Künstliche Intelligenz (KI)

menu icon

Künstliche Intelligenz (KI)

Künstliche Intelligenz nutzt Computer und Maschinen, um die Problemlösungs- und Entscheidungsfähigkeiten des menschlichen Verstandes nachzuahmen.

Was ist künstliche Intelligenz?

Während in den letzten Jahrzehnten eine Reihe von Definitionen von künstlicher Intelligenz (KI) aufgetaucht sind, bietet John McCarthy in diesem Dokument (PDF, 106 KB) aus dem Jahr 2004 (Link befindet sich außerhalb von IBM) die folgende Definition an: „Es ist die Wissenschaft und Technik der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme. Es ist verwandt mit der ähnlichen Aufgabe, Computer zu benutzen, 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 Geburt des Gesprächs über künstliche Intelligenz durch Alan Turings bahnbrechendes Werk „Computing Machinery and intelligence“ (PDF, 89,8 KB) (Link befindet sich außerhalb von IBM) bezeichnet, das 1950 veröffentlicht wurde. In diesem Paper stellt Turing, der oft als „Vater der Informatik“ bezeichnet wird, folgende Frage: „Können Maschinen denken?“ Von dort aus bietet er einen Test an, der heute als „Turing-Test“ bekannt ist, bei dem ein menschlicher Interrogator versuchen würde, zwischen einer Textantwort eines Computers und eines Menschen zu unterscheiden. Obwohl dieser Test seit seiner Veröffentlichung viel hinterfragt wurde, bleibt er ein wichtiger Teil der Geschichte der KI sowie ein fortlaufendes Konzept innerhalb der Philosophie, da er Ideen rund um die Linguistik nutzt.

Stuart Russell und Peter Norvig veröffentlichten daraufhin Artificial Intelligence: A Modern Approach (Link befindet sich außerhalb von IBM), das zu einem der führenden Lehrbücher für das Studium der KI wurde. Darin gehen sie auf vier mögliche Ziele oder Definitionen von KI ein, die Computersysteme auf der Basis 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 die künstliche Intelligenz ein Gebiet, das Computerwissenschaft und leistungsfähige Datensätze kombiniert, um Problemlösungen zu aktivieren. Es umfasst auch Teilbereiche des maschinellen Lernens und des Deep Learning, die häufig in Verbindung mit künstlicher Intelligenz genannt werden. Diese Disziplinen bestehen aus KI-Algorithmen, die darauf abzielen, Expertensysteme zu erstellen, die Vorhersagen oder Klassifizierungen auf Basis von Eingabedaten treffen.

Heute umgibt die KI-Entwicklung immer noch viel Wirbel, der von jeder neu aufkommenden Technologie auf dem Markt erwartet wird. Wie in Gartners Hype Cycle (Link befindet sich außerhalb von IBM) erwähnt, folgen Produktinnovationen wie selbstfahrende Autos und persönliche Assistenten „einem typischen Innovationsverlauf, von übermäßiger Begeisterung über eine Phase der Ernüchterung bis hin zu einem letztendlichen Verständnis der Relevanz und Rolle der Innovation in einem Markt oder Bereich.“ Lex Fridman merkt hierzu (Link befindet sich außerhalb von IBM) in seinem MIT-Vortrag 2019 an, dass wir uns auf dem Höhepunkt der überhöhten Erwartungen befinden und dem Tiefpunkt der Ernüchterung nähern.

Während sich die Diskussionen um die Ethik der KI entwickeln, können wir die ersten Anzeichen für den Tiefpunkt der Ernüchterung erkennen. Weitere Informationen dazu, wo IBM innerhalb des Dialogs um KI Ethik steht, lesen Sie hier.

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 größten Teil der KI, die uns heute umgibt. „Schmal“ wäre vielleicht eine genauere Beschreibung für diese Art von KI, da sie alles andere als schwach ist; sie ermöglicht einige sehr leistungsfähige Anwendungen, wie Apples Siri, Amazons Alexa, IBM Watson und autonome Fahrzeuge.

Starke KI setzt sich aus Artificial General Intelligence (AGI) und Artificial Super Intelligence (ASI) zusammen. Allgemeine künstliche Intelligenz (Artificial general intelligence, AGI), oder allgemeine KI, ist eine theoretische Form der KI, bei der eine Maschine eine dem Menschen gleichgestellte Intelligenz hätte; sie hätte ein Selbstbewusstsein, das die Fähigkeit hat, Probleme zu lösen, zu lernen und für die Zukunft zu planen. Künstliche Superintelligenz (Artificial Super Intelligence, ASI) — auch bekannt als Superintelligenz — würde die Intelligenz und Fähigkeiten des menschlichen Gehirns übertreffen. Während starke KI heute noch völlig theoretisch ist und keine praktischen Beispiele im Einsatz sind, bedeutet das nicht, dass KI-Forscher nicht auch an ihrer Entwicklung arbeiten. In der Zwischenzeit sind die besten Beispiele für ASI vielleicht aus der Science-Fiction, wie HAL, der übermenschliche, schelmische Computerassistent in 2001: A Space Odyssey.

Deep Learning vs. maschinelles Lernen

Da Deep Learning und maschinelles Lernen tendenziell austauschbar genutzt werden, lohnt es sich, die Nuancen zwischen den beiden 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.

