Email to someoneTweet about this on TwitterShare on FacebookShare on LinkedIn

“Manche nennen das künstliche Intelligenz, aber in Wirklichkeit wird uns diese Technologie verbessern. Ich glaube, anstelle der künstlichen Intelligenz werden wir unsere Intelligenz verbessern.“ Virginia Rometty, CEO und Präsidentin von IBM

Wir erleben eine Zeitwende. Die Künstliche Intelligenz (KI bzw. AI – Artificial Intelligence) hat die Forschungslabore verlassen und durchdringt unsere Alltagswelt so atemberaubend schnell und ist auf dem Weg den Status Quo zu ändern. Künstliche und die dahinterstehenden technischen Systeme werden in den nächsten Jahren immer weiter an Bedeutung gewinnen. Schon jetzt beeinflussen diese Systeme viele Bereiche des täglichen Lebens und werden auch in Zukunft ihren Einfluss vergrößern. Das liegt nicht nur an der ständig zunehmenden Leistungsfähigkeit, sondern auch an ihrer Fähigkeit, sich durch Anpassungen an neue Umgebungen stetig und eigenständig weiterzuentwickeln. Wir erleben eine Zeitwende. Die Künstliche Intelligenz hat die Forschungslabore verlassen und durchdringt unsere Alltagswelt so atemberaubend schnell und ist auf dem Weg den Status Quo zu ändern – in Form von sprechenden Geräten, digitalen Assistenten, kooperativen Robotern und autonomen Fahrzeugen und Drohnen.

Diese Entwicklung, ausgelöst durch Big Data und amerikanische Internetkonzerne, wird durch die fortschreitende Digitalisierung aller Wirtschaftsbereiche befeuert. Die öffentlichen Diskussionen sind durch drei wesentliche Erwartungen bzw. Merkmale charakterisiert:

  • Die Erwartungen an die Leistungsfähigkeit technischer Systeme gehen weit über die derzeitig validierbaren Ergebnisse hinaus
  • Die wirtschaftliche Bedeutung technischer Systeme mit KI wird stark zunehmen
  • Die Unsicherheit bei der Bewertung dieser technischen Systeme äußert sich in vielseitigen Befürchtungen – für jeden einzelnen, für die Wirtschaft, Gesellschaft und für die Politik

Auf hochleistungsfähigen Soft- und Hardwareplattformen bieten die maschinellen Lernverfahren der KI das Instrumentarium, um aus den großen Datenmengen komplexe Zusammenhänge zu lernen, ohne explizit programmiert werden zu müssen. Zur Steuerung von Geräten und Prozessen werden Maßnahmen und Entscheidungen nicht nur datenbasiert vorgeschlagen, sondern gleich direkt eingesetzt. Die Verfahren des Lernens in tiefen Schichten aus künstlichen Neuronen lassen intelligente Maschinen in beliebigen Sprachen mit uns sprechen, unsere gemeinsame Umgebung wahrnehmen und interpretieren. Die künstliche Intelligenz schafft so eine neue Kommunikationsschnittstelle zu unserem Eigentum, beispielsweise der Wohnung, dem Auto, den Wearables und wird Touchscreens und Tastaturen verdrängen.

Abb. 1 – Quelle: VDI, CeBIT, Juni 2018: „Welches sind aus Ihrer Sicht die größten technischen Trends in der IT?“

Was ist Künstliche Intelligenz?

Im Jahre 1956 wurde Künstliche Intelligenz als Forschungsgebiet mit der Vision vorgeschlagen, dass eines Tages Maschinen abstrakte Konzepte bilden, Probleme lösen, deren Lösung nur Menschen möglich war und sich verbessern können sollten. Bereits 1950 hatte Alan Turing in einem berühmten Artikel den heute bekannten Turing-Test vorgeschlagen. Im Experiment soll man herausfinden, wer von den zwei Akteuren ein Mensch und wer ein Bot ist.

