Im Zuge unserer praktischen Arbeit an K.I. basierten Systemen haben wir uns dazu entschieden, eine Blogreihe über dieses Thema zu veröffentlichen. Wir wollen dabei zunächst allgemein – mit diesem Artikel – in die Thematik einführen und uns später in die tiefsten Details von konkreten Umsetzungen und Warstories vorarbeiten.
Vom Fernseher bis hin zum Smartphone gibt es auf dem Markt immer mehr Geräte, die mit künstlicher Intelligenz (engl. A.I.) ausgestattet sind. Das klingt toll, doch was steckt dahinter und bedeutet „künstliche Intelligenz'“, dass es sich automatisch um eine überlegene Technologie handelt? Häufig bringt man künstliche Intelligenz auch mit Machine Learning in Verbindung, obwohl es einige Unterschiede gibt.
In der Mensch-Maschine Wettbewerbsdebatte herrscht akademischer Konsens, dass es in sämtlichen Bereichen im A.I. Kontext, von Regression zum Deep Learning, immer nur um hoch spezialisierte Maschinen geht. Eine trainierte Maschine kann immer genau eine Sache besonders gut. Die Watson A.I. von der IBM gewinnt jeden Jeopardy Wettbewerb, verliert aber Tic-Tac-Toe gegen Kinder. Während das kognitive Potential von Menschen sich vor allem in der Breite und Allgemeinheit auszeichnet, werden Maschinen immer besser darin, genau eine Sache perfekt lösen zu können. Deshalb ist das Verbinden der unterschiedlichen kognitiven Stärken der Schlüssel zur erfolgreichen Umsetzung von künstlicher Intelligenz.
Künstliche Intelligenz ist zwar keine neue Erfindung, aber derzeit sehr populär. Dabei handelt es sich nicht automatisch um eine denkende Maschine, denn mit dem Begriff KI bezeichnet man auch allgemein Programme, die eine Aufgabe selbstständig erledigen können, für die im Normalfall die menschliche Intelligenz benötigt wird. Die KI tut dies im Idealfall schneller als ein Mensch. Seit über 60 Jahren wird auch an Maschinen geforscht, die eine Simulation des menschlichen Denkens tätigen sollen. So erfand Alan Turing, ein britischer Mathematiker, schon 1950 den Turing-Test. Dieser kommt auch heute zum Einsatz, wie zum Beispiel bei der Durchführung von Tests, bei denen die Qualität von Chatbots geprüft wird. Dabei chattet eine Person mit zwei anderen, wobei eine Person davon ein Bot ist. Dabei prüft man, ob die erste Person den Bot erkennen kann.
Was versteht man unter künstlicher Intelligenz (K.I.)?
Unter dem Begriff künstliche Intelligenz versteht man die Fähigkeit von Systemen und Maschinen, das intelligente menschliche Verhalten nachzumachen. Dabei lässt sich die künstliche Intelligenz in zwei Gruppen einteilen:
- allgemeine künstliche Intelligenz und
- angewandte künstliche Intelligenz
Die allgemeine künstliche Intelligenz ist auch als vollständige oder starke künstliche Intelligenz bekannt und umfasst Geräte oder Systeme, die die Fähigkeit besitzen, menschliches Leistungsvermögen möglichst umfassend erfolgreich nachzumachen. Solche Geräte und Systeme sind den dargestellten Androiden aus Science-Fiction-Filmen ähnlich. Die angewandte künstliche Intelligenz wird manchmal auch als Narrow AI oder Vertical AI bezeichnet und steht für „smarte“ Systeme oder Geräte, die spezielle Aufgaben erfüllen können, wie zum Beispiel bei der Personalisierung von Werbung oder im Börsenhandel.
Was versteht man unter Machine Learning (ML)?
Machine Learning ist ein KI-Unterbereich und wird beispielsweise bei der Verarbeitung natürlicher Sprache oder bei der Bilderkennung eingesetzt. Dabei bildet das sogenannte Deep Learning (DL) die Vorreiterrolle der Entwicklung. Deep Learning nutzt künstliche neuronale Netzwerke die von der menschlichen Gehirnstruktur inspiriert sind, um in ähnlicher Weise die Daten zu verarbeiten wie die Neuronen im menschlichen Gehirn vorgehen. Hier sind umfangreiche Datenmengen nötig, damit das neuronale Netzwerk in der Lage sein kann, Informationen richtig zu klassifizieren. Dabei wird immer die gleiche Vorgehensweise angewendet. Zuerst wird eine A.I. mit Trainingsdaten gefüttert. Diese entwickelt ein Model, welches nach Mustern innerhalb dieser Daten sucht. Das trainierte Model kann dann auf neue Eingabedaten angewendet werden.
