„Artificial Intelligence“ erklärt: Alles, was Sie wissen müssen

Was ist Künstliche Intelligenz?

Künstliche Intelligenz (AI) ist die Simulation von Prozessen der menschlichen Intelligenz durch Maschinen, insbesondere durch Computersysteme. Spezifische Anwendungen der AI sind Expertensysteme, natürliche Sprachverarbeitung (NLP), Spracherkennung und maschinelles Sehen.

Die AI-Programmierung konzentriert sich auf drei kognitive Fähigkeiten: Lernen, logisches Denken und Selbstkorrektur.

Lernprozesse. Dieser Aspekt der AI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie die Daten in verwertbare Informationen umgewandelt werden können. Die Regeln, die als Algorithmen bezeichnet werden, geben den Computern Schritt-für-Schritt-Anweisungen, wie eine bestimmte Aufgabe zu erledigen ist.

Denkprozesse. Dieser Aspekt der AI-Programmierung konzentriert sich auf die Auswahl des richtigen Algorithmus, um ein gewünschtes Ergebnis zu erreichen.

Selbstkorrektur-Prozesse. Dieser Aspekt der AI-Programmierung dient der kontinuierlichen Feinabstimmung von Algorithmen und stellt sicher, dass sie die genauesten Ergebnisse liefern.

Vor- und Nachteile der künstlichen Intelligenz

Künstliche neuronale Netze und tief lernende Technologien der künstlichen Intelligenz entwickeln sich schnell, vor allem weil die künstliche Intelligenz große Datenmengen viel schneller verarbeitet und Vorhersagen genauer möglich macht. Während die riesigen Datenmengen, die täglich erstellt werden, einen menschlichen Forscher begraben würden, können AI-Anwendungen, die maschinelles Lernen nutzen, diese Daten schnell in verwertbare Informationen umwandeln. Der Hauptnachteil der AI ist, dass die Verarbeitung der großen Datenmengen, die die AI-Programmierung erfordert, teuer ist.

Starke AI vs. schwache AI

AI kann entweder als schwach oder stark kategorisiert werden. Schwache AI, auch als schmale AI bekannt, ist ein AI-System, das für die Erfüllung einer bestimmten Aufgabe konzipiert und trainiert wird. Industrieroboter und virtuelle persönliche Assistenten, wie z.B. Apple’s Siri, verwenden schwache AI.

Starke AI, auch bekannt als künstliche allgemeine Intelligenz (AGI), beschreibt eine Programmierung, die menschliche kognitive Fähigkeiten nachbilden kann. Wenn ein starkes AI-System mit einer ungewohnten Aufgabe konfrontiert wird, kann es mit Hilfe von Fuzzy-Logik Wissen aus einem Bereich auf einen anderen anwenden und autonom eine Lösung finden. Theoretisch sollte ein starkes AI-Programm in der Lage sein, sowohl einen Turing-Test als auch den chinesischen Raumtest zu bestehen.

Erweiterte Intelligenz vs. Künstliche Intelligenz

Einige Branchenexperten sind der Meinung, dass der Begriff künstliche Intelligenz zu eng mit der Populärkultur verbunden ist, und dies hat dazu geführt, dass die Öffentlichkeit unwahrscheinliche Erwartungen darüber hegt, wie die künstliche Intelligenz den Arbeitsplatz und das Leben im Allgemeinen verändern wird. Einige Forscher und Vermarkter hoffen, dass das Etikett „Augmented Intelligence“, das eine neutralere Konnotation hat, den Menschen helfen wird zu verstehen, dass die meisten Implementierungen von AI schwach sind und einfach nur Produkte und Dienstleistungen verbessern werden. Das Konzept der Singularität und einer Welt, in der die Anwendung von Superintelligenz auf Menschen oder menschliche Probleme – einschließlich Armut, Krankheit und Sterblichkeit – immer noch in den Bereich der Science-Fiction fällt.

Ethischer Gebrauch von künstlicher Intelligenz

Während AI-Tools eine Reihe neuer Funktionen für Unternehmen bieten, wirft der Einsatz künstlicher Intelligenz auch ethische Fragen auf, denn ein AI-System wird im Guten wie im Schlechten das bereits Gelernte verstärken.

Dies kann problematisch sein, weil Algorithmen des maschinellen Lernens, die vielen der fortschrittlichsten AI-Tools zugrunde liegen, nur so intelligent sind wie die Daten, die ihnen in der Ausbildung vermittelt werden. Da ein Mensch auswählt, welche Daten zum Training eines AI-Programms verwendet werden, ist das Potenzial für eine Verzerrung des maschinellen Lernens inhärent und muss genau beobachtet werden.

