Künstliche Intelligenz
〈in übertragener Bedeutung:〉 (EDV) künstliche Intelligenz (Fähigkeit bestimmter Computerprogramme, menschliche Intelligenz nachzuahmen); Abkürzung: KI [2]
Die KI, einfach erklärt, ist der Versuch, menschliches Lernen und Denken auf den Computer zu übertragen und ihm damit Intelligenz zu verleihen. Statt für jeden Zweck programmiert zu werden, kann eine KI eigenständig Antworten finden und selbstständig Probleme lösen.
Künstliche Intelligenzen wie diese sind sehr gut darin, so genannte unstrukturierte Daten zu erfassen. Das sind zum Beispiel Bilder, Videos oder Tonaufnahmen – Daten, die nicht einfach durchsucht werden können, weil sie keine einheitliche Form haben im Gegensatz zum Beispiel zu einer Tabelle, die aus Sensormessdaten generiert wird. Zwar kann ein herkömmlicher Suchalgorithmus (wie etwa, wenn Sie STRG+F auf dieser Webseite eingeben) den Titel eines Bildes finden (ein strukturiertes Datum) aber nicht, ob Susie Mustermann auf dem Bild abgebildet ist – diese Information steht nirgendwo, sie ist Teil des Bildinhalts. Eine KI kann das.
Ziel der KI-Forschung ist es seit jeher, die Funktion unseres Gehirns und unseres Geists einerseits zu verstehen und andererseits künstlich nachbauen zu können.
Die KI ist kein genereller Problemlöser – noch nicht. Sie kann zwar Daten ungeheuer gut verarbeiten und Muster erkennen, aber verstehen kann sie sie nicht. Die künstliche Intelligenz besitzt kein „common sense“ – keinen gesunden Menschenverstand. Wenn sie, aufgrund von unzureichenden Daten oder schlechter Programmierung, zu falschen Schlüssen kommt, erkennt sie dies nicht (siehe Abschnitt „Künstliche Intelligenz und der Mensch“). Sie kann nur Antworten auf die spezifischen Fragen geben, für die sie programmiert wurde. [3]
Künstliche Intelligenz ist der Überbegriff für Anwendungen, bei denen Maschinen menschenähnliche Intelligenzleistungen erbringen. Darunter fallen das maschinelle Lernen oder Machine Learning, das Verarbeiten natürlicher Sprache (NLP – Natural Language Processing) und Deep Learning. Die Grundidee besteht darin, durch Maschinen eine Annäherung an wichtige Funktionen des menschlichen Gehirns zu schaffen – Lernen, Urteilen und Problemlösen.
Diese Art des Lernens ermöglicht unter anderem das sogenannte Natural Language Processing (NLP). Dabei geht es um die Verarbeitung von Texten und natürlicher menschlicher Sprache, die unter anderem bei dem Sprachdienst Alexa von Amazon zur Anwendung kommt. Als vielversprechendste Methode des Machine Learning wird aktuell Deep Learning (DL) gesehen, das sehr tiefe neuronale Netze mit mehreren Ebenen und einem großen Datenvolumen nutzt.
Im Gegensatz zu NLP geht der Algorithmus beim DL tiefer: Die Maschine erkennt Strukturen, kann diese evaluieren und sich in mehreren vorwärts wie rückwärts gerichteten Durchläufen selbständig verbessern. Dabei verwendet der Algorithmus mehrere Knotenebenen (Neuronen) parallel, um fundierte Entscheidungen zu treffen. Beispielsweise findet die Medizin mit Deep Learning Unterstützung bei der Früherkennung von Krebs oder Herzkrankheiten und kann DNA-Profile von Kindern nach Genmarkern untersuchen, die auf Typ 1 Diabetes hinweisen. In der Forschung wird Deep Learning unter anderem eingesetzt, um tausende Zellprofile und deren aktive Gene auszuwerten oder Teilchenschauer, die entstehen, wenn in einem Teilchenbeschleuniger Protonenstrahlen aufeinanderprallen. Da diese Art des Lernens komplexe, nicht lineare Probleme löst, kommt sie etwa auch bei selbstfahrenden Fahrzeugen zum Einsatz, um unübersichtliche Verkehrsszenen richtig zu interpretieren: Fußgänger, Radfahrer, Wetter, Verkehrszeichen oder Bäume – das Verhalten der Verkehrsteilnehmer muss unter Berücksichtigung aller möglichen Einflussfaktoren richtig erkannt und vorhergesagt werden.
