Künstliche Intelligenz (KI)

menu icon

Künstliche Intelligenz (KI)

Künstliche Intelligenz ermöglicht es Computern und Maschinen, die Wahrnehmungs-, Lern-, Problemlösungs- und Entscheidungsfähigkeiten des menschlichen Verstandes zu imitieren.

Was ist künstliche Intelligenz?

In der Informatik bezieht sich der Begriff künstliche Intelligenz (KI) auf jede menschenähnliche Intelligenz, die ein Computer, ein Roboter oder eine andere Maschine aufweist. Im allgemeinen Sprachgebrauch bezieht sich künstliche Intelligenz auf die Fähigkeit eines Computers oder einer Maschine, die Fähigkeiten des menschlichen Verstandes zu imitieren – aus Beispielen und Erfahrungen zu lernen, Objekte zu erkennen, Sprache zu verstehen und darauf zu reagieren, Entscheidungen zu treffen, Probleme zu lösen – und diese und andere Fähigkeiten zu kombinieren, um Funktionen auszuführen, die ein Mensch ausführen könnte, wie z. B. einen Hotelgast zu begrüßen oder ein Auto zu fahren.

Nachdem sie jahrzehntelang als Science-Fiction abgetan wurde, ist KI heute Teil unseres Alltags. Der Anstieg der KI-Entwicklung wird durch die plötzliche Verfügbarkeit großer Datenmengen und die entsprechende Entwicklung und breite Verfügbarkeit von Computersystemen ermöglicht, die all diese Daten schneller und genauer verarbeiten können als Menschen. KI vervollständigt unsere Worte, während wir sie tippen, liefert uns Wegbeschreibungen, wenn wir danach fragen, saugt unsere Böden und empfiehlt uns, was wir als Nächstes kaufen oder ansehen sollten. Und sie treibt Anwendungen voran – wie z. B. die medizinische Bildanalyse –, die Fachleuten helfen, wichtige Arbeiten schneller und erfolgreicher zu erledigen.

So gebräuchlich künstliche Intelligenz heute auch ist, das Verständnis von KI und KI-Terminologie kann schwierig sein, weil viele der Begriffe austauschbar verwendet werden; und während sie in einigen Fällen tatsächlich austauschbar sind, sind sie es in anderen wiederum nicht. Was ist der Unterschied zwischen künstlicher Intelligenz und maschinellem Lernen? Zwischen maschinellem Lernen und Deep Learning? Zwischen Spracherkennung und natürlicher Sprachverarbeitung? Zwischen schwacher KI und starker KI? Dieser Artikel soll Ihnen helfen, diese und andere Begriffe zu sortieren und die Grundlagen der Funktionsweise von KI zu verstehen.

Künstliche Intelligenz, maschinelles Lernen und Deep Learning

Der einfachste Weg, die Beziehung zwischen künstlicher Intelligenz (KI), maschinellem Lernen und Deep Learning zu verstehen, ist folgender:

  • Stellen Sie sich künstliche Intelligenz als das gesamte Universum der Computertechnologie vor, die irgendetwas aufweist, das der menschlichen Intelligenz auch nur im Entferntesten ähnelt. KI-Systeme können alles umfassen, von einem Expertensystem – einer Problemlösungsanwendung, die Entscheidungen auf der Grundlage komplexer Regeln oder Wenn-dann-Logik trifft – bis hin zu etwas wie dem Äquivalent der fiktiven Pixar-Figur Wall-E, einem Computer, der die Intelligenz, den freien Willen und die Emotionen eines Menschen entwickelt.  
  • Maschinelles Lernen ist eine Teilmenge der KI-Anwendung, die selbständig lernt. Es programmiert sich selbst um, wenn es mehr Daten verarbeitet, um die spezifische Aufgabe, für die es entwickelt wurde, mit immer größerer Genauigkeit auszuführen. 
  • Deep Learning ist eine Untergruppe der maschinellen Lernanwendung, die sich selbst beibringt, eine bestimmte Aufgabe mit immer größerer Genauigkeit auszuführen, ohne dass ein Mensch eingreifen muss.
Diagramm der Beziehung zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning

Lassen Sie uns einen genaueren Blick auf maschinelles Lernen und Deep Learning werfen, und deren Unterschiede entdecken.

