Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik und ermöglicht Maschinen autonom Probleme zu lösen und Entscheidungen zu treffen. Schon heute wird KI in vielen Anwendungen eingesetzt, um Prozesse zu verbessern und Entscheidungen zu automatisieren. Wir zeigen Ihnen die Grundlagen von Künstlicher Intelligenz.
In diesem Artikel gehen wir auf die Grundlagen von Künstlicher Intelligenz ein und erklären an einfachen Beispielen was KI ist, welche Arten es gibt und welche Anwendungsfälle es für Künstliche Intelligenz gibt.
- Was ist Künstliche Intelligenz?
- Welche Arten von Künstlicher Intelligenz gibt es?
- Wie ist Künstliche Intelligenz entstanden?
- Wie lernen Maschinen?
- Wo wird Künstliche Intelligenz heute angewendet?
- Was bringt uns Künstliche Intelligenz für die Zukunft?
Was ist Künstliche Intelligenz (KI)?
Künstliche Intelligenz (engl. Artificial Intelligence) ist ein Teilgebiet der Informatik mit dem Ziel, Maschinen so zu programmieren, dass sie autonom Probleme lösen und Entscheidungen treffen können. Die Aufgaben, die durch künstliche Intelligenz beherrscht werden sollen, sind vielfältig und reichen von Sprachverständnis und -Verarbeitung über Bilderkennung, Handlungsempfehlungen in Medizin und Wirtschaft bis hin zur Beherrschung von Schach oder der Steuerung von Robotern, wie z.B. beim autonomen Fahren.
Welche Arten von Künstlicher Intelligenz gibt es?
Es gibt zwei Ansätze, was unter einer künstlichen Intelligenz verstanden werden kann: eine starke KI oder eine schwache KI. Was ist der Unterschied?
- Mit starker KI ist eine Maschine gemeint, die das komplette menschliche Denken automatisiert und als genereller Problemlöser fungieren kann. Solch ein „Skynet“ ist zwar eine beliebte Vorstellung in Science-Fiction und Populärkultur, scheint aber auf absehbare Zeit nicht realistisch zu sein.
- Schwache KI dagegen existiert und hat bereits beeindruckende Leistungen erbracht. Damit sind Maschinen oder Programme gemeint, die für klar eingegrenzte Aufgaben entwickelt und eingesetzt werden. Ein bekanntes Beispiel ist Amazons Alexa.
Unterscheidung zwischen symbolischer und statistikbasierter künstlicher Intelligenz
Wir wollen heute also über die heute schon existierende schwache KI sprechen. Die wichtigere Unterscheidung für uns ist die zwischen symbolischer KI und statistikbasierten Ansätzen.
- Der klassische Ansatz in der KI war der symbolische, bei dem der Computer das Problem vollständig abbildet und die Antwort aus direkten Regeln ableitet. Der schachspielende Computer Deep Blue von IBM, der im Jahr 1997 den amtierenden Weltmeister Garry Kasparow besiegte, ist ein Beispiel für diesen symbolischen Ansatz.
- Die beeindruckenden Fortschritte der letzten 20 Jahre wurden allerdings mit statistikbasierten Ansätzen gemacht. Anstelle eines fixen Zusammenhangs zwischen Eingabe und Antwort werden hier statistische Modelle verwendet. Beispiele für solche Ansätze sind Hidden Markov Models, Entscheidungsbaumverfahren oder künstliche Neuronale Netzwerke. Ein entscheidender Faktor hierbei ist der Aufstieg von Big Data – der Verfügbarkeit riesiger Datenmengen und den Technologien zu ihrer Verarbeitung. Mit der Methode des Machine Learning können solche großen Datenmengen genutzt werden, um in einer Lernphase das optimale Modell für die gegebende Aufgabe zu finden. Dieses Modell kann dann in der „echten Welt“ angewendet werden.