Seit in den 1950er Jahren das Potenzial der Computer deutlich wurde, entwickelte sich auch die KI zu einem Thema, das Phantasien weckte. 1970 erklärte Marvin Minsky, der „Vater der KI“, dass Maschinen in wenigen Jahren Shakespeare lesen würden. Aber nichts dergleichen passierte. [4]
Dann feierten Computer Erfolg nach Erfolg: Zuerst durch pure Rechenleistung. 1997 schlug ein Computer den damaligen Schachweltmeister Kasparov in einem Turnier und 2011 gewann ein Computer die Quizshow „Jeopardy“. Doch über die pure Rechenleistung hinaus wuchsen die Computer erst, als eine Software den Go-Ausnahmespieler Lee Sedol überraschenderweise mit vier zu eins besiegte. Denn das asiatische Strategiespiel Go ist viel komplexer als Schach oder Jeopardy, bei dem der Computer im Grunde nur Fragen verstehen und Antworten in einer Datenbank suchen muss. Die Go-Partien hat der Computer gewonnen, weil er weit mehr als ein schneller Rechner ist – die Software lernt dazu. Eine stärkere Version lernte später das Spiel sogar von Grund auf selbst und gewann gegen seine Vorgänger. [4]
In welchen Bereichen kann KI eingesetzt werden?
KI ist für alle Branchen interessant, in denen großen Datenmengen anfallen. Beispielsweise für die produzierenden Unternehmen, bei denen Lieferanten, Sensoren in den Maschinen und das ERP-System viele Daten liefern können. Selbstlernende Algorithmen unterstützen hier die Qualitätskontrolle und liefern Prognosen für die vorausschauende Wartung der Maschinen. So vermeiden Unternehmen Produktionsausfälle und minimieren die Lagerhaltungskosten, um nur einige Beispiele zu nennen.
Auch im Gesundheitswesen bieten sich durch medizinische Bildanalysen oder roboterassistierte Chirurgie nahezu unbegrenzte Möglichkeiten für den Einsatz der KI. In jeder Branche entstehen derzeit Ideen, die oft zu deutlichen Effizienzgewinnen führen, da wiederholbare Aufgaben in Prozessen automatisch ablaufen. Die Menschen erhalten dadurch mehr Zeit für strategisch wichtige und kreative Aufgaben. Aber KI führt auch zu neuen Geschäftsmodellen – zum Beispiel, wenn ein Unternehmen keine Maschinen mehr verkauft, sondern stattdessen deren Leistung. [4]
Künstliche Intelligenz (KI) ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere durch Computersysteme. Zu den spezifischen Anwendungen der KI gehören Expertensysteme, Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), Spracherkennung und maschinelles Sehen (Machine Vision).
Mit dem zunehmenden Hype um KI haben sich die Anbieter darum bemüht, die Nutzung von KI in ihren Produkten und Dienstleistungen zu bewerben. Oft ist das, was sie als KI bezeichnen, nur eine Komponente der künstlichen Intelligenz, wie zum Beispiel maschinelles Lernen (Machine Learning). KI erfordert eine Grundlage aus spezialisierter Hardware und Software zum Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Es gibt keine Programmiersprache, die gleichbedeutend mit KI ist, aber einige, darunter Python, R und Java, sind sehr beliebt.
Im Allgemeinen funktionieren KI-Systeme, indem sie große Mengen gelabelter Trainingsdaten aufnehmen, die Daten auf Korrelationen und Muster analysieren und diese Muster nutzen, um Vorhersagen über zukünftige Zustände zu treffen. Auf diese Weise kann ein Chatbot, der mit Beispielen von Textchats gefüttert wird, lernen, lebensnahe Dialoge mit Menschen zu führen, oder ein Bilderkennungsprogramm kann lernen, Objekte in Bildern zu identifizieren und zu beschreiben, indem es Millionen von Beispielen überprüft.
Die KI-Programmierung konzentriert sich auf drei kognitive Fähigkeiten: Lernen, logisches Denken und Selbstkorrektur. [5]
Lernprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie die Daten in verwertbare Informationen umgewandelt werden können. Die Regeln, die als Algorithmen bezeichnet werden, geben den Computergeräten Schritt-für-Schritt-Anweisungen, wie eine bestimmte Aufgabe zu erledigen ist.
Logikprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Auswahl des richtigen Algorithmus, um ein gewünschtes Ergebnis zu erzielen. [5]
Selbstkorrekturprozesse. Dieser Aspekt der KI-Programmierung dient der kontinuierlichen Feinabstimmung der Algorithmen, um sicherzustellen, dass sie möglichst genaue Ergebnisse liefern.
Die Bedeutung von künstlicher Intelligenz. Künstliche Intelligenz ist wichtig, weil sie Unternehmen Einblicke in ihre Abläufe verschaffen kann, die ihnen zuvor vielleicht nicht bewusst waren, und weil KI in einigen Fällen Aufgaben besser erledigen kann als Menschen. Insbesondere bei sich wiederholenden, detailorientierten Aufgaben wie der Analyse einer großen Anzahl von Rechtsdokumenten, um sicherzustellen, dass die relevanten Felder korrekt ausgefüllt sind, erledigen KI-Tools die Aufgaben oft schnell und mit relativ wenigen Fehlern. [5]
Dies hat zu einer explosionsartigen Steigerung der Effizienz beigetragen und einigen größeren Unternehmen völlig neue Geschäftsmöglichkeiten eröffnet. Vor der aktuellen KI-Welle wäre es schwer vorstellbar gewesen, dass eine Computersoftware Fahrer mit Taxis verbindet, aber heute ist über eines der größten Unternehmen der Welt, da es genau das tut. Uber nutzt ausgeklügelte Algorithmen des maschinellen Lernens, um vorherzusagen, wann Menschen in bestimmten Gebieten wahrscheinlich eine Fahrt benötigen, und kann so proaktiv Fahrer auf die Straße bringen, bevor sie gebraucht werden. Ein weiteres Beispiel: Google hat sich zu einem der größten Anbieter einer Reihe von Online-Diensten entwickelt, indem es maschinelles Lernen einsetzt, um zu verstehen, wie Menschen seine Dienste nutzen, und diese dann verbessert. Im Jahr 2017 verkündete der CEO des Unternehmens, Sundar Pichai, dass Google als ein „AI first“-Unternehmen agieren würde. [5]
Die größten und erfolgreichsten Unternehmen von heute nutzen KI, um ihre Abläufe zu verbessern und sich einen Vorteil gegenüber ihren Konkurrenten zu verschaffen. [5]
Erforschung „intelligenten” Problemlösungsverhaltens sowie die Erstellung „intelligenter” Computersysteme. Künstliche Intelligenz (KI) beschäftigt sich mit Methoden, die es einem Computer ermöglichen, solche Aufgaben zu lösen, die, wenn sie vom Menschen gelöst werden, Intelligenz erfordern. [6]
Dabei wird zwischen Methoden und Anwendungen der Künstlichen Intelligenz (KI) unterschieden; wichtige interdisziplinäre Verbindungen sind durch gestrichelte Linien hervorgehoben.
1. Die bedeutendsten Methodenbereiche der Künstlichen Intelligenz (KI) sind die Wissensrepräsentation sowie das Schließen und Folgern zur Nutzung des repräsentierten Wissens.
