Was ist Cognitive Computing?

Aufbauend auf den umfassenden Computing-Frameworks der künstlichen Intelligenz (KI) und Signalverarbeitung kombiniert Cognitive Computing eine Reihe von Disziplinen des maschinellen Lernens (ML) mit Prinzipien der Mensch-Computer-Interaktion, Dialog- und Narrativgenerierungstechniken, um Maschinen zu schaffen, die wie Menschen lernen, denken und verstehen können. Effektive Cognitive Computing-Systeme können große Datenmengen verarbeiten, um Muster und Zusammenhänge zu erkennen, die über die menschlichen Fähigkeiten hinausgehen. 

Zwar gibt es viele Bereiche, in denen Computer den Menschen überlegen sind, doch selbst fortschrittliche KI-Systeme haben noch immer Schwierigkeiten mit bestimmten Aufgaben, wie dem Verstehen natürlicher Sprache und dem Erkennen bestimmter Objekte. Cognitive Computing versucht, die kognitiven Systeme des menschlichen Gehirns nachzuahmen (zum Beispiel Mustererkennung, Spracherkennung usw.), um die Entscheidungsfindung zu verbessern.   Cognitive Computing-Systeme können so konzipiert sein, dass sie dynamische Datensätze in Echtzeit und mehrere Informationsquellen in Kombination nutzen, einschließlich sensorischer Eingaben wie visuelle, gestische, auditive oder von Sensoren bereitgestellte Daten. 

Einige reale Anwendungsfälle für Cognitive Computing sind Stimmungsanalysen, Risikobewertungen und Formen der Bilderkennung, wie z. B. Gesichts- und Objekterkennung. Cognitive Computing ist in den Bereichen Robotertechnik, Gesundheitswesen, Bankwesen, Finanzen und Einzelhandel von besonderem Wert. 

Das übergeordnete Ziel des Cognitive Computing besteht darin, Systeme zu entwickeln, die in der Lage sind, komplexe, mehrstufige Probleme zu lösen, die in der Regel menschliche Kognition erfordern. Diese Art von Problemen erfordert in der Regel eine hochgradige, kontextabhängige Mustererkennung. Wenn es darum geht, Sprache oder Bilder zu interpretieren, sind Menschen sehr gut darin, Kontexthinweise zu erkennen, die eine genaue Entscheidungsfindung ermöglichen. Diese Art von Aufgaben kann für regelbasierte Computersysteme eine viel größere Herausforderung darstellen.

Kognitive Computer werden im Gegensatz zu herkömmlichen Systemen entwickelt, um große Mengen unstrukturierter Daten aus verschiedenen Quellen zu analysieren, mit dem spezifischen Ziel, durch ausgefeiltere Mustererkennung genaue und wertvolle Erkenntnisse zu gewinnen. Effektive Cognitive Computing-Systeme können Texte (in regulären und unregelmäßigen Schriftarten), Bilder und Sprache interpretieren und sind sogar in der Lage, Verbindungen zwischen unterschiedlichen Datentypen herzustellen. Solche Systeme können sich zudem im Laufe der Zeit verbessern und den menschlichen Lernprozess nachahmen. 

Cognitive Computing-Modelle basieren zumeist auf künstlichen neuronalen Netzen, einer Art von KI, die Schichten von Knoten oder künstlichen Neuronen verwendet, die von den Nervenbahnen im menschlichen Gehirn inspiriert sind. Diese Arten von Netzwerken können sich im Laufe der Zeit verbessern, indem sie effektiv aus jedem einzelnen Datenelement lernen, das ihnen zugeführt wird, um ihren Entscheidungsfindungsprozess zu optimieren.

Während neuronale Netze für bestimmte Arten von Aufgaben sehr leistungsfähig sein können, integrieren kognitive Systeme häufig auch andere Arten von KI-gesteuerten oder KI-verwandten Technologien, wie z. B. Verarbeitung natürlicher Sprache (NLP) und maschinelles Lernen, um verschiedene Eingaben und Signale besser zu verstehen und zu interpretieren. 

Cognitive Computing-Systeme sind darauf ausgelegt, große Datenmengen aus verschiedenen Arten von Quellen zu kombinieren. Um unterschiedliche und manchmal widersprüchliche Eingaben zu analysieren und abzuwägen und auf der Grundlage des erlernten Kontexts fundierte Schlussfolgerungen zu ziehen, verwenden kognitive Systeme verschiedene selbstlernende Technologien, die die menschliche Intelligenz nachahmen sollen. Zu diesen Methoden gehören vorausschauende Analysen, Datenanalyse, Big Data Mining und verschiedene Mustererkennungsmodelle zur Optimierung des Entscheidungsfindungsprozesses.

Das Training der Arten von maschinellen Lernalgorithmen, die in kognitiven Systemen verwendet werden, erfordert große Mengen sowohl strukturierter als auch unstrukturierter Daten. Während des Trainings beginnen diese Arten von Systemen, Muster zu erkennen, und verfeinern im Laufe der Zeit ihre Datenverarbeitungstechniken, um schnellere und genauere Verbindungen herzustellen. 