Um die beiden Ansätze miteinander zu vergleichen, vergleichen wir Deep Blue mit einem neueren Meilenstein: der Go-spielenden künstlichen Intelligenz AlphaGo von Google, die im Jahr 2015 zum ersten Mal einen der weltbesten Go-Spieler besiegen konnte:
| Vergleich | Deep Blue | AlphaGo |
|---|---|---|
| Spiel | Schach | Go |
| Mögliche Konfigurationen | Ca. 10^120 | Ca. 10^174 (Trillionen von Trillionen mal mehr als Schach, mehr als Anzahl der Atome im Universum) |
| Ansatz | Brute Force: Suche durch große Zahl möglicher Züge. Evaluierung des jeweiligen Positionswerts durch „handgeschriebene“ Logik, unterstützt durch Datenbank mit tausenden Aufzeichnungen von Großmeister-Partien. | Deep Learning auf mehreren Ebenen: Zwei neuronale Netzwerke, „Policy“ und „Value“. „Policy“ lernt, den nächsten Zug vorherzusagen. Training erst durch Nachahmung menschlicher Spielzüge, dann durch Spiele gegen sich selbst (Reinforcement Learning). „Value“ lernt, den mit der Siegwahrscheinlichkeit den Positionswert jedes Zugs zu bestimmen, ebenfalls durch Reinforcement Learning. |
| Anwendbarkeit | Spezialisiert auf Schach | Theoretisch anwendbar auf viele Probleme |
Für eine genauere Erklärung, was Machine Learning ist und wie es funktioniert, lest doch unseren Blogartikel dazu.
Einer der wichtigsten Algorithmen für maschinelles Lernen ist der Ansatz künstlicher Neuronaler Netzwerke. Ihr Grundaufbau wurde durch das menschliche Gehirn inspiriert: Sie bestehen aus miteinander verbundenen Schichten virtueller Neuronen.
Man spricht von tiefen Neuronalen Netzen, wenn eine besonders hohe Zahl an Schichten besteht. Je tiefer das Netz ist, desto komplexer sind entsprechend auch die Berechnungen. Machine Learning mithilfe tiefer neuronaler Netzwerke („Deep Learning“) steht im Zentrum der aktuellen Spitzenforschung für KI und Machine Learning.
Wie ist Künstliche Intelligenz entstanden?
Die Idee, die menschliche Intelligenz durch mechanische Prozesse nachzubilden, beschäftigt die Menschen schon seit der Antike. Mit der Entwicklung der digitalen Computer und den grundlegenden Ergebnissen von Alan Turing zur digitalen Darstellbarkeit sämtlicher berechenbarer Probleme rückte sie in den Bereich der ernsthaften Forschung.
- 1956: Bei der Dartmouth-Konferenz im Jahr 1956 wird das Feld begründet und der Begriff „künstliche Intelligenz“ als Name etabliert.
- 1956-1974: Fokus der Forschung auf die symbolische KI, die Probleme logischer Art löst. Allerdings konnten der Nutzen dieser Systeme schlecht auf Probleme der echten Welt angewendet werden.
- 1974-1980: Als Folge ein erster „KI-Winter“ mit nachlassendem Interesse und Forschungsgeldern.
- 1980-1987: Wiederaufschwung, hauptsächlich getragen durch sogenannte „Expertensysteme“, die in spezifischen Bereichen Fachwissen logisch strukturieren und Antworten oder Empfehlungen wiedergeben.
- 1987-1993: Deren offenkundig werdenden Beschränkungen führten dann zu einem zweiten „KI-Winter“.
- 1993-2011: Seit den frühen 90er Jahren macht das Feld des Machine Learning, zu dieser Zeit teilweise als separates Feld betrachtet, rasante Fortschritte.