2. Bes. Anforderungen an die sprachlichen Ausdrucksmittel bei der Erstellung von Künstliche Intelligenz (KI)-Programmen, v.a. die Notwendigkeit der Symbolverarbeitung, machen spezielle (KI)-Programmiersprachen erforderlich. Diese stellen u.a. bestimmte Wissensrepräsentationsformen zur Verfügung und bieten Möglichkeiten zur Auswertung des Wissens, z.B. durch eingebaute Methoden des Schließens. Ein bekanntes Beispiel ist die Programmiersprache Prolog (logische Programmierung). [6]
3. Mit der Entwicklung „automatischer Beweiser” für mathematische Theoreme beschäftigt sich das Anwendungsgebiet Deduktionssysteme. Darüber hinaus werden Deduktionssysteme auch mit dem Ziel entwickelt, die Abfragemöglichkeiten bei Datenbanksystemen, die auf dem Relationenmodell basieren, zu erweitern, z.B. um rekursive Datenbankabfragen. [6]
4. Eng verbunden mit Deduktionssystemen ist der Bereich der automatischen Programmierung. Auf der Grundlage einer formalen Spezifikation kann die Programmverifikation mithilfe eines Deduktionssystems automatisch durchgeführt werden. Daneben gehören zur automatischen Programmierung auch die automatische Erstellung von ablauffähigen Programmen aus formalen Spezifikationen sowie Korrektheitsbeweise für Hardwarekomponenten (z.B. integrierte Schaltkreise, Hardware). [6]
5. Bei den Methoden zum Verstehen natürlicher Sprache und ihrer Anwendung im Rahmen der Sprachverarbeitung wird auf Ergebnisse der Linguistik zurückgegriffen, z.B. aus der Syntaxtheorie. Die Spracherkennung stellt neben der Sprachanalyse eine wichtige Aufgabe innerhalb dieses Anwendungsgebiets dar. [6]
6. Computervision und Robotics beschäftigen sich u.a. mit der Interpretation von Daten der realen physischen Umwelt. [6]
a) Computervision behandelt die Bereiche Bildverstehen (Grauwertanalyse u.a.), Szenenanalyse (z.B. Erkennen geometrischer Objekte aus Linienzeichnungen) und Gestaltwahrnehmung (Beschreibung der inhaltlichen Bedeutung einer Szene, z.B. durch Aufbau eines semantischen Netzes).
b) Für die Objekterkennung wird auf Computervision in der Robotik zurückgegriffen. In diesem klassischen Anwendungsgebiet spielt die Planung und Kontrolle von Roboteraktionen eine wesentliche Rolle.
7. Im Mittelpunkt der Methodenbereiche Learning und Kognitionsmodelle stehen Besonderheiten menschlicher Intelligenz. [6]
a) Ein wichtiges Ziel des Bereichs Kognitionsmodelle ist die Erstellung von Computerprogrammen, die menschliches Problemlösungsverhalten simulieren.
b) Gegenstand des Learning sind Methoden, die Computerprogramme in die Lage versetzen sollen, nicht nur auf der Basis des bereits vorhandenen, repräsentierten Wissens zu agieren, sondern durch Auswertung von bekannten Problemen und ihren Lösungen das Wissen selbsttätig zu erweitern.
8. Während beim Learning menschliche Lernfähigkeit auf den Computer übertragen werden soll, wird im Rahmen des Anwendungsgebiets ICAI (Intelligent Computer Aided Instruction) versucht, Menschen bei dem Prozess des Lernens zu unterstützen. Dabei wird auf Erkenntnisse der Pädagogik zurückgegriffen. [6]
9. Heuristische Suche ist ein Methodengebiet aus den ersten Anfängen der Künstliche Intelligenz (KI). Ein Problem bei der Entwicklung von Spielprogrammen ist die Suche nach „guten” Spielzügen; wegen der kombinatorischen Vielfalt explodiert die Anzahl möglicher Züge sehr schnell. Mithilfe von Heuristiken werden die Suchräume eingegrenzt, sodass Spielsituationen schneller und besser analysiert werden können. [6]
Vier KI-Typen
Neben der Einteilung in schwache und starke KI lässt sich Künstliche Intelligenz weiter in vier verschiedene Typen unterteilen.
Typ 1: reaktive Maschinen (Reaktive Machines) [7]
Typ 1 ist sozusagen der Ur-Typ schwacher KI. Reaktive Maschinen können eine einzige Aufgabe, für die sie programmiert wurden, erfüllen. [7]
Der IBM Schachcomputer DeepBlue war zum Beispiel eine solche Maschine. Sie gewann 1997 gegen den damals amtierenden Schach-Weltmeister: DeepBlue war in der Lage, alle möglichen Züge abzuwägen und wählte so immer den Zug aus, der am schnellsten zu einem Schachmatt führte – natürlich zu seinen Gunsten.
Auf seinem Gebiet war DeepBlue zwar unschlagbar – in sämtlichen anderen Lebensbereichen aber nutzlos.
Typ 2: begrenzte Speicherkapazität (Limited Memory) [7]
Im Gegensatz zu Reactive Machines sind Limited Memory KI in der Lage, gesammelte Daten vergangener Situationen auf das aktuelle Geschehen anzuwenden und in ihre Entscheidungen einzubeziehen.
