Was ist künstliche Intelligenz (KI)? Definition und Beispiele

Während Stichworte wie AI und Big Data in aller Munde sind, ist oft nicht eindeutig klar was künstliche Intelligenz genau ist und welche Beispiele es für die Anwendung gibt. Einfach gesagt ist KI die Simulation von menschlicher Kompetenz durch automatische Systeme. Dies umfasst eine Bandbreite an Methoden von einfachen Algorithmen über Signal Processing wie Bildverarbeitung bis hin zum maschinellen Lernen. Die Chancen die durch künstliche Intelligenz entstehen decken eine Bandbreite an Automatisierung, Optimierung und Unterstützung des Menschen in seinen Tätigkeiten ab und erlauben es uns, sich auf kreative und hochkomplexe, neuartige Aufgaben zu konzentrieren.

Inhaltsverzeichnis

Was ist künstliche Intelligenz (KI)? Eine Definition.

Künstliche Intelligenz ist die Fähigkeit eines Systems, menschliches Verhalten zu simulieren. Diese Nachahmung kann viele Ausprägungen annehmen: Von einem Roboter über eine Software bis hin zu einem physischen Objekt kann vieles den Eindruck erwecken, dass es kognitive Fähigkeiten besitzt. Üblicherweise bezieht man sich mit dem Begriff auf selbstlernende Algorithmen in der Informatik, spezieller im Bereich Data Science und maschinelles Lernen (ML).

Neben dieser allgemeinen Definition von Artificial Intelligence (AI) gibt es noch die pauschale Unterscheidung zwischen starker und schwacher KI. Diese Kategorien sind wichtig zu erörtern, da sich der Stand der Forschung und Wirtschaft nicht mit den Bilder aus Medien und Literatur – vor allem Science Fiction – messen kann.

Was ist starke / allgemeine KI?

Der Terminator, HAL 9000, die Matrix oder die Humanoiden in “I, Robot” sind alles Beispiele für eine starke künstliche Intelligenz. Starke KI kann Probleme selbstständig erkennen, evaluieren und lösen – egal in welchem Bereich. Sie agiert ständig unter neuen Bedingungen und kann sich mühelos auf neue Situationen einstellen – wie der Mensch.

Doch von diesen Bildern sind wir in der Realität noch ein Stück entfernt. Diese generalisierte, allgemeine künstliche Intelligenz erfordert noch viel größere Sprünge in Forschung und Entwicklung, als momentan möglich ist. Die starke KI muss “lernen zu lernen”, was eine große Herausforderung aufgrund der notwendigen Flexibilität ist.

Das Prinzip im Bereich von ML das einer starken KI am nähesten kommt ist der Bereich Reinforcement Learning. Hier wird ein Agent (Computerprogramm oder zum Beispiel ein Roboter) in eine Umgebung gesetzt und lernt mittels fixer Aktionen (z.B. Vorwärtsbewegen und Greifen) ein Ziel möglichst optimal zu erfüllen. Doch auch hier sind die Rahmenbedingungen anhand von Umgebung, Aktionen, Ziel und Belohnung vorgegeben und somit die komplette Variabilität eines menschlichen Handelns lange nicht gegeben.

Was ist schwache / spezialisierte KI?

Im Kontrast zur starken KI steht die schwache KI. Die schwache KI fokussiert sich auf die (nahezu) optimale Lösung eines spezifischen Anwendungsproblems. Für den Einsatz dieser Art von künstlicher Intelligenz gibt es viele Beispiele. Die Vorhersage von Wetter, das Kategorisieren von Bildmaterial, Gesichtserkennung, Sprache zu Text-Übersetzung oder auch autonomes Fahren sind alles Einsatzgebiete einer schwachen künstlichen Intelligenz.