- 2011-heute: Die Verfügbarkeit immer größerer Datenmengen in Zeiten der Digitalisierung und Vernetzung sorgt dafür, dass der statistische Ansatz des maschinellen Lernens sich in sämtlichen Anwendungsbereichen als geeignet erweist. Insbesondere das Feld der künstlichen neuronalen Netze (Deep Learning) macht entscheidende Fortschritte in klassisch komplexen Probleme wie der Verarbeitung von Bildern und Sprache. KI-Anwendungen halten in immer größeren Bereichen von Wirtschaft und dem täglichen Leben Einzug.
Wie lernen Maschinen?
Die Idee des maschinellen Lernens basiert auf dem Grundverständnis des menschlichen Lernprozesses. Genau wie das Wissen und die Fähigkeiten von Menschen mit wachsender Erfahrung zunehmen, verbessern sich auch hier die Modelle mit wachsender Datenmenge.
Ein Machine Learning Modell ist zunächst eine kalibrierbare Methode, aus Eingabewerten eine Ausgabe zu erzeugen. In einer Trainingsphase wird dem Modell eine Menge an Beispieldatensätzen zu Verfügung gestellt, sowie eine Funktion, die die „Güte“ der Ausgaben bewertet. Das Training besteht nun darin, das Modell so zu kalibrieren, dass die Ausgaben für die Trainingsdaten optimal sind. Dabei lassen sich drei grobe Ansätze unterscheiden:
- Überwachtes Lernen: Beim Supervised Learning wird das Trainingsdatenset zusammen mit den korrekten Ausgaben zur Verfügung gestellt. Das optimale Modell erzeugt Ausgaben, die möglichst nah an den korrekten Antworten sind. Beispiele sind Klassifikations- und Regressionaufgaben oder das Labeling von Bildern.
- Unüberwachtes Lernen: Beim Unsupervised Learning gibt es keine „korrekten Antworten“, das Modell soll selbst versteckte Strukturen entdecken. Ein Beispiel hier ist die Identifikation von Clustern in Daten. Ein optimales Modell erzeugt möglichst klar abgegrenzte Cluster.
- Reinforcement Learning: bei verstärkendem Lernen lernen Software-Agenten Verhaltensstrategien innerhalb einer Umgebung. Die optimale Strategie maximiert eine „Belohnung“, die aus der Interaktion mit der Umgebung folgt. Ein wichtiges Beispiel hier ist das autonome Fahren.
Das optimierte Modell wird nun nicht mehr verändert und kann auch für neue Daten Antworten und Beurteilungen mit einer Präzision und Geschwindigkeit liefern, die ein Mensch nicht leisten könnte. Wenn alles gut geht, bewähren sich die im Training gelernten Lektionen auch in der „echten Welt“.
Um das sicherzustellen, ist eine gute Praxis nach dem Training eine Test- oder Validierungsphase. Hier wird das trainierte Modell auf neue, zuvor unbekannte Daten angewandt und die Qualität der Ausgaben überprüft. Eine gute Qualität ist ein Indikator für eine gute Fähigkeit, das im Training Gelernte auf die echte Welt zu übertragen.
Wo wird Künstliche Intelligenz heute angewendet?
Künstliche Intelligenz begegnet uns heute in verschiedensten Anwendungen und mit unterschiedlichen zugrundeliegenden Systemen:
- Virtuelle Assistenten: Sprachgesteuerte Agenten wie Amazons Alexa, Apples Siri und Google Assistant vereinfachen die Benutzung von mobilen Geräten und mittlerweile auch Smart Homes. Dahinter stehen Natural Language Processing-Systeme, die menschliche Sprache verstehen und verarbeiten.
- Suchmaschinen (sprich Google) erlauben es, in gigantischen Mengen an Dokumenten in kürzester Zeit die relevantesten Ergebnisse zu finden.
- Chatbots kombinieren ebenfalls NLP und Spracherzeugung und können bis zu 80% der Routineaufgaben von Kundenserviceabteilungen übernehmen.
