Während in den letzten Jahrzehnten eine Reihe von Definitionen von künstlicher Intelligenz (KI) aufgetaucht sind, bietet John McCarthy in diesem Paper aus dem Jahr 2004 (Link befindet sich außerhalb von ibm.com) folgende Definition: „Es handelt sich um die Wissenschaft und Entwicklung der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme. Sie ist verwandt mit der ähnlichen Aufgabe, Computer zu verwenden, um menschliche Intelligenz zu verstehen, aber KI muss sich nicht auf Methoden beschränken, die biologisch beobachtbar sind.“
Doch schon Jahrzehnte vor dieser Definition wurde die Diskussion über künstliche Intelligenz durch Alan Turings bahnbrechendes Werk „Computing Machinery and Intelligence“ (Link außerhalb von ibm.com), das 1950 veröffentlicht wurde, eingeleitet. In dieser wissenschaftlichen Publikation stellt Turing, oft als „Vater der Informatik“ bezeichnet, die folgende Frage: „Können Maschinen denken?“ Basierend auf dieser Frage bietet er einen Test an, der heute als „Turing-Test“ bekannt ist und bei dem ein menschlicher Befrager versucht, zwischen einer Computer- und einer menschlichen Textantwort zu unterscheiden. Obwohl dieser Test seit seiner Veröffentlichung stark hinterfragt wurde, ist er nach wie vor ein wichtiger Teil der Geschichte der KI und ein aktuelles Konzept innerhalb der Philosophie, da er Ideen aus der Linguistik nutzt.
Stuart Russell und Peter Norvig veröffentlichten daraufhin „Artificial Intelligence: A Modern Approach“ (Link befindet sich außerhalb von ibm.com), das zu einem der führenden Lehrbücher für KI-Studien wurde. Darin befassen sie sich mit vier möglichen Zielen oder Definitionen von KI, die Computersysteme anhand von Rationalität und Denken vs. Handeln unterscheiden:
Menschlicher Ansatz:
Idealer Ansatz:
Alan Turings Definition wäre unter die Kategorie „Systeme, die wie Menschen handeln“ gefallen.
In ihrer einfachsten Form ist künstliche Intelligenz ein Feld, das Informatik und leistungsfähige Datensätze kombiniert, um Problemlösungen zu ermöglichen. Es umfasst auch Teilbereiche des maschinellen Lernens und des Deep Learning, die häufig im Zusammenhang mit künstlicher Intelligenz genannt werden. Diese Disziplinen bestehen aus KI-Algorithmen, die nach Expertensystemen suchen, die Vorhersagen oder Klassifikationen basierend auf Eingabedaten erstellen.
Im Laufe der Jahre hat die künstliche Intelligenz viele Hype-Zyklen durchlaufen, aber selbst für
Skeptiker scheint die Veröffentlichung von ChatGPT von OpenAI einen Wendepunkt zu markieren. Das letzte Mal, als die generative KI eine so große Rolle spielte, waren die Durchbrüche im Bereich Computer Vision zu verzeichnen, aber jetzt liegt der Sprung nach vorne in der Verarbeitung natürlicher Sprache. Und es geht nicht nur um Sprache: Generative Modelle können auch die Grammatik von Softwarecode, Molekülen, natürlichen Bildern und einer Vielzahl anderer Datentypen lernen.
Die Anwendungen dieser Technologie nehmen täglich zu, und wir fangen gerade erst damit an,
die Möglichkeiten zu erkunden. Doch während der Hype um den Einsatz von KI in Unternehmen zunimmt,
werden Gespräche über Ethik von entscheidender Bedeutung. Um mehr darüber zu erfahren, wo IBM in der Diskussion um KI-Ethik steht, lesen Sie hier mehr.
Mit der IBM KI- und Datenplattform der nächsten Generation können Sie die Leistung von KI in Ihrem Unternehmen erheblich steigern.
IBM watsonx Orchestrate
IBM watsonx Assistant
Entdecken Sie Schulungen zu generativer KI für Entwickler
Schwache KI – auf Englisch auch „Narrow AI“ (schmale KI) genannt – ist KI, die darauf trainiert und fokussiert ist, bestimmte Aufgaben auszuführen. Schwache KI treibt den größten Teil der KI an, die uns heute umgibt. „Schmal“ (Narrow) wäre vielleicht eine genauere Beschreibung für diese Art von KI, denn sie ist alles andere als schwach; sie unterstützt einige sehr leistungsfähige Anwendungen, wie Siri von Apple, Alexa von Amazon, IBM watsonx und autonome Fahrzeuge.
