Künstliche Intelligenz (KI)

Was ist künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) ist eine Instanz, die menschliche Intelligenzprozesse wie beispielsweise Analysieren und Schlußfolgerungen mittels Maschinen beziehungsweise Computersysteme simuliert. KI-Anwendungen sind zum Beispiel Expertensysteme, Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), Spracherkennung und maschinelles Sehen (Machine Vision).

Wie KI funktioniert

Mit dem zunehmenden Hype um KI haben sich die Anbieter darum bemüht, die Nutzung von KI in ihren Produkten und Dienstleistungen zu bewerben. Oft ist das, was sie als KI bezeichnen, nur eine Komponente der künstlichen Intelligenz, wie zum Beispiel maschinelles Lernen (Machine Learning). KI erfordert eine Grundlage aus spezialisierter Hardware und Software zum Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Es gibt keine Programmiersprache, die gleichbedeutend mit KI ist, aber einige, darunter Python, R und Java, sind sehr beliebt.

Im Allgemeinen funktionieren KI-Systeme, indem sie große Mengen gelabelter Trainingsdaten aufnehmen, die Daten auf Korrelationen und Muster analysieren und diese Muster nutzen, um Vorhersagen über zukünftige Zustände zu treffen. Auf diese Weise kann ein Chatbot, der mit Beispielen von Textchats gefüttert wird, lernen, lebensnahe Dialoge mit Menschen zu führen, oder ein Bilderkennungsprogramm kann lernen, Objekte in Bildern zu identifizieren und zu beschreiben, indem es Millionen von Beispielen überprüft.

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

• Lernprozesse. Dieser Aspekt der KI-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 Computergeräten Schritt-für-Schritt-Anweisungen, wie eine bestimmte Aufgabe zu erledigen ist.
• Logikprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Auswahl des richtigen Algorithmus, um ein gewünschtes Ergebnis zu erzielen.
• Selbstkorrekturprozesse. Dieser Aspekt der KI-Programmierung dient der kontinuierlichen Feinabstimmung der Algorithmen, um sicherzustellen, dass sie möglichst genaue Ergebnisse liefern.
• Kreativität. Dieser Aspekt der KI nutzt neuronale Netze, regelbasierte Systeme, statistische Methoden und andere KI-Techniken, um neue Bilder, neue Texte, neue Musik und neue Ideen zu erzeugen.

Unterschiede zwischen KI, maschinellem Lernen und Deep Learning

KI, maschinelles Lernen und Deep Learning sind gängige Begriffe in der Unternehmens-IT und werden manchmal synonym verwendet, insbesondere von Unternehmen in ihrem Marketingmaterial. Doch es gibt Unterschiede. Der Begriff KI, der in den 1950er Jahren geprägt wurde, bezieht sich auf die Simulation menschlicher Intelligenz durch Maschinen. Er umfasst eine Reihe von Fähigkeiten, die sich mit der Entwicklung neuer Technologien ständig verändern. Zu den Technologien, die unter den Begriff KI fallen, gehören maschinelles Lernen und Deep Learning.

Mit Hilfe des maschinellen Lernens können Softwareanwendungen genauere Vorhersagen treffen, ohne ausdrücklich dafür programmiert zu sein. Algorithmen des maschinellen Lernens verwenden historische Daten als Eingabe, um neue Ausgabewerte vorherzusagen. Dieser Ansatz wurde mit dem Aufkommen großer Datensätze zum Trainieren sehr viel effektiver. Deep Learning, eine Untergruppe des maschinellen Lernens, basiert auf unserem Verständnis der Struktur des Gehirns. Die Nutzung der Struktur künstlicher neuronaler Netze durch Deep Learning ist die Grundlage für die jüngsten Fortschritte in der KI, darunter selbstfahrende Autos und ChatGPT.