Folglich sind alle momentan existierenden Anwendungen im Bereich der künstlichen Intelligenz aus der Kategorie schwache KI. Das Ziel hierbei ist, ein statistisches Modell zu erstellen, das eine Aufgabe bestmöglich löst. Als Datengrundlage dienen alle Arten von Sensoren (z.B. Kamera, Audio oder Vibrationssensor) sowie Systemen (z.B. ERP, Webanalytics, Service). Darauf basierend lässt man die KI “lernen”, um somit Vorhersagen oder Kategorisierungen zu treffen – klassische Beispiele aus dem Bereich maschinelles Lernen.

Die Geschichte künstlicher Intelligenz

Auch wenn künstliche Intelligenz in den letzten Jahren einen regelrechten Hype erlebt, gibt es das Prinzip – vor allem in theoretischer Natur – schon seit mehr als einem halben Jahrhundert. In der ersten Hälfte des 20ten Jahrhunderts war es vor allem der Bereich von Science Fiction der die ersten Konzepte von autonomen Maschinen und Gefährten darstellten. 

Dem folgte in 1956 die Definition des Begriffs “Artificial Intelligence” auf der sogenannten Dartmouth Conference und somit war das Feld auch formell definiert und für weiterführende Forschung geöffnet. 

Eines der ersten und auch eindrucksvollsten Beispiele wurde 10 Jahre im Bereich der natürlichen Sprachverarbeitung erreicht. Das sogenannte ELIZA-System von Joseph Weizenbaum nutzte syntaktische Umstrukturierung (von Aussage zu Frage) von schriftlichen Input, um wie ein intelligentes System zu wirken.

Es folgten viele Forschungen und auch zwei sogenannte “AI winter”, in denen erkannt wurde, dass die damals überzogenen Versprechen nicht eingehalten werden können. In diesem Zeiten wurden die Forschungsgelder für Forschung im Bereich KI eingefroren, aber sukzessive immer wieder unter kritischen Blicken aufgetaut.

Eines der bekanntesten Ereignisse in der Neuzeit dürfte der Gewinn von Deep Blue gegen Kasparov im Schach sein. Damit wurde 1997 gezeigt, dass eine Maschine in einem sehr spezialisierten, wenn auch hochkognitiven Bereich, besser sein konnte als der Mensch.

Seitdem haben sich die Ereignisse überschlagen: Von IBM Watson’s Gewinn in Jeopardy über die Definition von Big Data und die Entwicklung von Deep Learning gab es viele methodische und technologische Weiterentwicklungen, die die KI immer stärken werden lässt.

Begriffsabgrenzung – KI vs. ML, NN, DL und Big Data

Künstliche Intelligenz vs. maschinelles Lernen (ML): Was ist der Unterschied?

Oft wird künstliche Intelligenz mit maschinellem Lernen direkt gleichgesetzt. Doch ist Machine Learning nur ein Teilgebiet von Artificial Intelligence. Der Unterschied zwischen AI und ML besteht darin, dass AI auch einfache Systeme umfasst, die menschliches Verhalten nachahmen. 

Ein einfaches Beispiel für AI, aber nicht ML ist ein regelbasierter Tic-Tac-Toe Bot: Dieser schafft es, einer optimalen Routine im Spiel zu folgen, was einem menschlichen Verhalten sehr nahe kommt. Er basiert jedoch nicht auf dem variablen Lernen von Zuständen wie maschinelles Lernen, sondern fix definierten Regeln. 

Daher umfasst KI ein wesentlich breiteres Feld, während ML die spezielle Anwendung von gelernten Konzepten mittels Statistik definiert.

Künstliche Intelligenz vs. neuronale Netze (NN) / Deep Learning (DL): Was ist der Unterschied?

Neuronale Netze und Deep Learning werden oft im gleichen Atemzug wie künstliche Intelligenz genannt – doch was ist der Unterschied? Neuronale Netze – also die künstliche Implementierung eines menschlichen Neurons – werden oft als Methode im Machine Learning eingesetzt, um Klassifikationsaufgaben zu lösen. Daher sind neuronale Netze eine Methode von maschinellen Lernen, was wie erörtert wiederum ein Teilgebiet von künstlicher Intelligenz ist.