Anfänge und jüngste Erfolge
Die erste Verwendung des Begriffs KI im Rahmen der Wissenschaft wird dem Wissenschaftler John McCarthy in den 50er Jahren zugeschrieben. Er nutzte KI, um für eine Fachkonferenz nötige Forschungsgelder einzusammeln. Diese Fachkonferenz gilt seither als Startpunkt der Beschäftigung mit künstlicher Intelligenz im wissenschaftlichen Rahmen. Das Interesse an dem neuen Gebiet wuchs seither stetig weiter. Die einen schwärmten von menschenähnlichen Robotern und die anderen hatten ein Interesse für die Automation und die daraus resultierenden Arbeitserleichterungen.
Künstliche Intelligenz wird auch heute noch vor allem mit Robotern in Verbindung gebracht. Wobei nicht jeder Roboter mit KI ausgerüstet ist. Dabei spricht man nur von Robotern, die ohne programmierte Routinen und autonom mit ihrer Umgebung interagieren. Anhand von Duellen zwischen Maschine und Mensch beweist man gerne die Erfolge künstlicher Intelligenz. So gewann der Schachcomputer Deep Blue bereits 1996 gegen den amtierenden Weltmeister im Schach Garri Kasparow. Hier handelte sich aber um keine „echte“ künstliche Intelligenz. Schließlich schlug IBMs Computerprogramm Watson zwei Kandidaten beim Jeopardy TV-Wissensquiz im Jahr 2011. Googles AlphaGo Machine Learning System schlug Anfang 2016 im asiatischen Brettspiel Go den amtierenden Weltmeister.
Beim letzten Beispiel eines Duells zwischen Mensch und Maschine wurde deutlich, warum die künstliche Intelligenz wertvoll und von Bedeutung sein kann. Beim Brettspiel Go machte AlphaGo einen Zug, den weder die beiden Kommentatoren noch der Gegenspieler verstehen, was die entscheidende Stelle war. Der Zug erschien auf den ersten Blick unsinnig und beide Kommentatoren waren verblüfft. Das Programm AlphaGo war so intelligent, einen Lösungsansatz auszuwählen, den selbst die besten dieser Disziplin nicht verstanden hatten.
Einsatz von KI und ML in der Wirtschaft
Obwohl Machine Learning derzeit keine allzu sinnvolle Anwendung findet, wo Intuition, Empathie, Kreativität und andere Emotionen gefragt sind, hat sich ML in hochspezialisierten Aufgabenstellungen in der Industrie durchgesetzt. Beispiele lassen sich quer durch verschiedene Branchen finden:
- Finanzinstitute können in Transaktionen einen möglichen Betrug erkennen, da sie oft ähnliche Muster aufweisen.
- Vorhersehende bzw. vorbeugende Wartung von großen Maschinen wie Stromgeneratoren oder Flugzeugen. Hier werden Muster von potenziellen Problemen durch das Monitoring vieler Sensoren erkannt, wodurch die Laufzeiten optimiert werden und die Wartung viel effektiver wird.
- Heutzutage wird Texterkennung oft angewendet, wie zum Beispiel die Schadensfallzuordnung bei Versicherungen.
- Trolle mit Mobbing und Hatespeech in sozialen Medien sowie E-Mail Spam können effektiv erkannt und schließlich gelöscht werden.
- Beantworten von Kundenfragen und Servicemeldungen über Service Tickets oder Hotlines sowie Stimm- und Texterkennung sind weitere Anwendungsbereiche, teilweise auch Chatbots.
- Inhaltliches Gruppieren und Erkennen von Kundenmeinungen als Sentiment-Analyse, um automatisiert Marktforschung zu tätigen und Shitstorms zu erkennen.
Einen branchenübergreifenden Blumenstrauß an Möglichkeiten liefert planet.com. Mit Hilfe dieses Anbieters entsteht ein Zugang zur Satelliten basierten Bildergalerie des Planeten. Diese Galerie eröffnet Möglichkeiten in den Bereichen der Landwirtschaft, Versicherung, Fracht und Logistik, Streckenverkehr et cetera. Das Unternehmen PathAI hat sich im medizinischen Bereich spezialisiert und erkennt bösartige Krebszellen besser, als das menschliche Auge. Gleiches gilt für DentistryAI im zahnärztlichen Bereich. Google Vision setzt völlig neue Standards im Kontext von A.I. as a Service. Das Thema A.I. und Machine Learning wächst rasant und wir sind gespannt, welche Lösungen uns in Zukunft erwarten. Wir freuen uns darauf, diese Zukunft mitzugestalten und werden in dieser Blogreihe Einblicke geben, welche Herausforderungen wir in diesem Kontext überwinden müssen.