Die Bedeutung von künstlicher Intelligenz

Künstliche Intelligenz ist wichtig, weil sie Unternehmen Einblicke in ihre Abläufe verschaffen kann, die ihnen zuvor vielleicht nicht bewusst waren, und weil KI in einigen Fällen Aufgaben besser erledigen kann als Menschen. Insbesondere bei sich wiederholenden, detailorientierten Aufgaben wie der Analyse einer großen Anzahl von Rechtsdokumenten, um sicherzustellen, dass die relevanten Felder korrekt ausgefüllt sind, erledigen KI-Tools die Aufgaben oft schnell und mit relativ wenigen Fehlern.

Tatsächlich haben die Fortschritte bei den KI-Techniken nicht nur zu einer Explosion der Effizienz beigetragen, sondern auch einigen größeren Unternehmen die Tür zu völlig neuen Geschäftsmöglichkeiten geöffnet. Vor der aktuellen KI-Welle wäre es schwer vorstellbar gewesen, dass eine Computersoftware Fahrgäste mit Taxen verbindet, aber Uber ist durch genau diese Technik zu einem Fortune-500-Unternehmen geworden.

KI ist für viele der größten und erfolgreichsten Unternehmen von heute von zentraler Bedeutung, darunter Alphabet, Apple, Microsoft und Meta, wo KI-Technologien eingesetzt werden, um den Betrieb zu verbessern und die Konkurrenz auszustechen. Bei der Alphabet-Tochter Google beispielsweise spielt KI eine zentrale Rolle bei der Suchmaschine, den selbstfahrenden Autos von Waymo und Google Brain, das die Architektur des neuronalen Transformer-Netzwerks erfunden hat, die den jüngsten Durchbrüchen bei der Verarbeitung natürlicher Sprache zugrunde liegt.

Die Vor- und Nachteile künstlicher Intelligenz

Künstliche neuronale Netze (KNN) und Deep-Learning-Technologien mit künstlicher Intelligenz entwickeln sich rasant weiter, vor allem weil KI große Datenmengen schneller verarbeitet und genauere Vorhersagen macht, als es dem Menschen möglich ist.

Während die riesigen Datenmengen, die täglich anfallen, einen menschlichen Forscher überfordern, können KI-Anwendungen, die maschinelles Lernen nutzen, diese Daten schnell in verwertbare Informationen umwandeln. Zum jetzigen Zeitpunkt besteht der Hauptnachteil des Einsatzes von KI darin, dass die Verarbeitung der großen Datenmengen, die für die KI-Programmierung erforderlich sind, teuer ist.

Vorteile

• Gut bei detailorientierten Aufgaben. KI hat bewiesen, dass sie bei der Diagnose bestimmter Krebsarten wie Brustkrebs und Melanom genauso gut, wenn nicht sogar besser ist als Ärzte.
• Geringerer Zeitaufwand für datenintensive Aufgaben. In datenintensiven Branchen wie dem Bank- und Wertpapierwesen, der Pharmaindustrie und dem Versicherungswesen wird KI häufig eingesetzt, um die Zeit für die Analyse großer Datensätze zu verkürzen. Finanzdienstleister nutzen KI beispielsweise routinemäßig zur Bearbeitung von Kreditanträgen und zur Betrugserkennung.
• Spart Arbeit und erhöht die Produktivität. Ein Beispiel hierfür ist der Einsatz der Lagerautomatisierung, die während der Pandemie zugenommen hat und mit der Integration von KI und maschinellem Lernen voraussichtlich noch zunehmen wird.
• Liefert konsistente Ergebnisse. Die besten KI-Übersetzungs-Tools liefern ein hohes Maß an Konsistenz und bieten selbst kleinen Unternehmen die Möglichkeit, Kunden in ihrer Muttersprache zu erreichen.
• Kann Kundenzufriedenheit durch Personalisierung verbessern. KI kann Inhalte, Nachrichten, Anzeigen, Empfehlungen und Websites auf den einzelnen Kunden zuschneiden.
• KI-gestützte virtuelle Agenten sind immer verfügbar. KI-Programme müssen nicht schlafen oder Pausen machen und bieten einen 24/7-Service.