Deep Learning hingegen ist eine bestimmte, fortgeschrittene Art von Neuronalen Netzen. Das diese Herangehensweise erlaubt, auch Teilkonzepte eines Inputs zu generieren, sind Vorhersagen viel multischichtiger als bei klassischen ML-Algorithmen. Dies trägt zu verbesserten Ergebnissen bei. Dennoch ist auch Deep Learning eine Methode im Feld der KI.

Künstliche Intelligenz vs. Big Data: Was ist der Unterschied?

Als Big Data werden Daten bezeichnet, die durch ihr Volumen, ihre Variabilität, ihre Geschwindigkeit, ihre Qualität oder ihren Wert über gewöhnlich, lokal und einfach verarbeitende Datensätze hinaus gehen. Folglich bezeichnet man mit künstlicher Intelligenz eine Bandbreite an Methoden um Daten einzusetzen, mit Big Data die dazugehörigen Daten an sich.

Die Rolle von KI in Unternehmen und Gesellschaft

Warum ist KI so bemerkenswert?

Künstliche Intelligenz ist heruntergebrochen nichts anderes als viele Daten, Statistik und Programmieren. Daher stellt sich die Frage: Weshalb revolutioniert es seit geraumer Zeit die Technologiebranche?

Der Mehrwert von künstlicher Intelligenz ist es, dass die Algorithmen in der Lage sind, Dinge zu tun, die man manuell nicht schaffen würde. Sowohl von Präzision als auch Volumen ermöglicht es KI Daten zu verarbeiten, was Menschen oder herkömmliche Algorithmen nicht schaffen. 

Dieses Prinzip lässt sich am einfachsten anhand verschiedener Beispiele illustrieren. Gesichtserkennung ist ein Algorithmus der auf Neuronalen Netzen beruht und aus einem Bild mittels Image Processing extrahiert, um nachfolgend je nach Anwendungsfall zu identifizieren oder andere Informationen des Gesichts zu extrahieren (z.B. Alter, Geschlecht). 

Dieses Vorgehen lässt sich mittels KI beliebig skalieren: Egal wie viele Videos oder Bilder verarbeitet werden, die künstliche Intelligenz ist im Stande es abzuwickeln. Dies wäre mit menschlicher Unterstützung nicht möglich: Weder die genaue Erkennung von Gesichtern noch eine nahezu beliebige Masse kann manuell erreicht werden.

Aber auch andere Anwendungsfälle wie zum Beispiel aus dem autonomen Fahren zeigen auf, dass ohne KI viele technologischen Innovationen nicht möglich wären. Automatische Kommunikation mit anderen Teilnehmern des Straßenverkehrs, in Millisekunden eine optimale Entscheidung treffen und auch in unbekannten Gegenden erfolgreich navigieren – all dies sind nur ein paar Ansatzpunkte, wie KI herkömmlichen Methoden überlegen ist.

Künstliche Intelligenz in der Wirtschaft

Eine der häufigsten Fragen im Zusammenhang mit künstlicher Intelligenz ist die Frage, welche Rolle KI im Unternehmen einnehmen wird. Ist sie eine Rand-Technologie, unterstützer des Menschen oder sogar die Zukunft, die autonom Entscheidungen trifft?

Während die Bandbreite an Meinungen dazu groß ist wie die Fragen selbst, sind einige Dinge relativ verlässlich. Zum Einen sollte sich jeder Geschäftsführer klar machen, dass künstliche Intelligen und maschinelles Lernen die Bühne der Weltwirtschaft nicht mehr verlassen wird.