- Empfehlungssysteme erlauben z.B. Youtube, Netflix und Amazon, Nutzern aus einer Vielzahl von Angeboten diejenigen zu empfehlen, die am besten zu ihren persönlichen Vorlieben passen.
- KI im CRM: Neben den eben erwähnten Empfehlungssysteme unterstützt künstliche Intelligenz Marketing- und CRM-Abteilungen auf vielfältige Weise, beispielsweise durch die automatisierte Verteilung von Marketing-Budgets anhand von prognostizierten Kundenwerten und Produktaffinitäten.
- Gesichtserkennung ist eine klassische Aufgabe der Bildverarbeitung und hilft z.B. bei der Markierung von Personen auf sozialen Netzwerken, aber auch bei der automatischen Fokussierung digitaler Kameras.
- Betrungserkennung: Finanzdienstleister, Banken und viele andere Unternehmen nutzen künstliche Intelligenz zur Betrugserkennung.
- Deepfake: Eine vielleicht beunruhigende KI-Anwendung sind die sogenannten Deepfakes, bei denen die Gesichter bekannter Personen in Videos auf die Körper anderer Personen übertragen werden – mit immer realistischeren Ergebnissen.
- KI im E-Commerce: Künstliche Intelligenz errechnet die nächste Produktempfehlung, um Umsätze zu steigern und Kunden länger zu binden. Ein bekanntes Beispiel ist das Empfehlungssystem von Amazon.
- Selbstfahrende Autos: Der Traum vom selbstfahrenden Auto scheint in greifbarer Nähe – doch selbst Vorreiter wie Tesla befinden sich auch heute noch in der Testphase. Was schon jetzt verfügbar ist, sind Assistenten für Aufgaben wie das Einparken, Einhalten des Sicherheitsabstands oder der Fahrspur.
- Kassenlose Supermärkte wie Amazon Go versprechen höhere Effizienz und ein einfacheres Kundenerlebnis, bleiben aber bisher ein Nischenphänomen.
An viele dieser Anwendung haben wir uns so gewöhnt, dass sie uns gar nicht mehr als künstliche Intelligenz vorkommen, der typische AI-Effekt.
Was bringt uns Künstliche Intelligenz für die Zukunft?
Eine starke KI, fühlend und in der Lage, sämtliche Aufgaben eines Menschen wahrzunehmen, steht noch in ferner Zukunft. Aber jedes Jahr werden neue Wege entdeckt, auf denen uns spezialisierte Algorithmen bei Aufgaben in Forschung, Wirtschaft und im täglichen Leben unterstützen oder uns die Aufgaben sogar abnehmen können. Zunehmende Rechenleistung, Vernetzung und verfügbare Datenmengen befeuern diesen Prozess.
Oftmals wird befürchtet, dass durch Künstliche Intelligenz Arbeitsplätze verloren gehen. Doch durch den vermehrten Einsatz von KI werden gleichermaßen auch neue Berufszweige und damit neue Arbeitsplätze geschaffen. Neue Kompetenzen werden verlangt, Data Scientists und Machine Learning Engineers sind Beispiele dieser neuen Berufe, die immer wichtiger werden.
Fazit: Künstliche Intelligenz
Der Treibstoff Künstlicher Intelligenz sind Daten. Je mehr Daten verfügbar sind, desto genauer lassen sich Künstliche Intelligenzen entwickeln und somit auch die Einsatzmöglichkeiten weiter ausschöpfen.
Die Künstliche Intelligenz ist eine der bedeutendsten Zukunftstechnologien der heutigen Zeit. Viele Anwendungen bieten noch Verbesserungspotential, gleichzeitig konnte KI aber auch schon viele Errungenschaften in den unterschiedlichsten Bereichen erzielen. In den nächsten Jahren wird die Automatisierung und Optimierung von Prozessen durch Künstliche Intelligenz noch weiter gefördert und verbessert. Damit werden für Unternehmen, aber auch für die Nutzer weitere Mehrwerte verfügbar gemacht.