Per Definition der KI muss man jedoch zwei Kategorisierungen unterscheiden: die der schwachen und der starken KI. Die schwache KI ist diejenige, deren Lösungen sich auf bestimmte Aufgaben beschränken und nicht die menschliche Intelligenz zu imitieren versucht. Die starke KI dagegen möchte menschliche Intelligenz nachbilden und breitere kognitive Leistungen erzielen. Für die Beschränkungen der heutigen technischen Systeme gibt es in der Literatur und dem Internet einige prominente Beispiele. So klassifizierte beispielsweise Google dunkelhäutige Menschen auf Bildern als Gorillas und Amazons Alexa scheint nicht auf den Umgang mit Kindern vorbereitet worden zu sein. Aufgrund dieser Beispiele ist es unabdingbar, dass man mit Schieflagen in der Datengrundlage umgehen können muss und die heutigen und zukünftigen KI-Systeme erklärbar sein und sich ethisch verhalten müssen.
In der ersten kommerziell relevanten Welle entstanden bis in die 80er Jahre Planungs- und Expertensysteme für eng umgrenzte Aufgaben in sehr strukturierten Gebieten wie mathematischen Beweisen, Fehlerdiagnose oder Schach. Interessanterweise nutzten sie nur manuell eingegebenes symbolisches Wissen verschiedener Art: Wenn dann Regeln, logische Formeln und Konsistenzbedingungen. Das erlaubte eine heuristische Suche, unscharfes oder logisches Schließen. Separat zu dieser Entwicklung erforschten Wissenschaftler natürliche Sprache, Sehen und Robotik.

Anfang 2000 führten die sozialen Medien, das mobile Internet und allgemein die Digitalisierung zu einer neuen Welle der KI – mit einer neuen Generation von Technologien. Im Gegensatz zur ersten Welle der 80er werden nun Verfahren des Maschinellen Lernens (Machine Learning) eingesetzt, um aus großen Datenmengen anhand von Modellen, Muster zu extrahieren. Die dadurch entstandenen Modelle erlauben es, neue Daten zu interpretieren oder aus ihnen Voraussagen für Warnungen, Empfehlungen oder Entscheidungen zu generieren. Das Verhalten vernetzter, sogenannter smarten Geräten, Maschinen oder Anlagen beruht auf maschinellen Lernverhalten.

Deep Learning und neuronale Netze

Die Zunahme der Rechenleistung ermöglicht es längst bekannte Modelle, die künstlichen neuronalen Netze, auf viele Neuronenschichten zu erweitern. Das Lernen in solchen tiefen Netzen mit stark erhöhter Anzahl von Ebenen (engl. Deep Learning) ist besonders erfolgreich in der Sprach- und Bildverarbeitung. Künstliche neuronale Netze bilden die Basis für maschinelle Lernverfahren nach dem Vorbild der Nervenzellenvernetzung im Gehirn. Durch Änderung verschiedener relevanter Parameter im Netz können maschinelle Lernverfahren realisiert werden. Mit Deep Learning konnte man in neue Problemklassen vorstoßen. Bemerkenswert ist folgendes Beispiel: Als Google die Spracherkennung in Smartphones auf Deep Learning umstellte, konnte die Fehlerrate um 25 Prozent reduziert werden.

Neue Generation von KI-Systemen

Derzeit forscht man an einer neuen Generation von KI-Systemen. Sie sollen abstraktes Expertenwissen nutzen und selbst abstrahieren können, damit sie breiter anwendbar, robuster und selbsterklärend werden. Maschinelles Lernen, in denen ein Algorithmus / eine Maschine durch Wiederholen einer Aufgabe lernt, werden abgelöst und durch Blackbox-, Greybox-, Whitebox-Modelle, Neuromorphe Chips ersetzt. Abstraktes Wissen nutzt man in Form von Wissensgraphen in semantischen Schlussverfahren, aber häufig auch in den vorher erwähnten Greybox-Modellen für die Simulation von physikalischen Systemen, deren Parameter man durch Beobachtung lernen möchte.