Ähnlich dem Internet und digitaler Technologien sehen wir KI zukünftig als zentrale Fähigkeit in jedem Unternehmen. Ob nun als eigene Data Science Unit oder als AI-Software wird individuell bestimmt werden, aber dass KI eingesetzt wird ist unumgänglich. Vor allem auch mit der Etablierung des Internet of Things ist es sinnvoll und notwendig zu verstehen wozu künstliche Intelligenz in der Lage ist und welche Grenzen man beachten muss.

Entsprechend anderer Kernkompetenzen wird es folgendermaßen auch immer zentraler werden, ein „data driven mindset“ im Unternehmen zu verankern und zu fördern. Mittels Schulungen und proaktiver Förderung von datengetriebener Ideen schafft es somit ein Unternehmen, auch langfristig handlungsfähig zu sein.

Künstliche Intelligenz im Mittelstand

Wenn wir mit Unternehmen zum Thema KI sprechen, sehen viele große Unternehmen als Hauptakteure. Doch folgend unserer vorherigen Idee, dass AI allgegenwärtig sein wird, müssen wir diese Annahme erweitern. Nicht nur die DAX-Unternehmen müssen in KI-Kompetenz investieren, sondern auch der Mittelstand.

Während es im Mittelstand selten zentral sein wird, künstliche Intelligenz als Produkt zu verkaufen, darf das Potential hingegen nicht ungehoben bleiben, was Optimierung und Innovation betrifft. Nur wer selbst im Stande ist, mit einfachen Methoden das Unternehmen sukzessive digital zu positionieren, wird in Zukunft mit großen Unternehmen mithalten können.

Macht künstliche Intelligenz Jobs bald überflüssig?

Diese Frage müsste genauer formuliert werden und zwar: “Welche Jobs macht KI überflüssig?” Denn wie es oft mit technologischem Fortschritt ist, wird auch KI in bestimmten Berufen derart große Optimierungen bringen, dass der menschliche Einfluss überflüssig wird.

Welche Berufe sind vom Fortschritt der KI betroffen? Besonders jene, welche eine sehr wiederholende Aufgabe ausführen oder eine Spezialaufgabe erledigen, die sehr gut durch die Algorithmen von Machine Learning gelöst werden oder automatisiert können. Als Beispiele sind hier Marktforscher (NLP und Big Data), Paketboten (mit dem Ersatz Drone), LKW-Fahrer (autonomes Fahren) oder Recruiting-Agenturen (Data Mining).

Gehört KI die Zukunft?

Neben den vielen positiven Aspekten gibt es auch ein paar kritische Stimmen, die argumentieren, dass bald alles von Maschinen beherrscht werden wird. Positiv formuliert stellen diese Stimmen die Frage, ob die künstliche Intelligenz in Zukunft omnipotent sein wird.

Wie bereits in den vorherigen Fragen angerissen, sehen wir dies aspektabhängig. Einerseits wird KI gewisse Teile von Gesellschaft und Arbeitswelt sehr stark beeinflussen. Sei es nun die Automatisierung von bestimmten Berufen oder verschiedene Personalisierungsalgorithmen, die Menschen immer mehr in ihrer eigenen Wohlfühlebene belassen. 

Im Gegensatz steht das große Argument, dass künstliche Intelligenz bis dato sehr weit entfernt ist von der menschlichen Denkfähigkeit. Die starke AI ist nach wie vor ein Produkt von Science Fiction und fachlich ist der Weg dorthin noch sehr weit.

Nichtsdestotrotz sollten sich alle Firmen und Wissenschaftlicher die die Forschung im Bereich Artificial Intelligence weitertreiben die Frage stellen, was ist, wenn wir so weit sind. Diese Überlegungen sind manifestiert im Thema “Ethik in der KI”, oft auch in Referenz mit den 3 Gesetzen der Robotik. Sie besagen, dass – egal wie fortgeschritten die KI ist – die KI nie einen Menschen verletzen darf, den Menschen zu gehorchen hat und sich selbst schützen soll.