Maschinelles Lernen

Anwendungen des maschinellen Lernens (auch maschinelle Lernmodelle genannt) basieren auf einem neuronalen Netz, das ein Netzwerk aus algorithmischen Berechnungen ist, das versucht, die Wahrnehmung und den Denkprozess des menschlichen Gehirns nachzuahmen. In seiner grundlegendsten Form besteht ein neuronales Netz aus Folgendem:

  • Eine Eingabeebene, auf der Daten in das Netzwerk gelangen.
  • Mindestens eine versteckte Ebene, auf der maschinelle Lernalgorithmen die Eingaben verarbeiten und Gewichtungen, Verzerrungen und Schwellenwerte auf die Eingaben anwenden.
  • Eine Ausgabeschicht, in der verschiedene Schlussfolgerungen entstehen, in die das Netzwerk ein unterschiedliches Maß an Vertrauen hat.
Diagramm eines grundlegenden neuronalen Netzes.

Maschinelle Lernmodelle, die keine Deep-Learning-Modelle sind, basieren auf künstlichen neuronalen Netzen mit nur einer versteckten Schicht. Diese Modelle werden mit gelabelten Daten gefüttert, d. h. mit Daten, die mit Tags versehen sind, die ihre Merkmale auf eine Weise identifizieren, die dem Modell hilft, die Daten zu erkennen und zu verstehen. Sie sind zu überwachtem Lernen fähig (d. h. Lernen, das eine menschliche Überwachung erfordert), wie z. B. die periodische Anpassung der Algorithmen im Modell.

Deep Learning

Deep Learning Modelle basieren auf tiefen neuronalen Netzen – neuronalen Netzen mit mehreren versteckten Schichten, von denen jede die Schlussfolgerungen der vorherigen Schicht weiter verfeinert. Diese Bewegung von Berechnungen durch die versteckten Schichten zur Ausgabeschicht wird als Vorwärtspropagation bezeichnet. Ein anderer Prozess, Rückwärtspropagierung genannt, identifiziert Fehler in den Berechnungen, weist ihnen Gewichtungen zu und schiebt sie zurück zu den vorherigen Schichten, um das Modell zu verfeinern oder zu trainieren.

Diagramm eines tiefen neuronalen Netzes.

Während einige Deep-Learning-Modelle mit gelabelten Daten arbeiten, können viele auch mit nicht gelabelten Daten arbeiten – und zwar mit sehr vielen. Deep-Learning-Modelle sind auch in der Lage, nicht überwacht zu lernen, d. h. Merkmale und Muster in Daten mit einem Minimum an menschlicher Überwachung zu erkennen.

Eine einfache Veranschaulichung des Unterschieds zwischen Deep Learning und anderem maschinellen Lernen ist der Unterschied zwischen Apples Siri oder Amazons Alexa (die Ihre Sprachbefehle ohne Training erkennen) und den Voice-to-Type-Anwendungen von vor einem Jahrzehnt, bei denen die Benutzer das Programm „trainieren“ (und die Daten zuordnen) mussten, indem sie dem System vor der Verwendung eine Vielzahl von Wörtern vorsprachen. Aber Deep-Learning-Modelle treiben weitaus anspruchsvollere Anwendungen an, wie z. B. Bilderkennungssysteme, die Alltagsgegenstände schneller und genauer identifizieren können als Menschen.

Für einen tieferen Einblick in die nuancierten Unterschiede zwischen den Technologien, lesen Sie bitte „KI vs. Maschinelles Lernen vs. Deep Learning vs. Neuronale Netze: Was ist der Unterschied?

Arten von künstlicher Intelligenz – schwache KI vs. starke KI

Schwache KI - auch Narrow AI oder Artificial Narrow Intelligence (ANI) genannt - ist KI, die auf die Ausführung bestimmter Aufgaben trainiert und fokussiert ist. Schwache KI steuert den Großteil der KI, die uns heute umgibt. ‚Narrow (eng)‘ ist eine genauere Beschreibung für diese KI, denn sie ist alles andere als schwach; sie ermöglicht einige sehr beeindruckende Anwendungen, darunter Apples Siri und Amazons Alexa, den IBM Computer Watson, der menschliche Konkurrenten bei Jeopardy! besiegte, und selbstfahrende Autos.

Starke KI, auch Artificial General Intelligence (AGI) genannt, ist eine KI, die die Autonomie des menschlichen Gehirns vollständiger nachbildet – eine KI, die viele Arten oder Klassen von Problemen lösen und sogar die Probleme auswählen kann, die sie ohne menschliches Eingreifen lösen will. Starke KI ist noch völlig theoretisch, denn es gibt keine praktischen Beispiele, die heutzutage eingesetzt werden. Das heißt aber nicht, dass KI-Forscher nicht auch (vorsichtig) die künstliche Superintelligenz (ASI) erforschen, also eine künstliche Intelligenz, die der menschlichen Intelligenz oder Fähigkeit überlegen ist. Ein Beispiel für ASI könnte HAL sein, der übermenschliche (und schließlich skrupellose) Computerassistent in 2001: Odyssee im Weltraum.