Blackbox-, Greybox-, Whitebox-Modelle

Bisherige kognitive Systeme/Maschinen agieren auf Basis von lernenden Algorithmen Schlussfolge-rungen, Entscheidungen und Handlungen abzuleiten und mit ihrer Umgebung im Dialog zu verifizieren und zu optimieren. Neuere Modelle sind da schon erheblich weiter. Blackbox-, Greybox-, Whitebox-Modelle unterscheiden sich nur darin, ob und in welchem Umfang der Algorithmus das physikalische Modell der zu lernenden Problemstellung kennt und mit in seinen Lernprozess einbezieht. Während Whitebox-Modelle dies möglichst genau kennen, berücksichtigen Blackbox-Ansätze das Modell hingegen nicht. Die Kombination aus beiden Ansätzen wird als Greybox bezeichnet.

Neuromorphe Chips – Nervenzellen auf Hardware-Ebene

Neuartige Mikrochips bei denen Eigenschaften und Architektur von Nervenzellen auf Hardware nachgebildet werden bezeichnet man in der Literatur als Neuomorphe Chips. Diese Neuronen ähnliche Bauelemente simulieren die Assoziations- und Lernfähigkeit des Gehirns, was besonders die Erkennung von Mustern in Big-Data-Strukturen oder Bildern beschleunigen kann.

Erhebliche Marktchancen, vielfältige Herausforderungen

Den vielseitigen Einsatzmöglichkeiten und dadurch bedingten erheblichen Marktchancen stehen vielfältige Herausforderungen gegenüber. Dabei sollten folgende Leitgedanken eine tragende Rolle spielen:

  • Beim Einsatz von KI geht es nicht um die Dominanz der Technik über den Menschen, sondern um die Unterstützung des Menschen
  • Künstliche Intelligenz, die breiten Anwendungsmöglichkeiten und ihre Akzeptanz müssen frühzeitig und breit in der Gesellschaft diskutiert werden
  • Experten sollten sich aktiv und auf Basis fundierter Ausbildung mit den Chancen und Risiken von Künstlicher Intelligenz in technischen Systemen auseinandersetzen

KI ist neben Automation und Digitalisierung als eine der drei Basistechnologien für autonome Systeme, mit denen man sich als ein Fokusthema im Jahr 2019 besonders beschäftigen wird. Autonome Systeme werden die Welt verändern und übernehmen bereits heute komplexe Aufgaben. Sie werden in Zukunft in der Lage sein, den Menschen während seines gesamten Lebens zu unterstützen. Die Unternehmensberatung Gartner veröffentlichte 2017 wie jedes Jahr ihren Hype-Cycle aufkom-mender Technologien (siehe Abb. 2). Auf dem Scheitelpunkt findet man Machine Learning und Deep Learning, die Schlüsseltechnologien moderner KI-Systeme, davor und dahinter viele Anwendungen von KI-Systemen.

Abb. 2 – Quelle: Gartner (Juli 2017)


In 2018 sieht das Bild etwas anders aus. Neue Themen sind dazu gekommen und haben die Reihenfolge des Zyklus etwas verschoben. (siehe Abb. 3)

Abb. 3 – Quelle: Gartner (Juli 2017)


Die Einsatzmöglichkeiten von KI-Systemen sind vielfältig. KI-Systeme können eher assistiv und kooperativ oder eher autonom agieren. Sie können sowohl in digitalen Umgebungen eingebunden oder in Prozesse der physischen Welt eingebettet sein. Intelligente Dienste können Wissens- oder Sacharbeiten automatisieren, die nicht zeitkritisch sind. Bereits das Machine Learning mit Big Data ermöglichte smarte, vorausschauende Systeme, die sich selbst überwachen, Prognosen liefern und Maßnahmen vorschlagen oder durchführen.
Auch wenn die Grenzen einzelner Teilgebiete der KI nicht immer scharf gezogen werden können, ergibt sich schon ein gewisses Muster/Raster für solche KI-Systeme: Bots agieren in digitalen Umgebungen und sind nicht immer kooperativ, wohingegen kognitive Assistenten können digital oder verkörpert sein.