Selbstfahrende Autos fallen beispielsweise unter KI des Typ 2. Sie “wissen”, wie sich andere Autos im Straßenverkehr normalerweise verhalten, wie Menschen oder Radfahrer aussehen und sie kennen die Straßenverkehrsregeln.
Neue, bis dahin unbekannte Situationen speichert die Limited Memory KI ab und weiß in der nächsten ähnlichen Situation, wie sie reagieren muss. Typ 2 lernt also aus vergangenen Ereignissen.
KI des Typ 2 sind heute die gängigste Form von KI. Auch er begegnet Ihnen täglich z. B. in Form Ihres persönlichen Smartphone-Assistenten, in der Google-Suche oder Ihrem Instagram-Feed.
Typ 3: Theorie des Geistes (Theory of Mind) [7]
Anders als die vorhergehenden Formen gehören Theory of Mind KI zur starken künstlichen Intelligenz und existieren bisher nur in der Theorie.
KIM (Künstliche Intelligente Maschinen), die den Typ 3 KI erreichen, werden menschliche Emotionen wahrnehmen, verstehen und ihr Verhalten an sie anpassen können. Zudem werden sie ein Gedächtnis haben und ihr Bild von der Welt basierend auf Gelerntem erweitern können.
Diese Art von KI stellt bisher noch eine große Herausforderung für die Wissenschaft dar, weil Emotionen und zwischenmenschliche Interaktionen höchst komplex und technisch schwer nachzubilden sind.
Typ 4: Selbstwahrnehmung (Self Awareness) [7]
Der vierte Typ KI kommt dem menschlichen Bewusstsein am nächsten: Solche KIM werden die Welt vollständig wahrnehmen, sie werden menschliche Emotionen, Absichten und Reaktionen nachvollziehen und danach handeln können.
Self Awareness KI wird zudem den entscheidenden Schritt von “Ich denke” zu “Ich weiß, dass ich denke” gehen und dadurch an die menschliche Intelligenz heranreichen – Vielleicht wird sie sie sogar übersteigen.
Teilbereiche und Methoden
Künstliche Intelligenz lässt sich in verschiedene Teilbereiche aufgliedern. Dazu zählen beispielsweise künstliche neuronale Netze, Deep Learning, Natural Language Processing (NLP), Maschinelles Lernen und Robotic Process Automation.
Machine Learning
Machine Learning (ML) ist einer der wesentlichen Teilbereiche von KI. Der Grundgedanke von ML besteht darin, dass ein Computerprogramm seine Performance in einem bestimmten Bereich durch eigene Erfahrungen (Daten) verbessern können soll. Der entscheidende Vorteil hierbei: Programmierer müssen sich nicht mehr die Finger an den tausenden Zeilen Code wund schreiben, die ohne ML für die ständig neue Programmierung von KMI notwendig wären. Stattdessen sorgen mathematische Algorithmen dafür, dass das Programm neue Daten automatisch verarbeiten und aus ihnen lernen kann. [7]
Machine Learning findet besonders im Marketing von Unternehmen Anwendung und begegnet uns beinahe täglich. Empfehlungssysteme im Online-Versandhandel oder bei Streaming-Anbietern basieren auf der Verarbeitung von Nutzerdaten und wären ohne Maschinelles Lernen nicht denkbar. Auch selbstfahrende Autos oder Social Media Feeds bauen auf den intelligenten Algorithmen auf.
Künstliche neuronale Netze
Künstliche neuronale Netze sind menschengemachte Abstraktionsmodelle des menschlichen Gehirns, die aus künstlichen Neuronen bestehen. Es gibt sogenannte Eingangs- und Ausgangsneuronen, zwischen denen sich mehrere Schichten Zwischenneuronen befinden. Lernt die KIM etwas neues, verknüpfen sich die Eingangsneuronen auf einzigartige Weise über die Zwischen- mit den Ausgangsneuronen. Entscheidungen, die die KI auf Basis von Gelerntem trifft, werden ständig hinterfragt. Bestätigt sich eine Entscheidung, erhöht sich die Gewichtung der Informationsverknüpfung und festigt sich dadurch. Wird sie hingegen revidiert, verringert sich die Gewichtung.
