann.
