Was ist künstliche Intelligenz (KI)?
Künstliche Intelligenz nutzt Computer und Maschinen, um die Problemlösungs- und Entscheidungsfähigkeiten des menschlichen Verstands nachzuahmen.
Watsonx entdecken Für KI-Updates anmelden
Roboter unterstützt Verpackungsanlage
Was ist künstliche Intelligenz?

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:

  • Systeme, die wie Menschen denken
  • Systeme, die wie Menschen handeln

Idealer Ansatz:

  • Systeme, die rational denken
  • Systeme, die rational handeln

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.

Jetzt verfügbar: watsonx

Mit der IBM KI- und Datenplattform der nächsten Generation können Sie die Leistung von KI in Ihrem Unternehmen erheblich steigern.

Ähnliche Inhalte

IBM watsonx Orchestrate

IBM watsonx Assistant

Entdecken Sie Schulungen zu generativer KI für Entwickler

Wie man verantwortungsvolle KI im großen Maßstab aufbaut
Typen künstlicher Intelligenz – schwache KI vs. starke KI

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.

Deep Learning vs. maschinelles Lernen

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.

 

Der Aufstieg generativer Modelle

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.

Anwendungen für künstliche Intelligenz

Heutzutage gibt es zahlreiche reale Anwendungen von KI-Systemen. Nachfolgend finden Sie einige der häufigsten Anwendungsfälle:

  • Spracherkennung: Sie wird auch als automatische Spracherkennung, Computer-Spracherkennung oder Speech to Text bezeichnet und ist eine Fähigkeit, die die Verarbeitung natürlicher Sprache nutzt, um menschliche Sprache in ein schriftliches Format zu übertragen. Viele Mobilgeräte verfügen über eine integrierte Spracherkennung, die eine Sprachsuche ermöglicht – z. B. Siri – oder für mehr Barrierefreiheit rund um das Versenden von Textnachrichten sorgen. 
  • Kundenservice: Virtuelle Online-Agenten ersetzen Servicemitarbeitende während der gesamten Customer Journey. Sie beantworten häufig gestellte Fragen (FAQs) zu Themen wie dem Versand oder bieten persönliche Beratung an, verkaufen Produkte oder schlagen Kleidergrößen vor. Damit verändert sich die Art und Weise, wie wir über Kundenbeziehungen auf Websites und Social-Media-Plattformen nachdenken. Beispiele hierfür sind Nachrichtenbots auf E-Commerce-Websites mit virtuellen Agenten, Nachrichten-Apps wie Slack und Facebook Messenger sowie Aufgaben, die üblicherweise von virtuellen Assistenten und Sprachassistenten übernommen werden.
  • Computer Vision: Diese KI-Technologie ermöglicht es Computern und Systemen, aus digitalen Bildern, Videos und anderen visuellen Eingaben aussagekräftige Informationen abzuleiten und auf der Grundlage dieser Eingaben Maßnahmen zu ergreifen. Durch diese Fähigkeit, Empfehlungen zu geben, unterscheidet sie sich von Bilderkennungsaufgaben. Auf der Grundlage von Convolutional Neural Network findet die Computer Vision Anwendung bei Foto-Tagging in sozialen Medien, radiologischen bildgebenden Verfahren im Gesundheitswesen und selbstfahrenden Autos in der Automobilindustrie.
  • Recommendation-Engines: Anhand von Daten zum Konsumverhalten der Vergangenheit können KI-Algorithmen dabei helfen, Datentrends zu erkennen, die zur Entwicklung effektiverer Cross-Selling-Strategien genutzt werden können. Dies dient dazu, den Kunden während des Check-out-Prozesses bei Online-Händlern relevante Add-on-Empfehlungen zu geben.
  • Automatisierter Aktienhandel: KI-gesteuerte Hochfrequenz-Handelsplattformen, die zur Optimierung von Aktienportfolios entwickelt wurden, führen täglich Tausende oder sogar Millionen von Handelsaktivitäten ohne menschliches Zutun durch.