Jeder, der maschinelles Lernen als Teil von realen, produktionsnahen Systemen einsetzen möchte, muss ethische Aspekte in seine AI-Schulungsprozesse einbeziehen und sich bemühen, Verzerrungen zu vermeiden. Dies gilt insbesondere dann, wenn AI-Algorithmen verwendet werden, die bei Anwendungen für tiefes Lernen und generative gegnerische Netzwerke (GAN) von Natur aus unerklärlich sind.

Erklärbarkeit und künstliche Intelligenz

Die Erklärbarkeit ist ein potenzieller Stolperstein für den Einsatz von AI in Branchen, die unter strengen Auflagen zur Einhaltung von Vorschriften arbeiten. Zum Beispiel arbeiten Finanzinstitute in den Vereinigten Staaten unter Vorschriften, die sie dazu verpflichten, ihre Entscheidungen zur Kreditvergabe zu erklären. Wenn eine Entscheidung zur Verweigerung von Krediten durch AI-Programmierung getroffen wird, kann es jedoch schwierig sein zu erklären, wie die Entscheidung zustande kam, weil die AI-Tools, die für solche Entscheidungen verwendet werden, durch das Herausstreichen subtiler Korrelationen zwischen Tausenden von Variablen funktionieren. Wenn der Entscheidungsprozess nicht erklärt werden kann, kann das Programm als Black Box AI bezeichnet werden.

Komponenten der AI

Da sich der Hype um die AI beschleunigt hat, haben sich die Anbieter bemüht, die Nutzung der AI für ihre Produkte und Dienstleistungen zu fördern. Oftmals ist das, was sie als AI bezeichnen, nur eine Komponente der AI, wie z.B. maschinelles Lernen. AI erfordert eine Grundlage aus spezialisierter Hardware und Software für das Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Keine einzige Programmiersprache ist ein Synonym für AI, aber einige wenige, darunter Python und C, haben sich von anderen unterschieden.

AI als Dienstleistung (AIaaS)

Da Hardware-, Software- und Personalkosten für AI teuer sein können, nehmen viele Anbieter AI-Komponenten in ihr Standardangebot auf oder bieten den Zugang zu Plattformen für künstliche Intelligenz als Service (AIaaS) an. AIaaS ermöglicht es Einzelpersonen und Unternehmen, mit AI für verschiedene Geschäftszwecke zu experimentieren und mehrere Plattformen zu testen, bevor sie eine Verpflichtung eingehen.

Zu den beliebten AI-Cloud-Angeboten gehören die folgenden:

• Amazon-AI
• IBM Watson-Assistent
• Kognitive Dienste von Microsoft
• Google AI

Vier Arten von künstlicher Intelligenz

Arend Hintze, ein Assistenzprofessor für integrative Biologie und Informatik und Ingenieurwesen an der Michigan State University, kategorisierte die AI in vier Typen, beginnend mit den intelligenten Systemen, die heute existieren, bis hin zu empfindungsfähigen Systemen, die noch nicht existieren. Seine Kategorien sind wie folgt:

Typ 1: Reaktive Maschinen. Diese AI-Systeme haben kein Gedächtnis und sind aufgabenspezifisch. Ein Beispiel ist Deep Blue, das IBM-Schachprogramm, das Garry Kasparov in den 1990er Jahren besiegte. Deep Blue kann Figuren auf dem Schachbrett identifizieren und Vorhersagen machen, aber da es keinen Speicher hat, kann es nicht die Erfahrungen der Vergangenheit nutzen, um zukünftige zu informieren.

Typ 2: Begrenztes Gedächtnis. Diese AI-Systeme verfügen über ein Gedächtnis, so dass sie vergangene Erfahrungen für zukünftige Entscheidungen nutzen können. Einige der Entscheidungsfunktionen in selbstfahrenden Autos sind so konzipiert.

Typ 3: Theorie des Geistes. Theorie des Verstandes ist ein Begriff aus der Psychologie. Auf die KI angewandt bedeutet sie, dass das System Emotionen verstehen würde. Diese Art der AI ist in der Lage, Absichten abzuleiten und Verhalten vorherzusagen, wenn sie verfügbar wird.

Typ 4: Selbst-Bewusstsein. In dieser Kategorie haben AI-Systeme ein Selbstgefühl, das ihnen Bewusstsein verleiht. Maschinen mit Selbst-Bewusstsein verstehen ihren eigenen aktuellen Zustand. Dieser Typ von AI existiert noch nicht.