Starke KI besteht aus künstlicher allgemeiner Intelligenz (Artificial General Intelligence, AGI) und künstlicher Superintelligenz (Artificial Super Intelligence, ASI). Künstliche allgemeine Intelligenz oder allgemeine KI ist eine theoretische Form der KI, bei der eine Maschine über eine dem Menschen vergleichbare Intelligenz verfügen würde; sie hätte ein Selbstbewusstsein, das in der Lage wäre, Probleme zu lösen, zu lernen und für die Zukunft zu planen. Künstliche Superintelligenz – auch bekannt als Superintelligenz – würde die Intelligenz und die Fähigkeiten des menschlichen Gehirns übertreffen. Auch wenn starke KI heute noch völlig theoretisch ist und es keine praktischen Beispiele gibt, bedeutet das jedoch nicht, dass KI-Forschende ihre Entwicklung nicht auch untersuchen. In der Zwischenzeit sind die besten Beispiele für künstliche Superintelligenz vielleicht aus der Science-Fiction, wie HAL, der übermenschliche, skrupellose Computer in 2001: Odyssee im Weltraum.
Da Deep Learning und maschinelles Lernen in der Regel synonym verwendet werden, lohnt es sich, die Nuancen zwischen den beiden Begriffen zu beachten. Wie bereits erwähnt, sind sowohl Deep Learning als auch maschinelles Lernen Teilgebiete der künstlichen Intelligenz, und Deep Learning ist eigentlich ein Teilgebiet des maschinellen Lernens.
Deep Learning besteht eigentlich aus neuronalen Netzen. „Deep“ in Deep Learning bezieht sich auf ein neuronales Netz, das aus mehr als drei Schichten besteht – einschließlich der Eingabeschicht und der Ausgabeschicht – und als Deep Learning-Algorithmus betrachtet werden kann. Dies wird im Allgemeinen anhand des folgenden Diagramms dargestellt.
Der Unterschied zwischen Deep Learning und maschinellem Lernen besteht darin, wie jeder Algorithmus lernt. Deep Learning automatisiert einen Großteil der Merkmalsextraktion, wodurch ein Teil der manuellen Eingriffe entfällt und die Verwendung größerer Datensätze ermöglicht wird. Sie können sich Deep Learning als „skalierbares maschinelles Lernen“ vorstellen, wie Lex Fridman in der oben erwähnten MIT-Vorlesung bemerkte. Klassisches maschinelles Lernen ist stärker auf menschliches Eingreifen angewiesen, um zu lernen. Menschliche Fachkräfte bestimmen die Hierarchie von Merkmalen, um die Unterschiede zwischen Dateneingaben zu verstehen. Normalerweise sind zum Erlernen strukturiertere Daten erforderlich.
Deep Learning kann gekennzeichnete Datensätze nutzen (überwachtes Lernen), um seinen Algorithmus zu informieren, erfordert jedoch nicht unbedingt einen gekennzeichneten Datensatz. Es kann unstrukturierte Daten in ihrer Rohform aufnehmen (z. B. Text, Bilder) und kann automatisch die Hierarchie von Merkmalen bestimmen, die verschiedene Datenkategorien voneinander unterscheiden. Im Gegensatz zum maschinellen Lernen ist kein menschliches Eingreifen zur Datenverarbeitung erforderlich, sodass wir maschinelles Lernen auf interessantere Weise skalieren können.
Generative KI bezieht sich auf Deep-Learning-Modelle, die aus Rohdaten – z. B. der gesamten Wikipedia oder den gesammelten Werken Rembrandts – „lernen“ können, statistisch wahrscheinliche Ergebnisse zu erzeugen, wenn sie dazu aufgefordert werden. Auf hoher Ebene kodieren generative Modelle eine vereinfachte
Darstellungen ihrer Trainingsdaten und erstellen daraus ein neues Werk, das ähnlich ist,
aber nicht identisch mit den ursprünglichen Daten.