Potenzial für mehr Effizienz, Flexibilität und Lebensqualität

Zwar steckt der Einsatz von KI noch in den Kinderschuhen und ihre Methoden finden noch keine breite Anwendung, jedoch gibt es einige abgeleitete Methoden aus der KI, die im Rahmen von Big-Data-Projekten schon breit in der Praxis eingesetzt werden. Große Potenziale für KI werden aber in vielen Anwendungen und Applikationen gesehen, denn moderne KI-Methoden werden herkömmliche Verfahren auf Grundlage ihrer Lernfähigkeit vielfach überlegen sein. Am Beispiel vom Computer AlphaGo wurde 2017 demonstriert, dass eine Maschine für spezielle, spezifische Aufgaben sogar einem Menschen überlegen sein kann. Mithilfe zukünftige KI-Systeme können auf dieser Basis Lösungen gefunden werden, die bisherige Systemleistungen übertreffen werden.

Erhebliche zusätzliche Wertschöpfung

Die Einsatzmöglichkeiten für KI und KI-Systeme sind vielfältig und eröffnen daher erhebliche wirtschaftliche Marktchancen. Eine verlässliche Abschätzung des Wertschöpfungspotenzials ist jedoch äußerst schwierig. Es gibt verschiedene Studien, bedingt durch ihre Struktur und Annahmen zu unterschiedlichen Ergebnissen kommt. Es wird jedoch deutlich, dass alle Studien ein erhebliches Potenzial für zusätzliche Wertschöpfung durch den Einsatz von KI vorhersagen.
In der nächsten Ausgabe der Artikelreihe »Künstliche Intelligenz – Mensch vs. Maschine« beschäftigen wir uns mit der Kerntechnologie Maschinelles Lernen, verschiedene derzeitige KI-Plattformen und beschäftigen uns mit Anwendungsbeispielen.

Über ihre Meinungen oder ideenreiche Diskussionen sowie Kritik freue ich mich sehr! Bis bald und herzliche Grüße aus Frankfurt!

 

 

Portrait

Daniel Joseph

Practice Lead Germany
Technology, Data, Digital, Strategy & Change

Morgan Philips Executive Search Germany

 

 

Quellen:

  • IT Security – Knowhow für das Unter-nehmensmanagement, Ausgabe 1
  • Big Data – Changing the way businesses compete and operate, April 2014, P. van Kessel, J. Layman, J. Blackmore, I. Burnet, Y. Azuma, EY
  • Enabling Big Data – Building the capa-bilities that really matter, Mai 2014, R. Agarwal, E.Baltassis, J. Brock, J. Platt, BCG
  • The Trust Advantage – How to win with Big Data, November 2013, J. Rose, C. Barton, R. Souza, J. Platt, BCG
  • Big Data trifft auf künstliche Intelligenz – Herausforderungen und Implikationen für Aufsicht und Regulierung von Finanzdienstleistungen, BaFin
  • Zukunftsmarkt künstlicher Intelligenz – Potenziale und Anwendungen, Dr. D. Hecker, I. Döbel, U. Petersen, A. Rau-schert, V. Schmitz, Dr. A. Voss, Fraun-hofer IAIS
  • Trends für die Künstliche Intelligenz, Fraunhofer-Gesellschaft e.V., 2017
  • Künstliche Intelligenz, VDI-Statusreport, Oktober 2018
Email to someoneTweet about this on TwitterShare on FacebookShare on LinkedIn

Es kann nicht mehr kommentiert werden.