Visuelle Darstellung, wie KI, ML und DL miteinander in Beziehung stehen

 

Deep Learning besteht eigentlich aus neuronalen Netzen. Das „Tief“ in Deep Learning bezieht sich auf ein neuronales Netz, das aus mehr als drei Schichten besteht -einschließlich der Eingänge und des Ausgangs - und als Deep Learning-Algorithmus betrachtet werden kann. Dies wird im Allgemeinen anhand des folgenden Diagramms dargestellt:

Diagramm des Tiefen Neuronalen Netzes

Der Unterschied zwischen Deep Learning und maschinellem Lernen liegt in der Art und Weise, wie jeder Algorithmus lernt. Deep Learning automatisiert einen Großteil der Merkmalsextraktion, wodurch ein Teil der erforderlichen 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 genannten MIT-Vorlesung bemerkte. Klassisches oder „nicht Tiefes“ maschinelles Lernen ist mehr auf manuelle Eingriffe zum Lernen angewiesen. Menschliche Experten legen die Hierarchie der Merkmale fest, um die Unterschiede zwischen den Dateneingaben zu verstehen, was in der Regel mehr strukturierte Daten zum Lernen erfordert.

„Tiefes“ maschinelles Lernen kann markierte Datensätze nutzen, auch bekannt als überwachtes Lernen, um seinen Algorithmus zu informieren, aber es benötigt nicht unbedingt einen markierten Datensatz. Es kann unstrukturierte Daten in ihrer Rohform (z. B. Text, Bilder) aufnehmen und automatisch die Hierarchie der Merkmale bestimmen, die verschiedene Datenkategorien voneinander unterscheiden. Im Gegensatz zum maschinellen Lernen ist kein menschlicher Eingriff zur Verarbeitung der Daten erforderlich, wodurch wir das maschinelle Lernen auf interessantere Weise skalieren können.

Anwendungen im Bereich der künstlichen Intelligenz

Es gibt heute zahlreiche, reale Anwendungen von KI-Systemen. Im Folgenden finden Sie einige der häufigsten Beispiele:

  • Spracherkennung: Dies wird auch als automatische Spracherkennung (Automatic Speech Recognition, ASR), Computerspracherkennung oder Sprache-zu-Text bezeichnet und ist eine Fähigkeit, die Verarbeitung natürlicher Sprache (natural language processing, NLP) zu verwenden, um menschliche Sprache in ein schriftliches Format zu verarbeiten.Viele mobile Geräte integrieren Spracherkennung in ihre Systeme, um Suchen anhand Sprache durchzuführen - z. B. Siri - oder um mehr Barrierefreiheit rund um das Schreiben von Texten zu bieten.
  • Kundendienst: Online-Chatbots ersetzen menschliche Agenten entlang der Customer Journey. Sie beantworten häufig gestellte Fragen (FAQs) zu Themen wie Versand oder bieten personalisierte Beratung, Cross-Selling von Produkten oder Größenvorschläge für Benutzer und verändern damit die Art und Weise, wie wir über Kundeninteraktion auf Websites und Social-Media-Plattformen denken. Beispiele sind Messaging-Bots auf E-Commerce-Seiten mit virtuellen Agenten, Messaging-Apps wie Slack und Facebook Messenger sowie Aufgaben, die üblicherweise von virtuellen Assistenten und Sprachassistenten übernommen werden.
  • Computervision: Diese KI-Technologie ermöglicht es Computern und Systemen, aus digitalen Bildern, Videos und anderen visuellen Eingaben sinnvolle Informationen abzuleiten und auf Basis dieser Eingaben Maßnahmen zu ergreifen. Diese Fähigkeit, Empfehlungen zu geben, unterscheidet sie von Bilderkennungsaufgaben. Angetrieben durch Convolutional Neural Networks findet die Computervision Anwendung beim Foto-Tagging in Social Media, bei der radiologischen Bildgebung im Gesundheitswesen und bei selbstfahrenden Autos in der Automobilindustrie.
  • Empfehlungs-Engines: Anhand von Daten zum vergangenen Konsumverhalten können KI-Algorithmen helfen, Datentrends zu entdecken, die zur Entwicklung effektiverer Cross-Selling-Strategien genutzt werden können. Dies wird verwendet, um dem Kunden während des Check-out-Vorgangs bei Online-Händlern relevante Add-on-Empfehlungen zu geben.
  • Automatisierter Aktienhandel: KI-gesteuerte Hochfrequenzhandelsplattformen, die zur Optimierung von Aktienportfolios entwickelt wurden, führen täglich Tausende oder sogar Millionen von Handelsaktivitäten voll automatisch aus.

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 veröffentlicht Computing Machinery and Intelligence. In dem Paper 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, um festzustellen, ob ein Computer die gleiche Intelligenz (oder die Ergebnisse der gleichen Intelligenz) wie ein Mensch zeigen 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: Neuronale Netze, die einen Backpropagation-Algorithmus verwenden, um sich selbst zu trainieren, 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:

  • Erfassen: Vereinfachung der Datenerfassung und Zugänglichkeit.
  • Organisieren: Erstellen einer Business-Ready-Analysebasis.
  • Analysieren: Aufbau skalierbarer und vertrauenswürdiger KI-getriebener Systeme.
  • Integrieren: Integrieren und Optimieren von Systemen in einem gesamten Geschäfts-Framework.
  • Modernisieren: Ihre KI-Anwendungen und -Systeme in die Cloud bringen.

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.