Anwendungen im Bereich der künstlichen Intelligenz

Wie bereits erwähnt, ist künstliche Intelligenz heute allgegenwärtig, aber einiges davon gibt es schon länger, als Sie denken. Hier sind nur einige der häufigsten Beispiele:

  • Spracherkennung: Spracherkennung, auch Speech to Text (STT) genannt, ist eine KI-Technologie, die gesprochene Wörter erkennt und in digitalisierten Text umwandelt. Spracherkennung ist die Fähigkeit, die Computerdiktiersoftware, TV-Sprachfernbedienungen, sprachgesteuerte Textnachrichten und GPS sowie sprachgesteuerte Telefonbeantwortungsmenüs antreibt.
  • Verarbeitung natürlicher Sprache (NLP): NLPermöglicht einer Softwareanwendung, einem Computer oder einer Maschine, menschlichen Text zu verstehen, zu interpretieren und zu generieren. NLP ist die KI hinter digitalen Assistenten (wie den bereits erwähnten Siri und Alexa), Chatbots und anderen textbasierten virtuellen Assistenten. Einige NLP verwenden Stimmungsanalysen, um die Stimmung, Einstellung oder andere subjektive Qualitäten in der Sprache zu erkennen.
  • Bilderkennung (Computervision oder Machine Vision): KI-Technologie, die Objekte, Personen, Schreibvorgänge und sogar Aktionen innerhalb von Standbildern oder Bewegtbildern identifizieren und klassifizieren kann. Typischerweise durch tiefe neuronale Netze gesteuert, wird die Bilderkennung für Fingerabdruck-ID-Systeme, mobile Banking-Apps, Video- und medizinische Bildanalyse, selbstfahrende Autos und vieles mehr verwendet.
  • Empfehlungen in Echtzeit: Einzelhandels- und Unterhaltungswebsites verwenden neuronale Netze, um zusätzliche Käufe oder Medien zu empfehlen, die einen Kunden wahrscheinlich ansprechen – basierend auf den früheren Aktivitäten des Kunden, den früheren Aktivitäten anderer Kunden und unzähligen anderen Faktoren, einschließlich Tageszeit und Wetter. Untersuchungen haben ergeben, dass Online-Empfehlungen den Umsatz zwischen 5 und 30 % steigern können.
  • Schutz gegen Viren und Spam: Während früher regelbasierte Expertensysteme zum Einsatz kamen, arbeitet die heutige Viren- und Spam-Erkennungssoftware mit tiefen neuronalen Netzen, die neue Viren- und Spam-Typen so schnell erkennen können, wie Cyberkriminelle sie erfinden.
  • Automatisierter Aktienhandel: Entwickelt, um Aktienportfolios zu optimieren, führen KI-gesteuerte Hochfrequenzhandelsplattformen Tausende oder sogar Millionen von Trades pro Tag ohne menschliches Zutun durch.
  • Mitfahrdienste: Uber, Lyft und andere Mitfahrdienste nutzen künstliche Intelligenz, um Fahrgäste und Fahrer zusammenzubringen, um Wartezeiten und Umwege zu minimieren, verlässliche Ankunftszeiten zu liefern und sogar die Notwendigkeit von Preiserhöhungen in Zeiten hohen Verkehrsaufkommens zu beseitigen.
  • Haushaltsroboter: Der Roomba-Staubsauger von iRobot nutzt künstliche Intelligenz, um die Größe eines Raums zu bestimmen, Hindernisse zu erkennen und zu vermeiden und die effizienteste Route für das Saugen eines Bodens zu lernen. Ähnliche Technologie treibt Rasenmähroboter und Poolreiniger an.
  • Autopilot-Technologie: Diese wird schon seit Jahrzehnten in Verkehrs- und Militärflugzeugen verwendet. Heute nutzt der Autopilot eine Kombination aus Sensoren, GPS-Technologie, Bilderkennung, Technologie zur Kollisionsvermeidung, Robotik und natürlicher Sprachverarbeitung, um ein Flugzeug sicher durch die Lüfte zu führen und die menschlichen Piloten bei Bedarf zu informieren. Je nachdem, wen Sie fragen, verbringen heutige Verkehrspiloten gerade einmal dreieinhalb Minuten mit der manuellen Steuerung eines Fluges.