Beispiele der AI-Technologie

Die AI ist in einer Vielzahl von verschiedenen Arten von Technologien integriert. Hier sind sieben Beispiele:

• Automatisierung. Dadurch funktioniert ein System oder Prozess automatisch. Beispielsweise kann die robotergestützte Prozessautomatisierung (RPA) so programmiert werden, dass sie hochvolumige, wiederholbare Aufgaben ausführt, die normalerweise von Menschen ausgeführt werden. Die RPA unterscheidet sich von der IT-Automatisierung dadurch, dass sie sich an sich ändernde Umstände anpassen kann.
• Maschinelles Lernen. Dies ist die Wissenschaft davon, einen Computer ohne Programmierung zum Handeln zu bringen. Das tiefe Lernen ist eine Untergruppe des maschinellen Lernens, die man sich ganz einfach als die Automatisierung der prädiktiven Analyse vorstellen kann. Es gibt drei Arten von Algorithmen des maschinellen Lernens:
  1) Überwachtes Lernen. Die Datensätze werden so gekennzeichnet, dass Muster erkannt und zur Kennzeichnung neuer Datensätze verwendet werden können.
  2) Unbeaufsichtigtes Lernen. Die Datensätze werden nicht etikettiert und nach Ähnlichkeiten oder Unterschieden sortiert.
  3) Verstärktes Lernen. Die Datensätze sind nicht gekennzeichnet, aber nach der Durchführung einer oder mehrerer Aktionen erhält das AI-System eine Rückmeldung.
• Maschinelles Sehen. Dies ist die Wissenschaft, die es Computern ermöglicht, zu sehen. Diese Technologie erfasst und analysiert visuelle Informationen mit Hilfe einer Kamera, Analog-Digital-Wandlung und digitaler Signalverarbeitung. Sie wird oft mit dem menschlichen Sehvermögen verglichen, aber das maschinelle Sehen ist nicht an die Biologie gebunden und kann z.B. so programmiert werden, dass es durch Wände hindurch sieht. Es wird in einer Reihe von Anwendungen von der Unterschriftenidentifikation bis zur medizinischen Bildanalyse eingesetzt. Das auf maschinelle Bildverarbeitung fokussierte Computersehen wird oft mit der maschinellen Bildverarbeitung zusammengeführt.
• Verarbeitung natürlicher Sprache. Das ist die Verarbeitung menschlicher – und nicht computergestützter – Sprache durch ein Computerprogramm. Eines der älteren und bekanntesten Beispiele für NLP ist die Spam-Erkennung, die sich die Betreffzeile und den Text einer E-Mail anschaut und entscheidet, ob es sich um Junk handelt. Aktuelle Ansätze von NLP basieren auf maschinellem Lernen. Zu den Aufgaben von NLP gehören Textübersetzung, Stimmungsanalyse und Spracherkennung.
• Robotik. Dieser Bereich der Technik konzentriert sich auf die Konstruktion und Herstellung von Robotern. Roboter werden oft eingesetzt, um Aufgaben auszuführen, die für Menschen schwierig oder nur schwer konsistent auszuführen sind. Sie werden in Montagelinien für die Automobilproduktion oder von der NASA eingesetzt, um große Objekte im Raum zu bewegen. Forscher setzen auch maschinelles Lernen ein, um Roboter zu bauen, die in einem sozialen Umfeld interagieren können.
• Selbstfahrende Autos. Diese nutzen eine Kombination aus Computer-Sehen, Bilderkennung und tiefem Lernen, um automatisierte Fähigkeiten zu entwickeln, ein Fahrzeug zu steuern, während es in einer bestimmten Spur bleibt und unerwartete Hindernisse, wie z.B. Fußgänger, vermeidet.

Regulierung der AI-Technologie

Trotz potenzieller Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von AI-Instrumenten, und wo es Gesetze gibt, beziehen sie sich in der Regel indirekt auf die AI. Wie bereits erwähnt, verlangen beispielsweise die Vorschriften für die faire Kreditvergabe in den Vereinigten Staaten, dass Finanzinstitute potenziellen Kunden Kreditentscheidungen erklären müssen. Dies schränkt das Ausmaß ein, in dem Kreditgeber tiefgreifende Lernalgorithmen verwenden können, die naturgemäß undurchsichtig sind und denen es an Erklärungsmöglichkeiten mangelt.

Im Jahr 2016 veröffentlichte der Nationale Wissenschafts- und Technologierat einen Bericht, in dem die mögliche Rolle staatlicher Regulierung bei der Entwicklung der künstlichen Intelligenz untersucht wurde, aber er empfahl nicht, eine spezifische Gesetzgebung in Betracht zu ziehen. Seitdem hat das Thema von den Gesetzgebern wenig Aufmerksamkeit erhalten.