Nachteile

• Teuer
• erfordert umfassendes technisches Fachwissen
• begrenztes Angebot an qualifizierten Arbeitskräften für die Entwicklung von KI-Tools
• Reflektiert die Verzerrungen (Bias) der Trainingsdaten in großem Umfang.
• Mangelnde Fähigkeit zur Verallgemeinerung von einer Aufgabe zur anderen.
• Beseitigt menschliche Arbeitsplätze und erhöht die Arbeitslosenquote.

Starke KI und schwache KI im Vergleich

KI kann entweder als schwach oder stark kategorisiert werden.

Schwache KI, auch bekannt als enge KI, ist ein KI-System, das für die Ausführung einer bestimmten Aufgabe entwickelt und trainiert wurde. Industrieroboter und virtuelle persönliche Assistenten, wie zum Beispiel Siri von Apple, verwenden schwache KI.

Starke KI, auch bekannt als künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI), beschreibt eine Programmierung, die die kognitiven Fähigkeiten des menschlichen Gehirns nachbilden kann. Wenn ein starkes KI-System mit einer unbekannten Aufgabe konfrontiert wird, kann es mit Fuzzy-Logik Wissen aus einem Bereich auf einen anderen anwenden und selbstständig eine Lösung finden. Theoretisch sollte ein starkes KI-Programm in der Lage sein, sowohl einen Turing-Test als auch den Test des chinesischen Zimmers zu bestehen.

Die vier Arten der künstlichen Intelligenz

Arend Hintze, Assistenzprofessor für integrative Biologie, Computerwissenschaft und Ingenieurwesen an der Michigan State University, erklärte in einem Artikel aus dem Jahr 2016, dass KI in vier Arten unterteilt werden kann, angefangen bei den aufgabenspezifischen intelligenten Systemen, die heute weit verbreitet sind, bis hin zu empfindungsfähigen Systemen, die noch nicht existieren. Die vier Kategorien sind:

• Typ 1: Reaktive Maschinen (Reactive Machines). Diese KI-Systeme haben keinen Speicher und sind aufgabenspezifisch. Ein Beispiel ist Deep Blue, das IBM-Schachprogramm, das Garri Kasparow in den 1990er Jahren besiegte. Deep Blue kann Figuren auf dem Schachbrett erkennen und Vorhersagen treffen, aber da es kein Gedächtnis hat, kann es nicht auf frühere Erfahrungen zurückgreifen, um künftige Erfahrungen zu nutzen.
• Typ 2: Begrenzte Speicherkapazität (Limited Memory). Diese KI-Systeme verfügen über ein Gedächtnis, so dass sie auf frühere Erfahrungen zurückgreifen können, um künftige Entscheidungen zu treffen. Einige der Entscheidungsfunktionen in selbstfahrenden Autos sind auf diese Weise konzipiert.
• Typ 3: Theorie des Geistes (Theory of Mind). Theorie des Geistes ist ein Begriff aus der Psychologie. Auf die KI angewandt bedeutet er, dass das System über die soziale Intelligenz verfügt, Emotionen zu verstehen. Diese Art von KI wird in der Lage sein, menschliche Absichten zu erkennen und Verhalten vorherzusagen – eine Fähigkeit, die KI-Systeme benötigen, um integrale Mitglieder menschlicher Teams zu werden.
• Typ 4: Selbstwahrnehmung. In dieser Kategorie haben KI-Systeme einen Sinn für sich selbst, was ihnen ein Bewusstsein verleiht. Maschinen mit Selbstbewusstsein verstehen ihren eigenen aktuellen Zustand. Diese Art von KI gibt es noch nicht.

Was sind Beispiele für KI-Technologie und wo wird sie eingesetzt?