Zusammengenommen sehen wir drei Aspekte: Die KI wird große Teile unseres täglichen Seins verändern, jedoch sind wir weit weg von einer generellen AI, die den Menschen in allen Bereichen übertrumpft. Und selbst falls wir eines Tages dort angelangt sein sollten, gibt es bereits seit Jahrzehnten Überlegungen, wie die KI auch ethisch gestaltet werden kann.

Methoden der künstlichen Intelligenz

Nun ist bekannt was KI ist und weshalb es relevant ist. Doch wie funktioniert es im Detail? Hier möchten wir vorstellen, wie künstliche Intelligenz im Alltag realisiert wird. Dominierend sind hier mitunter die Machine Learning Methoden, doch auch einfache datenverarbeitende Herangehensweisen wie Bildverarbeitung fallen in das Feld der KI. Hier möchten wir einen kurzen Überblick über die Haupteckpunkte der eingesetzten Methoden geben.

Supervised Learning

Im Bereich des Supervised Learnings (zu Deutsch: Überwachtes Lernen) kommen zwei Hauptkategorien an Algorithmen zum Einsatz: Die Prädiktion und die Klassifikation. Die Prädiktion hat zum Ziel, numerische Werte, also Zahlen, vorherzusagen. Einfache Beispiele sind die Vorhersage von Umsatzzahlen, Temperatur oder Dauer eines Vorgangs.

Die Klassifikation auf der anderen Seite erfüllt die Aufgabe, etwas in eine von zwei Kategorien („Label“) einzuordnen. Beispiele sind Objekterkennung („Hund / Katze“), Fehlererkennung in der Herstellung von Produkten oder die Einordnung von Kunden in bestimmte Segmente.

Gemein haben alle Algorithmen im Bereich des überwachten Lernens, dass sie zuerst anhand von Trainingsdaten ein statistisches Modell trainieren, um dieses Modell dann auf neue Daten anzuwenden. Ein Modell in diesem Zusammenhang stellt nur eine statistische Gleichung dar, die solange optimiert wurde, bis sie möglichst viele Trainingsdaten möglichst genau vorhersagt.

Supervised Learning kommt dort zum Einsatz, wo man basierend auf bereits vorhandenen Daten eine bestmögliche Vorhersage treffen möchte. Dabei ist der oft aufwändigste Schritt das Labelling der Daten. Je nachdem wie viele zusätzlichen Informationen (z.B. Alter, Geschlecht, Herkunft, Mitgliedsdauer, etc.. bei einem Kunden) im Algorithmus beachtet werden, umso mehr Daten sind auch nötig, um ein verlässliches Modell zu trainieren. Und diese Daten müssen alle mit Trainingsinformationen versehen werden, um dem Modell einen Parameter bereit zu stellen, anhand dem er die Vorhersage trainiert.

Unsupervised Learning

Im Gegensatz zum Supervised Learning steht das Unsupervised Learning, auf Deutsch Unüberwachtes Lernen. Im Bereich des unüberwachten Lernen gibt es eine Vielzahl an Methoden, die alle zum Ziel haben, Muster in vorliegenden Daten zu identifizieren.

Das Vorgehen ist hierbei jedoch nicht wie im Supervised Learning an Trainingsattributen ausgerichtet, sondern nutzt Informationen innerhalb der Daten, um sinnvolle Gruppen zu bilden.

Ein Beispiel ist der Bereich des Clusterings. Im Clustering werden Distanzen zwischen einzelnen Dateneinträgen ausgerechnet, um möglichst identische Einträge in eine Gruppe (einen Cluster) zusammen zu fassen. Dies geschieht zum Beispiel im Bereich der Kundensegmentierung. Jeder Kunde hat viele Attribute (Alter, Geschlecht, Wohnort, Anzahl Einkäufe, bevorzugte Lieferart, Lieblingskategorie, etc) und kann damit in Relation zu jedem anderen Kunden gesetzt werden. Dadurch findet man sich ähnlich verhaltende Kunden, die man dann gesammelt betrachten kann.