Generative Modelle werden seit Jahren in Statistiken zur Analyse numerischer Daten verwendet. Das Aufkommen von Deep Learning ermöglichte es jedoch, sie auf Bilder, Sprache und andere komplexe Datentypen auszudehnen. Zu den ersten Modellen, die diese überschneidende Leistung vollbrachten, gehörten Variational Autoencoder, die 2013 eingeführt wurden. Variational Autoencoder waren die ersten Deep-Learning-Modelle, die in großem Umfang zur Erzeugung realistischer Bilder und Sprache eingesetzt wurden.
„Variational Autoencoder haben der tiefen generativen Modellierung Tür und Tor geöffnet, da sie die Skalierung von Modellen
erleichtern“, sagt Akash Srivastava, Experte für generative KI am MIT-IBM watsonx AI Lab.
„Vieles von dem, was wir heute als generative KI bezeichnen, hat hier seinen Anfang genommen.“
Frühe Beispiele für Modelle wie GPT-3, BERT oder DALL-E 2 haben gezeigt, was möglich ist. Die Zukunft sind Modelle, die auf einem breiten Satz unbeschrifteter Daten trainiert werden, die mit minimaler Feinabstimmung für verschiedene Aufgaben verwendet werden können. Systeme, die spezifische Aufgaben in einer einzelnen Domäne ausführen, weichen einer umfassenden KI, die allgemeiner lernt und bereichs- und problemübergreifend arbeitet. Diesen Wandel treiben Basismodell, die auf großen, unbeschrifteten Datensätzen trainiert und auf eine Reihe von Anwendungen abgestimmt werden, voran.
Was die generative KI betrifft, so wird vorausgesagt, dass Basismodelle die Einführung von KI in Unternehmen drastisch
beschleunigen werden. Die Verringerung der Kennzeichnungsanforderungen wird den Einstieg für Unternehmen wesentlich
erleichtern, und die hochpräzise, effiziente KI-gestützte Automatisierung, die sie ermöglichen, wird bedeuten, dass weitaus mehr Unternehmen in der Lage sein werden, KI in einem breiteren Spektrum geschäftskritischen Situationen einzusetzen.Für IBM besteht die Hoffnung darin, dass die Leistungsfähigkeit von Basismodellen irgendwann jedem Unternehmen in einer reibungslosen Hybrid-Cloud-Umgebung zur Verfügung gestellt werden kann.
Heutzutage gibt es zahlreiche reale Anwendungen von KI-Systemen. Nachfolgend finden Sie einige der häufigsten Anwendungsfälle:
Die Idee einer „Maschine, die denkt“ geht auf das antike Griechenland zurück. Aber seit dem Aufkommen der elektronischen Datenverarbeitung (und in Bezug auf einige der in diesem Artikel behandelten Themen) kam es in der Entwicklung der künstlichen Intelligenz zu folgenden wichtigen Ereignissen und Meilensteinen:
Setzen Sie KI in Ihrem Unternehmen ein – mit dem branchenführenden Fachwissen im Bereich KI und dem Lösungsportfolio von IBM an Ihrer Seite.
Erfinden Sie kritische Workflows und Abläufe neu, indem Sie KI einsetzen, um Erfahrungen, Entscheidungsfindung und den geschäftlichen Nutzen zu maximieren.
KI sorgt im Bereich Cybersicherheit für große Veränderungen. Mithilfe der Analyse enormer Mengen an Risikodaten können Reaktionszeiten verkürzt und unterbesetzte Sicherheitsabteilungen unterstützt werden.
Entdecken Sie neue Einblicke in die Chancen, Herausforderungen und Lehren, die wir aus der Einführung von KI in Unternehmen gezogen haben.
Greifen Sie auf unseren vollständigen Katalog mit über 100 Online-Kursen zu, indem Sie noch heute ein digitales Lernabonnement für Einzel- oder Mehrbenutzer erwerben, mit dem Sie Ihre Fähigkeiten in einer Reihe unserer Produkte zu einem günstigen Preis erweitern können.
IBM wurde im Gartner® Magic Quadrant 2023 für dialogorientierte KI-Unternehmensplattformen erneut als „führend“ ausgezeichnet.