Künstliche Intelligenz: Definition, Beispiele, Auswirkungen

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) oder Artificial Intelligence (AI) ist nach Elaine Rich (1983) die Lehre davon, wie Computer Dinge tun können, in denen Menschen besser sind. Bereits 1950 hat Alan Turing ein mögliches Testszenario beschrieben, wie man einen Menschen von einem Computer unterscheiden kann. Der Turing-Test ist in die Popkultur eingegangen und wird immer wieder dankbar bemüht um die Fantasie der Zuschauer anzuregen. Hier im Film Blade Runner:

Aber auch die Industrie hat das Thema Künstliche Intelligenz dankbar aufgegriffen und entsprechende Showcases produziert. 2011 hat IBMs Watson bei Jeopardy gewonnen:

Google lässt sich auch nicht bitten um seine Technologiekompetenz unter Beweis zu stellen und hat mit dem Programm DeepMind AlphaGo den amtierenden Weltmeister geschlagen:

Was steckt hinter künstlicher Intelligenz?

Wenn man nicht nur an der Oberfläche kratzen möchte, ist man schnell mit einer Unmenge an Fachbegriffen konfrontiert. Patrik Raudaschl hat mir mit folgender Abbildung geholfen Klarheit in den Begriffsdschungel zu bringen:

Machine Learning oder maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Dabei wird mithilfe von Algorithmen (=Rechenvorgang nach einem bestimmten Schema) versucht, in vorhandener Datenbeständen Muster zu erkennen. Aus Trainingsdaten sollen über ein statistisches Modell Erkenntnisse gewonnen werden. Typische Anwendungsfelder sind Sprach-, Text- und Bilderkennung.

Deep Learning wiederum ist ein Teilbereich des maschinellen Lernens, das sich mit Algorithmen beschäftigt, die der Funktionsweise des menschlichen Hirns nachempfunden sind: künstliche neuronale Netze. Damit ist Deep Learning eine mögliche Methode des maschinellen Lernens. Deep Learning hat gegenüber älteren Algorithmen Vorteile, je mehr Daten zur Verfügung stehen. Deshalb ist es beim autonomen Fahren matchentscheidend welcher Anbieter mehr Meilen im Autopilotmodus hinter sich hat.

Was ich aus den unterschiedlichen Demos mitnehmen konnte, handelt es sich in der Umsetzung um Matrixmultiplikationen. Wie immer liegt die Herausforderung im Detail. Welche Algorithmen für welchen Daten? Wie viele Schichten? Initiale Gewichtung? Gute Trainingsdaten? Kein Wunder das sich hier neue Berufsbilder, wie z.B. der Data Analyst oder Data Scientist herausgebildet haben.

Beispiele für künstliche Intelligenz

Die interessantesten Beispiele für künstliche Intelligenz sind überall dort zu finden, wo versucht wird menschliche Sinne oder Fähigkeiten nachzubilden, insbesondere bei der Sprach-, Text- und Bilderkennung. Im folgenden Beispiel nimmt Google Duplex das Telefon ab und vereinbart einen Termin zum Haare schneiden:

Beim autonomen Fahren handelt es sich im Kern um Bilderkennung. So sehen beispielsweise die Straßen von Paris für den Tesla Autopilot aus:

Jeder der sein Smartphone einfach entsperren möchte setzt auf Gesichtserkennung, egal von welchem Hersteller. Hier erklärt Apple die Face ID auf dem iPhone X:

Stephen Oman beschreibt im diesem Artikel wie er eine XOR-Funktion mit einem neuralen Netz abbildet. Wer das Beispiel weiter denkt bekommt Lust auf eine selbstlernende Steuerung.

Auswirkungen künstlicher Intelligenz

McKinsey, veröffentlicht im Sommer 2018 eine Studie, nach der bis zu 30 Prozent der Arbeitnehmer weltweit ersetzt werden könnten: „Job profiles characterized by repetitive activities (..) could experience the largest decline as a share of total employment to around 30 percent by 2030„.

Sascha Lobo kommentiert dazu treffend in der Zeit: „Künstliche Intelligenz und Robotik müssen primär als neue, aggressive Formen der Automatisierung betrachtet werden. Und sie wirken auf die Arbeit zunächst wie die meisten Automatisierungswellen zuvor.“

Angeregt durch Popkultur und unreflektierte Berichterstattung in den Medien sprechen wir gerne darüber, dass der Mensch vollständig durch Maschinen ersetzt wird.  Das ist totaler Mist und Panikmache .

Was passiert ist das, was bei jeder Automatisierungswelle passiert. Einfache und komplizierte Probleme werden zunehmend automatisiert, wie das CYNEFIN-Framework wunderbar aufzeigt (hier auch als Video). Vorhersagbare Tätigkeiten, werden sofern sinnvoll, automatisiert. Dafür nehmen komplexe Problemstellungen zu.

Und hier gibt es jede Menge Potential. Im Einkauf könnten das z.B. folgende Tätigkeiten sein: Bestellungen versenden, Auftragsbestätigungen durchführen, Lieferscheine prüfen, Belegen verarbeiten. in Vertrieb und Marketing sprechen wir z.B. über Adressen pflegen und Leads generieren.

Fazit – Künstliche Intelligenz

Die Probleme, die wir mit künstlicher Intelligenz lösen wollen, sind komplex. Algorithmen (=Rechenvorgang nach einem bestimmten Schema) können aber nur kompliziert. Wir versuchen komplexe Probleme kompliziert zu lösen. Das funktioniert nicht. Lasst uns also bitte einfache und komplizierte Probleme lösen, da gibt es a) mehr als genug Potential und b) sind da auch vielfach Aufgaben dabei die niemanden Spaß machen!

Dr. Patrick Fritz