Ein anderes Beispiel im Unsupervised Learning sind Recommendation Algorithmen. Hier werden zusammen auftretende Ereignisse (zum Beispiel Wareneinkäufe) auf ihre Gemeinsamkeit analysiert, um darauf basierend Empfehlungen zu geben. So nutzt man die großen Datenmengen aller Kunden zusammen, um zum Beispiel zu evaluieren, welche Produkte häufig gemeinsam gekauft werden – um dann jenen, die nur eines davon gekauft haben, auch das andere vorzuschlagen.

Diese und weitere Kategorien für maschinelles Lernen findet ihr auch in unserem Artikel „Was ist Machine Learning? Definition, Algorithmen und Beispiele von maschinellem Lernen„.

Reinforcement Learning

Als dritte Hauptkategorie von Machine Learning und somit auch künstlicher Intelligenz wird Reinforcement Learning, zu Deutsch verstärkendes Lernen, gesehen. Im verstärkenden Lernen wird ein so-genannter Agent (zum Beispiel ein virtueller Avatar oder ein realer Roboter) in einer Umgebung (zum Beispiel ein Raum) eingesetzt, um ein Ziel (Goal) zu erreichen. Hierzu kann der Agent vorher definierte Aktionen (z.B. Gerade aus fahren, Lenken, Bremsen) einsetzen.

Die Aufgabe des Agenten ist, einen optimalen Weg zu finden, um das Ziel zu erreichen. Hierzu gibt es Ressourcen (zum Beispiel Energie), die sich entsprechend der eingesetzten Aktionen verbrauchen.

Reinforcement Learning wird wie bereits angedeutet im Bereich autonomes Fahren eingesetzt, aber auch in Angebots- oder Preisoptimierung können derartige Algorithmen genutzt werden.

Signal Processing

Signal Processing, zu Deutsch Signalverarbeitung, beschäftigt sich mit der Übersetzung von Signalen aus der Umwelt in interpretierbare Daten. Generell geht es daher in dieser Methodik von KI darum, Signale (zum Beispiel aus Sensoren wie einer Kamera oder einem Mikrofon, aber auch Vibration, Energie oder Temperatur) zu verarbeiten.

Ziel ist hierbei, möglichst viel Information aus einem eindimensionalen Signal zu extrahieren, um entsprechende nachfolgende Aktionen durchzuführen. Ein Beispiel wäre, dass eine Produktionsmaschine abgeschalten wird, bevor sie überhitzt.

Signal Processing ist formell gesehen nicht mehr im Bereich Machine Learning, kann aber definitiv mit Methoden des maschinellen Lernens bearbeitet werden. Vor allem nachfolgende Verarbeitungsschritte werden meist mittels ML durchgeführt.

Image Processing

Was als Unterform von Signal Processing gesehen werden kann ist Image Processing, zu Deutsch Bildverarbeitung. Hierzu werden von Kameras aufgenommene Bilder oder Videos auf zu extrahierende Informationen verarbeitet.

Ein sehr prominentes Beispiel, das inzwischen auch Einzug in unseren Alltag gefunden hat ist die Gesichtserkennung. Über die Frontalkamera unserer Mobiltelefone wird das Gesicht aus dem Bild extrahiert und dann mittels Klassifikation in „Besitzer“ und „Nicht-Besitzer“ eingeordnet.

Auch im Bereich Objekterkennung wird Bildverarbeitung eingesetzt. Egal ob Menschen, Tiere oder Produkte: Inzwischen kann sehr zuverlässig aus jedem Bild extrahiert werden, welche Objekte sich darauf befinden.

Natural Language Processing

Eine weitere Unterkategorie der Signalverarbeitung ist der Bereich Natural Language Processing (NLP), auf Deutsch natürliche Sprachverarbeitung genannt. Sprache ist nach Sehen einer der effizientesten Wege, um Informationen zu übermitteln. Daher ist auch Sprachverarbeitung sehr interessant im Bereich künstlicher Intelligenz.