Künstliche neuronale Netze sind Vorgängen des menschlichen Gehirns nachempfunden: Lernen wir eine neue Sprache, beispielsweise italienisch, speichert unser Gehirn die Grammatik, Vokabeln und Satzkonstruktionen in neuronalen Verbindungen ab. Sprechen wir dann regelmäßig italienisch, erweitern und verfestigen sich diese Verknüpfungen in unserem Gehirn. Wir werden immer sicherer, wenn wir italienisch sprechen. Gleichzeitig sind wir in der Lage, zu hinterfragen, ob das italienische Wort für “denken” tatsächlich “conoscenza” ist und die neuronale Verknüpfung gegebenenfalls aufzulösen und zu berichtigen.
Deep Learning
Deep Learning (DL) als Teilbereich des Machine Learning ist eine spezielle Methode der Informationsverarbeitung. Sie basiert auf neuronalen Netzen und Trainingsmethoden, bei denen die Maschinen gr0ße Datenmengen, Big Data, analysieren und nach Mustern suchen. Durch Deep Learning sind KIM in der Lage, Prognosen zu treffen und diese zu hinterfragen. Im Gegensatz zum Machine Learning greift der Mensch beim DL nicht mehr in die Analyse der Daten und den Entscheidungsprozess ein. Er stellt lediglich sicher, dass die Infos für das Lernen bereitstehen. Auf das Ergebnis des Lernprozesses hat der Mensch keinen Einfluss. So lässt sich im Nachhinein beispielsweise auch nicht mehr vollständig zurückverfolgen, auf Basis welcher konkreten Muster eine Maschine eine bestimmte Entscheidung getroffen hat.
Deep Learning findet überall dort Anwendung, wo sich Big Data nach Mustern und Modellen untersuchen lässt. So bildet DL beispielsweise häufig die Grundlage für Gesichts-, Objekt- oder Spracherkennung.
Natural Language Processing
Natürliche Sprache ist sehr individuell und folgt – bis auf den gängigsten grammatikalischen – keinen fest definierten Regeln. Zudem ist natürliche Sprache von aktuellen Begriffen und Ausdrücken geprägt, die kennzeichnend für die Gegenwart sind. Solche Ausdrücke variieren auch je nach intellektuellem, soziokulturellem Hintergrund des Sprechers und unterliegen einem ständigen Wandel.
All diese Faktoren erschweren die Entwicklung eines authentischen computerbasierten Sprachprogramms.
Natural Language Processing (NLP) heißt der Ansatz, mit dem Forscher versuchen, natürliche Sprache zu erfassen und mithilfe von Algorithmen computerbasiert zu verarbeiten. NLP vereint dazu verschiedene Erkenntnisse aus der Sprachwissenschaft mit moderner Informatik und KI.
So soll eine weitreichende Kommunikation zwischen Mensch und Computer möglich werden, damit sich Anwendungen per Sprache steuern und bedienen lassen.
Um natürliche Sprache zu erfassen, sind KIM notwendig, die große Datenmengen analysieren, auf Muster untersuchen und bereits erkannte Muster für die Sinnanalyse heranziehen.
Knowledge Representation
Knowledge Representation (“Wissensrepräsentation”) beschäftigt sich mit der Darstellung von Wissen in einem Computer. Was KR genau ist, lässt sich am besten an den drei Rollen erklären, die der Bereich u. a. übernimmt.
KR soll eine Künstliche Intelligente Maschinen befähigen, Konsequenzen einer Tätigkeit zu ermitteln, indem sie darüber nachdenkt und nicht, indem sie sie tatsächlich ausführt. Das bedeutet beispielsweise, dass KR-Systeme ein Glas nicht fallen lassen müssen, um herauszufinden, dass es zerspringen wird. Stattdessen reicht es der KIM, über die Konsequenzen nachzudenken, damit sie das Glas nicht fallen lässt.
Durch KR können Systeme die Frage “Auf welche Weise sollte ich über die Welt nachdenken?” beantworten.
Knowledge Representation erlaubt KIM logisch zu denken, Schlussfolgerungen und Argumentationen zu entwickeln. [7]
KI automatisiert das Lernen durch Wiederholung und die Discovery anhand von Daten. KI unterscheidet sich jedoch von der hardwarebasierten Automatisierung mittels Robotik. KI dient nicht der Automatisierung manueller Tätigkeiten, vielmehr führt sie häufig und mit großen Datenmengen anfallende, computergesteuerte Aufgaben zuverlässig und ohne Ermüdung aus. Dennoch bleibt für diese Art der Automatisierung menschliche Intelligenz - etwa für die Einrichtung des Systems und die Ermittlung der richtigen Fragestellungen - unverzichtbar.