Beispielsweise kann ein KI-System, das darauf trainiert ist, verschiedene Blumenarten zu erkennen, mit einer Datenbank gefüttert werden, die Hunderttausende verschiedener Blumenbilder speichert. Beispielsweise kann ein KI-System, das darauf trainiert ist, verschiedene Arten von Blumen zu identifizieren, mit einer Datenbank gespeist werden, in der Hunderttausende verschiedener Blumenbilder gespeichert sind. 

Ein System, das darauf trainiert ist, Blumen nur anhand von Blumenbildern zu identifizieren, könnte jedoch bestimmte Kontexthinweise, die Bilder nicht vermitteln können, falsch interpretieren. Um kognitive Fähigkeiten zu erreichen, die denen der menschlichen Entscheidungsfindung ähneln, müssen kognitive Computersysteme verschiedene Arten von Technologien miteinander verbinden und bestimmte spezifische Eigenschaften aufweisen. Um als Cognitive Computer zu gelten, muss ein System nämlich die folgenden Eigenschaften aufweisen.

Cognitive Computing-Systeme entstehen, indem viele verschiedene Arten von Computermodellen zu einem Hybridsystem verbunden werden, das menschliche Denkprozesse und Intelligenz besser annähern kann. Diese Modelle umfassen verschiedene Arten künstlicher Intelligenz sowie KI-nahe oder KI-bezogene Modelle, wie beispielsweise:

• Narrow AI: Die „enge“ künstliche Intelligenz oder „schwache“ KI umfasst alle bestehenden Formen der KI und ist derzeit die einzige verfügbare Art der realisierten KI. Es wurden zwar leistungsfähigere, theoretische Formen der KI angenommen, aber die Narrow AI kann nur für die Ausführung einzelner, oder enger, Aufgaben trainiert werden. Obwohl die Möglichkeiten der Narrow AI begrenzt sind, kann sie bestimmte Aufgaben in der Regel schneller als Menschen ausführen, wobei die Genauigkeit zunimmt, wenn auch nicht perfekt ist. Narrow AI ist jedoch nicht in der Lage, außerhalb ihrer programmierten Aufgaben zu arbeiten. Narrow AI ist darauf ausgelegt, auf bestimmte Teilmengen kognitiver Fähigkeiten abzuzielen. Selbst scheinbar fortschrittliche KI-Systeme wie Siri von Apple, Alexa von Amazon oder ChatGPT gelten als Narrow AI.

• Expertensysteme: Expertensysteme sind so konzipiert, dass sie wie ein begrenzter KI-Ersatz für hoch qualifizierte Experten fungieren. Sie werden anhand umfassender Datensätze trainiert, die Fakten und eindeutige Regeln enthalten, gepaart mit einer Inferenzmaschine, die darauf abgestimmt ist, die Regeln möglichst genau anzuwenden. Das Ziel von Expertensystemen ist es, Ratschläge oder Lösungen anzubieten, genau wie es ein menschlicher Experte tun würde. Diese Systeme können dazu verwendet werden, Trends und Muster aufzudecken, und sie werden häufig eingesetzt, um Unternehmen dabei zu helfen, zukünftige Ereignisse vorherzusagen oder ein besseres Verständnis für vergangene Ereignisse zu erlangen. 

• Maschinelles Lernen: Maschinelles Lernen (ML) ist ein Zweig der KI, der sich darauf konzentriert, Computersystemen zu ermöglichen, so zu lernen wie Menschen. ML-Algorithmen helfen Computersystemen dabei, Aufgaben autonom auszuführen und ihre Leistung und Genauigkeit im Laufe der Zeit zu verbessern, da sie mit immer mehr Daten und positivem und negativem Feedback konfrontiert werden.
• Neuronale Netze: Neuronale Netzwerkmodelle sind eine Untergruppe von Modellen für maschinelles Lernen, die Reinforcement Learning verwenden, um Entscheidungen zu treffen. Diese Arten von Netzwerken verwenden Schichten, um die Art und Weise nachzuahmen, wie biologische Neuronen zusammenarbeiten, um Optionen abzuwägen und Phänomene zu identifizieren.

• Deep Learning: Deep Learning ist ebenfalls ein Teilbereich des maschinellen Lernens, bei dem mehrschichtige neuronale Netze, sogenannte Deep Networks, verwendet werden, um die komplexen Entscheidungsfähigkeiten des menschlichen Geistes nachzuahmen. Der Hauptunterschied zwischen Deep Learning und maschinellem Lernen besteht in der erhöhten Komplexität der Netzwerkarchitektur. Während traditionelle Modelle des maschinellen Lernens einfache neuronale Netze mit einer oder zwei Berechnungsebenen verwenden, nutzen Deep-Learning-Modelle mehr – in der Regel Hunderte oder Tausende von Ebenen.

