Künstliche Intelligenz

Selbstlernende Maschinen nutzen Big Data und Cloud-Computing,
um laufend die abhängigen Prozesse zu optimieren.

von Andreas Fuhrich

Ob künstliche Intelligenz, maschinelles Lernen oder Deep Learning, in der Praxis werden diese Begriffe häufig als Synonyme verwendet. Dabei besitzen die drei Begrifflichkeiten große Unterschiede in ihrer Bedeutung und stehen in einer strikten Hierarchie zueinander. Die künstliche Intelligenz ist der Oberbegriff für alle Methoden und Technologien, die ein intelligentes Verhalten vorweisen. Das maschinelle Lernen ist dabei ein Teilgebiet der KI, welches eine Vielzahl an (Lern-)Methoden basierend auf der mathematischen Optimierung und Statistik umfasst. Deep Learning wiederum ist ein spezieller Teilbereich des maschinellen Lernens, der versucht, die statistischen Korrelationen in den Daten durch künstliche neuronale Netze abzubilden.

All diese Technologien brauchen Daten als Rohstoff des Fortschritts. Durch die Entwicklung der Informationstechnologie und vor allem die zunehmende Vielfalt an (I)IoT-Devices sind diese in immer größeren Mengen verfügbar. Sie enthalten oft implizites Wissen, das, wenn es bekannt wäre, große wirtschaftliche oder wissenschaftliche Bedeutung hätte. Unter Data Mining versteht man die Suche nach potenziell nützlichem Wissen in großen Datenmengen – maschinelle Lernverfahren gehören zu den Schlüsseltechnologien innerhalb dieses Gebiets. Sie unterstützen den Data-Mining-Prozess vor allem beim Aufspüren neuer Muster und Gesetzmäßigkeiten.

„Künstliche Intelligenz hat in den letzten Jahren eine neue Reifephase erreicht und entwickelt sich als Basisinnovation zum Treiber der Digitalisierung und autonomer Systeme in allen Lebensbereichen“, schildert die am 15. November 2018 verabschiedete Strategie Künstliche Intelligenz die Ausgangssituation. Durch sie sollen „die vielfältigen Anwendungsmöglichkeiten von KI in allen Bereichen der Gesellschaft im Sinne eines spürbaren gesellschaftlichen Fortschritts und im Interesse der Bürgerinnen und Bürger gefördert werden“. Die Zeichen stehen auf Wachstum. Deutschland soll zum weltweit führenden Standort für künstliche Intelligenz werden und „AI made in Germany“ zum weltweit anerkannten Gütesiegel.(1) Da haben wir uns etwas vorgenommen.

Die Erwartungen an die Politik sind entsprechend hoch. Neben der Schaffung rechtlicher Rahmenbedingungen spielt auch die Förderung junger Unternehmen eine entscheidende Rolle. Oft stammen wegweisende Innovationen von Start-ups. Dafür bedarf es eines Umfelds, in dem Gründer ohne bürokratische Hürden ihre Unternehmen aufbauen können, gut ausgebildete Mitarbeiter finden und einfachen Zugang zum Markt erhalten.

Aber wie sieht es mit den Investitionen unseres Staates wirklich aus? Sicher ist, dass Deutschland mit seinen Fördergeldern für KI hinter China und den USA zurückbleibt. Drei Milliarden Euro will Deutschland bis 2025 investieren. Demgegenüber steht der chinesische Plan „Nächste Generationen der KI-Technologien“ mit Staatsfördermitteln von 150 Milliarden Dollar bis 2030.

Und auch zeitlich hinkt Deutschland hinterher. Während KI für uns alle noch Neuland ist, existiert der Plan der Volksrepublik bereits seit Juni 2017. Die USA profitieren beim KI-Wettlauf vor allem von spendablen Risikokapitalgebern, die allein 2017 ca. 10 Milliarden Dollar in die Technologie pumpten, sowie ihrem Ökosystem aus Tech-Giganten. Apple, Tesla, Microsoft, Google, Facebook und IBM sind die Big Player am Markt, was nicht zuletzt auch der Bekanntheitsgrad von Watson, Siri, Alexa, Cortana oder OK Google belegt.

Die digitalen Helfer fungieren dabei nicht nur im Alltag, sondern auch Unternehmen können ihr Potenzial nutzen. Der Umgang mit den Maschinen wird dabei immer natürlicher und auch die Identifikation einer Person anhand ihrer Stimme ist möglich. Doch noch sind wir in einer recht frühen Phase der Entwicklung und die Fähigkeiten der digitalen sind sehr begrenzt.

Wir haben es bei KI eben noch nicht mit echter Intelligenz zu tun, sondern mit Programmen, die auf Grundlage vorgegebener Algorithmen so etwas wie menschliche Intelligenz simulieren und deren Stärke darin besteht, große Datenmengen schnell verarbeiten zu können, und darin, z. B. Zusammenhänge zu erkennen. Die steigende Leistungsfähigkeit der Computersysteme ermöglicht nun aber schon neuronale Netze, die selber lernen und sich und ihre Methoden optimieren können – die KI lernt sozusagen gerade laufen.

Überblick Machine Learning

Welche klassischen Machine-Learning-Techniken und -Algorithmen gibt es?

  • Linear Classifiers (z. B. Support-Vector-Machines)

  • Clustering (z. B. K-Means, Tree-based)

  • Regression-Analysis Dimensionality-Reduction (z. B. PCA, tSNE)

  • Decision-Tree Learning Ensemble Learning (z. B. Randomforest, Gradient Boosting)

  • Instance-based Neural Networks (z. B. KNN)

  • Descriptive Statistics

Dies ist nur eine beispielhafte Auswahl ohne Anspruch auf Vollständigkeit.

Darüber hinaus sollten noch die nachfolgenden ML-Techniken erwähnt werden, die eher der KI zugeordnet werden:

  • Deep Learning Neural Networks (z. B. Feed Forward Neural Networks, CNNs, RNNs, GANs)

  • Reinforcement Learning

  • Transfer Learning

Zukünftig werden Maschinen immer kreativer. Wir bringen ihnen bei, autonome Entscheidungen zu treffen, und machen sie damit zu handelnden Subjekten. Die zunehmende Autonomisierung bringt auch ethische Fragen mit sich. Darf KI im Krieg verwendet werden? Wer trägt die Verantwortung, wenn autonome Systeme Schäden verursachen? Brauchen wir in Zukunft ein Gefängnis für Maschinen?

Noch können wir die Zukunft mitgestalten. „AI for Good“-Initiativen sind bestrebt, mittels KI Lösungen für globale Probleme zu finden. Sie soll vor allem helfen, die Nachhaltigkeitsziele im Zuge des Klimawandels zu erfüllen, aber auch im Gesundheitswesen oder bei humanitären Katastrophen sind Lösungen angestrebt.

(1) https://www.bmbf.de/files/Nationale_KI-Strategie.pdf (abgerufen am 05.04.19)

Helfen Sie uns, verbessern Sie diesen Beitrag

 

Mit Nutzung dieses Formulars erklären Sie sich mit unseren Datenschutzbestimmungen einverstanden:



Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.