KI wird in einer Vielzahl unterschiedlicher Technologien eingesetzt. Hier sind sechs Beispiele:

Automatisierung. In Verbindung mit KI-Technologien können Automatisierungs-Tools den Umfang und die Art der ausgeführten Aufgaben erweitern. Ein Beispiel dafür ist die robotergestützte Prozessautomatisierung (Robotic Process Automation, RPA), eine Art von Software, die wiederholende, regelbasierte Aufgaben automatisiert verarbeitet, die traditionell von Menschen erledigt werden. In Kombination mit maschinellem Lernen und neuen KI-Tools kann RPA größere Teile von Unternehmensaufgaben automatisieren, so dass die taktischen Bots von RPA die Erkenntnisse der KI weitergeben und auf Prozessänderungen reagieren können.

Maschinelles Lernen. Dies ist die Wissenschaft davon, wie man einen Computer dazu bringt, ohne Programmierung zu handeln. Deep Learning ist ein Teilbereich des maschinellen Lernens, den man vereinfacht als die Automatisierung der prädiktiven Analyse (Predictive Analytics) bezeichnen kann. Es gibt drei Arten von Algorithmen für maschinelles Lernen:

• Überwachtes Lernen. Datensätze werden mit einem Label versehen, so dass Muster erkannt und zur Kennzeichnung neuer Datensätze verwendet werden können.
• Unüberwachtes Lernen. Die Datensätze sind nicht gelabelt und werden nach Ähnlichkeiten oder Unterschieden sortiert.
• Bestärkendes Lernen. Die Datensätze sind nicht gelabelt, aber das KI-System erhält nach der Durchführung einer oder mehrerer Aktionen eine Rückmeldung.

Maschinelles Sehen. Diese Technologie verleiht einer Maschine die Fähigkeit zu sehen. Maschinelles Sehen (Machine Vision) erfasst und analysiert visuelle Informationen mit einer Kamera, Analog-Digital-Umwandlung und digitaler Signalverarbeitung. Sie wird oft mit dem menschlichen Sehvermögen verglichen, aber das maschinelle Sehen ist nicht an die Biologie gebunden und kann so programmiert werden, dass es zum Beispiel durch Wände hindurchsieht. Es wird in einer Reihe von Anwendungen eingesetzt, von der Unterschriftenerkennung bis zur medizinischen Bildanalyse. Computer Vision, die sich auf die maschinelle Bildverarbeitung konzentriert, wird oft mit maschinellem Sehen verwechselt.

Verarbeitung natürlicher Sprache. Hierbei handelt es sich um die Verarbeitung der menschlichen Sprache durch ein Computerprogramm (Natural Language Processing, NLP). Eines der älteren und bekanntesten Beispiele für NLP ist die Spam-Erkennung, bei der anhand der Betreffzeile und des Textes einer E-Mail entschieden wird, ob es sich um Junk-Mails handelt. Aktuelle NLP-Ansätze beruhen auf maschinellem Lernen. Zu den NLP-Aufgaben gehören Textübersetzung, Stimmungsanalyse und Spracherkennung.

Robotik. Dieser Bereich der Technik befasst sich mit der Entwicklung und Herstellung von Robotern. Roboter werden häufig für Aufgaben eingesetzt, die von Menschen nur schwer oder gar nicht ausgeführt werden können. So werden Roboter beispielsweise in Fließbändern für die Autoproduktion eingesetzt oder von der NASA, um große Objekte im Weltraum zu bewegen. Forscher nutzen auch maschinelles Lernen, um Roboter zu entwickeln, die in einem sozialen Umfeld interagieren können.

Selbstfahrende Autos. Autonome Fahrzeuge nutzen eine Kombination aus Computer Vision, Bilderkennung und Deep Learning, um automatisierte Fähigkeiten zur Steuerung eines Fahrzeugs zu entwickeln, während sie in einer bestimmten Spur bleiben und unerwarteten Hindernissen wie Fußgängern ausweichen.