• Verarbeitung natürlicher Sprache (NLP): Die Verarbeitung natürlicher Sprache kombiniert computergestützte Linguistik, einen regelbasierten Modellierungsansatz für Sprache, mit statistischer Modellierung, maschinellem Lernen und Deep Learning, um Computern zu ermöglichen, natürliche Sprache oder Text zu verstehen und darauf zu reagieren. NLP umfasst auch die Teildisziplinen Natural Language Understanding (NLU) und Natural Language Generation (NGU), um eine umfassende Erfahrung zu bieten.

• Automatische Spracherkennung (ASR): Spracherkennung, auch bekannt als Computer-Spracherkennung oder Speech-to-Text-Technik, bezieht sich auf Techniken, die es Computerprogrammen ermöglichen, menschliche Rede in einem schriftlichen Format zu verarbeiten. Nicht zu verwechseln mit der Stimmerkennung, einer Technik, die es Computern ermöglicht, die Stimme eines einzelnen Benutzers zu identifizieren und von anderen zu unterscheiden.

• Objekterkennung: Die Objekterkennung, eine Komponente der Computer Vision, verwendet neuronale networks, um Objekte in Bildern zu lokalisieren und nach semantischen categories zu klassifizieren. Die Objekterkennung ist ein nützliches Werkzeug für eine Vielzahl von Branchen und Anwendungen, darunter selbstfahrende autonome Fahrzeuge, visuelle Suche und medizinische Bildgebung.

• Robotertechnik: Kognitive Systeme beziehen oft Robotertechnik in die Anwendung ein. Roboter, die mit kognitiven Systemen ausgestattet sind, können mithilfe von schmaler KI repetitive und routinemäßige Aufgaben ausführen, von Haushaltsstaubsaugern für Verbraucher bis hin zu chirurgischen Assistenzgeräten für medizinische Zwecke. In der Landwirtschaft hilft Robotertechnik kognitive Systeme bei Aufgaben wie autonomem Beschneiden, Transportieren, Ausdünnen, Säen und Sprühen. 

Die jüngsten Entwicklungen der KI-Technologien haben großen Einfluss auf Cognitive Computing Anwendungen, von generativen KI-Programmen wie ChatGPT und Midjourney bis hin zu eigenständig fahrenden Autos und darüber hinaus. Einige gängige reale Anwendungen des Cognitive Computing umfassen mehrere Aspekte, wie z. B.:

Beliebte virtuelle KI-Assistenten wie Alexa, Siri und Google Assistant setzen auf Cognitive Computing, um ihren Nutzen durch Automatisierung und Interaktivität zu verbessern. Solche Assistenten verwenden maschinelle Lernsysteme, um natürliche Sprache zu verarbeiten und ihre Vorschläge anzupassen, um bessere Ergebnisse für einzelne Benutzer zu erzielen.      

Cognitive Computing-Systeme haben sich für viele Bank- und Finanzanwendungen als wertvoll erwiesen. Kognitive Systeme werden eingesetzt, um wirtschaftliche Bedingungen wie Variablen der Lieferkette und Markttrends zu überwachen, um sowohl zukünftige Chancen als auch potenzielle Krisen vorherzusagen und zu modellieren.

Cognitive Computing-Systeme haben sich als besonders geeignet für tiefgreifende Datenanalyse und Mustererkennung erwiesen. Diese Fähigkeiten werden insbesondere im Bereich der Cybersicherheit sinnvoll eingesetzt. Hier nutzen Spezialisten Cognitive Computing, um das Nutzerverhalten, wie beispielsweise Finanztransaktionen, zu analysieren und Muster potenzieller Betrugsfälle und Risiken zu erkennen. 

Kognitive Systeme haben sich in Einzelhandels-Anwendungen als nützlich erwiesen. Technologieorientierte Einzelhändler wie Amazon und Netflix nutzen Cognitive Computing, um tiefere Einblicke in die Kaufhistorie der Nutzer zu gewinnen und bessere Produktempfehlungen zu geben, die auf die persönlichen Interessen der einzelnen Nutzer zugeschnitten sind.

Kognitive Systeme haben sich auch im Kundenservice verschiedener Branchen als nützlich erwiesen, wo sie fortschrittliche Chatbots als virtuelle Agenten unterstützen. Diese Agenten bieten detaillierten und fundierten Support mit einer bisher unerreichten Geschwindigkeit und in einem bisher unerreichten Umfang.

Als eines der bekanntesten und renommiertesten kognitiven Systeme erlangte IBM® Watson Bekanntheit durch seine Teilnahme an der beliebten Quizshow Jeopardy, während sein Vorgänger Deep Blue die Welt schockierte, als es als erstes Computersystem einen Schachweltmeister besiegte.

Die heutige Iteration (IBM watsonx) und Anwendungen sind noch beeindruckender. Ein bemerkenswerter Anwendungsfall ist die Gesundheitsbranche, wo watsonx Anbieter bei der Verbesserung medizinischer Diagnosen unterstützt hat. Watsonx ist in der Lage, einige der aktuellsten Forschungsergebnisse und komplexen Krankengeschichten zu sammeln und zu verstehen, und hat erfolgreich Behandlungsvorschläge abgeleitet, um die Patientenversorgung zu verbessern.