Geschichte der künstlichen Intelligenz: Schlüsseldaten und -namen

Die Idee einer „denkenden Maschine“ hat ihre Wurzeln im antiken Griechenland. Aber seit dem Aufkommen der elektronischen Datenverarbeitung (und in Bezug auf einige der in diesem Artikel besprochenen Themen) gehören zu den wichtigen Ereignissen und Meilensteinen in der Entwicklung der künstlichen Intelligenz die folgenden:

  • 1950: Alan Turing veröffentlichtComputing Machinery and Intelligence. In diesem Artikel schlägt Turing – berühmt für das Knacken des ENIGMA-Codes der Nazis während des Zweiten Weltkriegs – vor, die Frage „Können Maschinen denken?“ zu beantworten und führt den Turing-Test ein (Link liegt außerhalb von IBM), um festzustellen, ob ein Computer die gleiche Intelligenz (oder die Ergebnisse der gleichen Intelligenz) wie ein Mensch demonstrieren kann. Der Wert des Turing-Tests ist seit jeher umstritten.
  • 1956: John McCarthy prägt den Begriff „künstliche Intelligenz“ auf der allerersten KI-Konferenz am Dartmouth College. (McCarthy wird später die Sprache Lisp erfinden.) Später im selben Jahr entwickeln Allen Newell, J.C.Shaw und Herbert Simon den Logic Theorist, das erste laufende KI-Softwareprogramm überhaupt.
  • 1967: Frank Rosenblatt baut den Mark 1 Perceptron, den ersten Computer, der auf einem neuronalen Netz basiert, das durch Versuch und Irrtum „lernt“. Nur ein Jahr später veröffentlichen Marvin Minsky und Seymour Papert ein Buch mit dem Titel Perceptrons, das sowohl zum wegweisenden Werk über neuronale Netzwerke als auch, zumindest für eine Weile, zum Argument gegen zukünftige Forschungsprojekte im Bereich neuronaler Netze wird.
  • 1980er Jahre: Neuronale Netze mit Algorithmen zur Rückwärtspropagierung zum Trainieren des Netzes werden häufig in KI-Anwendungen eingesetzt.
  • 1997: IBMs Deep Blue besiegt den damaligen Schachweltmeister Garry Kasparov, in einem Schachmatch (und Rematch).
  • 2011: IBM Watson schlägt die Champions Ken Jennings und Brad Rutter in der Fernsehsendung Jeopardy!
  • 2015: Baidus Supercomputer Minwa 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: DeepMinds Programm AlphaGo, das von einem tiefen neuronalen Netz angetrieben wird, besiegt Lee Sodol, den Go-Weltmeister, in einem Fünf-Spiele-Match. Der Sieg ist angesichts der riesigen Anzahl möglicher Züge im weiteren Verlauf des Spiels (über 14,5 Billionen nach nur vier Zügen!) von Bedeutung. Später kaufte Google DeepMind angeblich für 400 Millionen Dollar.

Künstliche Intelligenz und IBM Cloud

IBM ist führend bei der Entwicklung von KI-gesteuerten Technologien für Unternehmen und hat Pionierarbeit für die Zukunft von maschinellen Lernsystemen für verschiedene Branchen geleistet. Basierend auf jahrzehntelanger KI-Forschung, jahrelanger Erfahrung in der Zusammenarbeit mit Unternehmen aller Größenordnungen und den Erkenntnissen aus über 30.000 IBM Watson-Einsätzen hat IBM die KI-Leiter für den erfolgreichen Einsatz künstlicher Intelligenz entwickelt:

  • Sammeln: Vereinfachung der Datenerfassung und Zugänglichkeit.
  • Analysieren: Aufbau skalierbarer und vertrauenswürdiger KI-gesteuerter Systeme.
  • Integrieren: Integration und Optimierung von Systemen über einen gesamten Unternehmensrahmen.
  • Modernisieren: Implementierung von KI-Anwendungen und -Systemen in die Cloud.

IBM Watson gibt Unternehmen die KI-Tools an die Hand, die sie benötigen, um ihre Geschäftssysteme und Arbeitsabläufe zu transformieren und gleichzeitig die Automatisierung und Effizienz deutlich zu verbessern. Weitere Informationen darüber, wie IBM Sie bei Ihrer KI-Reise unterstützen kann, finden Sie im IBM-Portfolio im Bereich Managed Services und Lösungen.

Registrieren Sie sich für eine IBMid und erstellen Sie Ihr IBM Cloud-Konto.