KI macht bestehende Produkte intelligenter. In den wenigsten Fällen wird es eine eigenständige KI-Anwendung zu kaufen geben. Stattdessen werden Produkte, die Sie bereits nutzen, um KI-Fähigkeiten erweitert, so wie etwa eine neue Generation von Apple-Produkten mit Siri ausgestattet wurde. Automatisierung, Gesprächsplattformen, Bots und intelligente Maschinen können in Kombination mit großen Datenmengen viele Technologien zu Hause und am Arbeitsplatz verbessern, von Security Intelligence bis hin zu Anlageanalysen. [8]
KI ist dank progressiver Lernalgorithmen wandlungsfähig, sodass die Programmierung letztlich durch die Daten erfolgen kann. KI findet Strukturen und Regelmäßigkeiten in Daten. Dadurch erwirbt der Algorithmus eine Fähigkeit und wird zum Klassifizierer oder Prädikator. So wie sich der Algorithmus das Schachspiel beibringen kann, kann er sich auch beibringen, welches Produkt als Nächstes online angeboten werden sollte. Und das Modell verändert sich, sobald neue Daten eingehen. Ein KI-Verfahren, das dies ermöglicht, ist die Backpropagation. Wenn die ursprüngliche Antwort des Modells unzureichend ist, wird es erneut trainiert und mit neuen Daten versorgt. [8]
KI ermöglicht die Analyse größerer Datenmengen in größerer Tiefe, und zwar mithilfe neuronaler Netze, die unter Umständen viele verborgene Schichten aufweisen. Noch vor wenigen Jahren wäre es fast unmöglich gewesen, ein Betrugserkennungssystem mit fünf verborgenen Schichten aufzubauen. Dank enorm hoher Rechenleistung und dank Big Data sieht das heute ganz anders aus. Für das Training von Deep-Learning-Modellen werden große Datenmengen benötigt, denn die Modelle lernen anhand von Daten. Je mehr Daten Sie für solche Modelle bereitstellen, desto präziser werden sie. [8]
KI erzielt höchste Genauigkeit dank tiefer neuronaler Netze – das war bisher fast unmöglich. So basieren zum Beispiel alle Ihre Interaktionen mit Alexa, Google-Suche und Google Fotos auf Deep Learning – und je mehr wir diese Funktionen nutzen, desto genauer werden sie. In der Medizin erzielen KI-Verfahren aus den Bereichen Deep Learning, Bildklassifikation und Objekterkennung bei der Krebsdiagnose in MRI-Bildern dieselbe Genauigkeit wie gut ausgebildete Radiologen. [8]
KI erschließt das volle Potenzial von Daten. Bei selbstlernenden Algorithmen werden die Daten selbst unter Umständen geistiges Eigentum. Die Antworten stecken in den Daten. KI hilft Ihnen sie zu finden. Da Daten heute eine größere Rolle spielen als je zuvor können sie Unternehmen einen Wettbewerbsvorteil verschaffen. In einer von starkem Wettbewerb geprägten Branche gewinnen die Unternehmen mit den besten Daten; selbst dann, wenn alle ähnliche Verfahren nutzen. [8]
⠀ Deklination des Substantivs. – Ressource: https://www.verbformen.de/deklination/substantive/?w=Intelligenz
⠀ Intelligenz. DUDEN Wörterbuch. – Ressource: https://www.duden.de/rechtschreibung/Intelligenz
⠀ Was ist künstliche Intelligenz? – Ressource: https://www.wfb-bremen.de/de/page/stories/digitalisierung-industrie40/was-ist-kuenstliche-intelligenz-definition-ki
⠀ Richard Lackes. Künstliche Intelligenz. – Ressource: https://wirtschaftslexikon.gabler.de/definition/kuenstliche-intelligenz-ki-40285
⠀ Künstliche Intelligenz: Was ist das und warum sie immer mehr an Bedeutung gewinnt. – Ressource: https://www.sas.com/de_at/insights/analytics/what-is-artificial-intelligence.html