Dabei deckt NLP sowohl Sprache als auch Text ab. Ziel ist es nicht nur, den Text selbst zu extrahieren, sondern vor allem auch Zusammenhänge innerhalb der eingesetzten Information.

Ein Beispiel für die Verarbeitung von Sprache im Bereich der künstlichen Intelligenz, im speziellen Text-to-Speech und Speech-to-Text, sind virtuelle Assistenten wie Siri oder Alexa. Beide basieren darauf, dass natürliche Sprache in digitale Information und zurück übersetzt werden kann, um mit anderen Informationsquellen wie dem Internet zu interagieren.

Ein anderer sehr bekannter Anwendungsfall für KI im Bereich NLP ist die Sentiment-Analyse. Hierzu werden Wörtern bestimmte emotionale Konnotationen zugewiesen (zum Beispiel ist das Wort „versagen“ negativ konnotiert) und nachfolgend mit diesem Modell neue Texte zu analysieren. Dies erlaubt es, zum Beispiel im Service-Bereich E-Mails nach Kategorie und/oder Wichtigkeit zu klassifizieren.

Datentypen: Strukturiert und unstrukturiert

Einer der Vorteile von künstlicher Intelligenz ist, dass nicht nur strukturierte, sauber in Datenbanken erfasste Daten verarbeitet werden können, sondern auch unstrukturierte Daten wie zum Beispiel Bilder, Text, Video oder Audio zum Einsatz kommen.

Diese Varianz an Datentypen findet sich auch in den dargestellten Verarbeitungsmethoden wieder: Sowohl Klassifikation und Clustering als auch Signalverarbeitung arbeiten oft direkt mit unstrukturierten Daten.

Big Data und künstliche Intelligenz

In Kombination der hohen Kompatibilität von KI mit Datentypen geht auch einher, dass andere Faktoren von Big Data wie Volumen oder Geschwindigkeit auch in der künstlichen Intelligenz eine Rolle spielen.

Viele eingesetzte Methoden in der KI sind speziell darauf ausgelegt mit großen Datenmengen umzugehen. Denn generell gilt der Grundsatz: Umso mehr Daten, umso höher die Varianz der verarbeitenden Daten, umso besser die Analyse.

Somit ist insgesamt künstliche Intelligenz nicht nur im Stande mit Big Data umzugehen, sondern große Datenmengen fördern sogar die Ergebnisse von KI.

Beispiele für den Einsatz von künstlicher Intelligenz

Spam-Erkennung

Einer der häufigsten Anwendungsfälle, die aber kaum jemand oberflächlich sieht, ist die Erkennung von Spam. Vor 10 Jahren war das Internet noch überflutet mit ungewollter Werbung aller Art, inzwischen trifft man aber noch kaum auf derartige Nachrichten. Egal ob bei Social Media, YouTube oder E-Mail Anbieter: Spam wurde die letzten Jahre mittels künstlicher Intelligenz sukzessive verringert und inzwischen fast komplett entfernt. Die eingesetzten Methoden sind vor allem Machine Learning Modelle, gegebenenfalls unterstützt von einfacher Statistik.

Virtuelle Assistenten

Virtuelle Assistenten wie Siri oder Alexa sind ein sehr schönes Beispiel für den Einsatz von künstlicher Intelligenz. Sie kombinieren Text-to-Speech mit Speech-to-Text, damit die Geräte die verbalen Äußerungen der Menschen verstehen und strukturierten Inhalt wiedergeben können. Dazu wirken noch tiefergehende neuronale Netze zum Verständnis von verbalen Äußerungen – wie zum Beispiel der Unterschied von “spielen” in den unterschiedlichen Kontexten wie Musik oder Games.