 

Geschichte der künstlichen Intelligenz: Wichtige Daten und Namen

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:

  • 1950: Alan Turing veröffentlicht Computing Machinery and Intelligence. In der wissenschaftlichen Publikation schlägt Turing – berühmt für das Knacken des ENIGMA-Codes der Nazis im Zweiten Weltkrieg – vor, die Frage „Können Maschinen denken?“ zu beantworten, und führt dazu den Turing-Test ein. Dieser soll bei der Feststellung helfen, ob ein Computer die gleiche Intelligenz (oder die Ergebnisse der gleichen Intelligenz) wie ein Mensch zeigen kann. Der Wert des Turing-Tests ist seitdem umstritten.
  • 1956: John McCarthy prägt auf der allerersten KI-Konferenz am Dartmouth College den Begriff „künstliche Intelligenz“. (McCarthy erfand später die Sprache LISP.) Später im selben Jahr entwickeln Allen Newell, J.C. Shaw und Herbert Simon den Logic Theorist, das allererste laufende KI-Softwareprogramm.
  • 1967: Frank Rosenblatt baut den Mark 1 Perceptron, den ersten Computer, der auf einem neuronalen Netzwerk basiert und durch Versuch und Irrtum „gelernt“ hat. Nur ein Jahr später veröffentlichen Marvin Minsky und Seymour Papert ein Buch mit dem Titel Perceptrons, das sowohl zum Meilenstein der neuronalen Netze als auch, zumindest für eine Weile, zum Argument gegen künftige Forschungsprojekte zu neuronalen Netzen wird.
  • 1980s: Neuronale Netze, die einen Backpropagation-Algorithmus verwenden, um sich selbst zu trainieren, werden in KI-Anwendungen weithin eingesetzt.
  • 1997: Deep Blue von IBM schlägt den damaligen Schachweltmeister Garry Kasparov in einem Schachspiel (und Rückspiel).
  • 2011: IBM watsonx schlägt Champions Ken Jennings und Brad Rutter bei Jeopardy!
  • 2015: Der Supercomputer Minwa von Baidu verwendet eine spezielle Art von tiefem neuronalem Netz, ein sogenanntes Convolutional Neural Network, um Bilder mit einer höheren Genauigkeit zu identifizieren und zu kategorisieren als der durchschnittliche Mensch.
  • 2016: Das Programm AlphaGo von DeepMind, das von einem tiefen neuronalen Netz angetrieben wird, besiegt Lee Sodol, den Go-Weltmeister, in einem Fünf-Spiele-Match. Der Sieg ist bedeutsam angesichts der enormen Anzahl möglicher Züge im Verlauf des Spiels (über 14,5 Billionen nach nur vier Zügen!). Später kaufte Google DeepMind für angeblich 400 Millionen US-Dollar.
  • 2023: Die Zunahme großer Sprachmodelle (LLMs) wie ChatGPT führt zu einer
    enorme Veränderungen in der Leistung von KI und ihrem Potenzial, den Unternehmenswert zu steigern.
    Mit diesen neuen generativen KI-Praktiken können Deep-Learning-Modelle vorab mit
    riesigen Mengen an unbeschrifteten Rohdaten trainiert werden.

 

Weiterführende Lösungen
Lösungen im Bereich Künstliche Intelligenz (KI)

Setzen Sie KI in Ihrem Unternehmen ein – mit dem branchenführenden Fachwissen im Bereich KI und dem Lösungsportfolio von IBM an Ihrer Seite.

KI-Lösungen erkunden
KI-Services

Erfinden Sie kritische Workflows und Abläufe neu, indem Sie KI einsetzen, um Erfahrungen, Entscheidungsfindung und den geschäftlichen Nutzen zu maximieren.

KI-Services entdecken
KI für die Cybersicherheit

KI sorgt im Bereich Cybersicherheit für große Veränderungen. Mithilfe der Analyse enormer Mengen an Risikodaten können Reaktionszeiten verkürzt und unterbesetzte Sicherheitsabteilungen unterstützt werden.

KI für Cybersicherheit erkunden
Ressourcen E-Book zu künstlicher Intelligenz herunterladen

Entdecken Sie neue Einblicke in die Chancen, Herausforderungen und Lehren, die wir aus der Einführung von KI in Unternehmen gezogen haben.

Sparen Sie bis zu 70 % mit unserem digitalen Lernabonnement

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.

Magic Quadrant für dialogorientierte KI-Plattformen für Unternehmen, 2023

IBM wurde im Gartner® Magic Quadrant 2023 für dialogorientierte KI-Unternehmensplattformen erneut als „führend“ ausgezeichnet.

Gehen Sie den nächsten Schritt

IBM ist führend bei der Entwicklung von KI-gestützten Technologien für Unternehmen und leistet Pionierarbeit bei der Entwicklung von Systemen für maschinelles Lernen in verschiedenen Branchen. Erfahren Sie, wie IBM watsonx Unternehmen die KI-Tools zur Transformation ihrer Geschäftssysteme und Workflows bietet und gleichzeitig die Automatisierung und Effizienz deutlich verbessert.

KI-Lösungen erkunden