Gesichtserkennung

In älteren Büchern als Dystopie dargestellt, umgibt uns Gesichtserkennung inzwischen immer mehr. Nicht nur vom Staat und der Polizei eingesetzt, sondern in immer mehr Produkten verankert basiert die Face Recognition auf Image Processing und Deep Learning. Dass es auch negative Ausmaße annehmen kann, sieht man am Beispiel China: Dort wird Gesichtserkennung vollumfänglich eingesetzt, um einen “Social Score” zu implementieren. Dieser Score wird durch das Verhalten der Menschen definiert – also wo sich wer weswegen aufhält – und erlaubt oder verhindert bestimmte Aktionen in der Gesellschaft. Und dieses Beispiel ist dann wirklich nah an einer Dystopie.

Vorhersage von Umsatz

Die Prädiktion von Zahlen ist einer der Kernanwendungsfälle für KI. Mittels Time Series Analysis oder auch anderen ML-Algorithmen wird der Versuch gestartet, schon vorher zu wissen wie sich das Unternehmen entwickelt.

Ein besonderer Augenmerk wird hierbei oft auf den Umsatz gelegt. Ob nun Gesamtumsatz für eine Organisation oder auf Produktkategoriebasis: Wenn man abschätzen kann, wie sich das Geschäft entwickelt, kann man entsprechend in Operations oder Marketing reagieren.

Vorhersage von Produkt-Lebensdauer

Ein sehr häufiger Anwendungsfall in der Industrie 4.0 ist die Vorhersage von Produkten. Basierend auf den Herstellungs- und Nutzungsdaten werden Machine Learning Modelle trainiert, die versuchen zu definieren, wann ein Produkt kaputt geht. 

Ob nun ein Auto, eine Produktionsmaschine oder ein Elektronikgerät – alle Produkte liefern Daten und können anhand ihres Einsatzes eine unterschiedliche Lebensdauer an den Tag legen.

Der Vorteil zu wissen wann ein Produkt repariert oder gewartet werden sollte, erlaubt für mannigfaltige Einsatzzwecke. Ob nun die so-genannte Predictive Maintenance, die Wartung terminiert bevor eine Maschine an ihre Grenzen stößt oder die Lieferung von Ersatzteilen an Konsumenten bevor etwas zerbricht – es gibt viele Aspekte, wie man hiermit Kosten senken und die User Experience erhöhen kann.

Zusammenfassung

Zusammenfassend möchten wir künstliche Intelligenz noch einmal einfach erklären:

  • Künstliche Intelligenz simuliert menschliche Kompetenz
  • KI kann einfache Algorithmen wie Regeln oder Bildverarbeitung umfassen, aber wird meist mit maschinellem Lernen assoziiert
  • Durch die Fähigkeit, vollautomatisch, hochperformant und auf nahezu unendlichen Mengen an Eingaben Entscheidungen zu treffen, ist KI so attraktiv
  • Ein weiterer Vorteil ist die Fähigkeit nicht nur strukturierte, sondern auch unstrukturierte Daten wie Bild und Ton zu verarbeiten
  • Besondere Beispiele sind Spam-Erkennung und Klassifikation, Virtuelle Assistenten, Videoverarbeitung oder Vorhersagen von Umsatz oder anderen numerischen Metriken

Wie man sehen kann und wir eingehend erläutert haben, wird künstliche Intelligenz in den kommenden Jahren immer mehr in unser alltägliches und auch wirtschaftliches Leben integriert werden. Die Gefahr, dass dadurch der Mensch vollständig verdrängt wird ist dabei sowohl technologisch als auch kognitiv relativ gering. Die Chancen hingegen – vollautomatisierte Prozesse, übermenschliche Performanz auf Spezialproblemen und Entlastung des Menschen in vielen repetitiven Bereichen – sind äußerst attraktiv. In Summe freuen wir uns auf die Erfolge die künstliche Intelligenz, Machine Learning, Data Science und Big Data in den kommenden Jahren bringen werden.