KI-Anwendungen

Künstliche Intelligenz hat in einer Vielzahl von Märkten Einzug gehalten. Hier sind neun Beispiele.

KI im Gesundheitswesen. Die größten Hoffnungen ruhen auf der Verbesserung der Untersuchungsergebnisse und der Senkung der Kosten. Unternehmen setzen maschinelles Lernen ein, um bessere und schnellere Diagnosen zu stellen als Menschen. Eine der bekanntesten Technologien im Gesundheitswesen ist IBM Watson. Es versteht natürliche Sprache und kann auf Fragen antworten, die ihm gestellt werden. Das System wertet Patientendaten und andere verfügbare Datenquellen aus, um eine Hypothese zu bilden, die es dann mit einem Vertrauensbewertungsschema präsentiert. Weitere KI-Anwendungen sind virtuelle Online-Gesundheitsassistenten und Chatbots, die Patienten und Kunden im Gesundheitswesen dabei helfen, medizinische Informationen zu finden, Termine zu vereinbaren, den Abrechnungsprozess zu verstehen und andere Verwaltungsvorgänge zu erledigen. Eine Reihe von KI-Technologien wird auch eingesetzt, um Pandemien wie COVID-19 vorherzusagen, zu bekämpfen und zu verstehen.

KI in der Wirtschaft. Algorithmen des maschinellen Lernens werden in Analyse- und CRM-Plattformen (Customer Relationship Management) integriert, um Informationen darüber zu erhalten, wie man Kunden besser bedienen kann. Chatbots wurden in Websites integriert, um den Kunden sofortigen Service zu bieten. Die Automatisierung von Arbeitsplätzen ist auch unter Akademikern und IT-Analysten zu einem Thema geworden.

KI im Bildungswesen. KI kann Schüler einschätzen, sich an ihre Bedürfnisse anpassen und ihnen helfen, in ihrem eigenen Tempo zu arbeiten. KI-Tutoren können Schüler zusätzlich unterstützen und sicherstellen, dass sie auf dem richtigen Weg bleiben. Und sie kann verändern, wo und wie Schüler lernen, und vielleicht sogar einige Lehrer ersetzen.

KI im Finanzwesen. KI in Anwendungen für persönliche Finanzen, wie Intuit Mint oder TurboTax, ist dabei, Finanzinstitute zu verändern. Anwendungen wie diese sammeln persönliche Daten und bieten Finanzberatung. Andere Programme, wie zum Beispiel IBM Watson, wurden auf den Prozess des Hauskaufs angewandt. Heute wird ein Großteil des Handels an der Wall Street durch Software mit künstlicher Intelligenz abgewickelt.

KI im Rechtswesen. Der Rechercheprozess – das Durchsuchen von Dokumenten – in der Rechtswissenschaft ist für Menschen oft überwältigend. Der Einsatz von KI zur Automatisierung der arbeitsintensiven Prozesse in der Rechtsbranche spart Zeit und verbessert den Kundenservice. Anwaltskanzleien nutzen maschinelles Lernen zur Beschreibung von Daten und zur Vorhersage von Ergebnissen, Computer Vision zur Klassifizierung und Extraktion von Informationen aus Dokumenten und natürliche Sprachverarbeitung zur Interpretation von Informationsanfragen.

KI in der Fertigung. Das verarbeitende Gewerbe hat bei der Integration von Robotern in den Arbeitsablauf eine Vorreiterrolle übernommen. Die Industrieroboter, die früher für die Ausführung einzelner Aufgaben programmiert und von den menschlichen Arbeitern getrennt waren, arbeiten heute zunehmend als Cobots: Kleinere, multitasking-fähige Roboter, die mit Menschen zusammenarbeiten und in Lagerhallen, Fabrikhallen und anderen Arbeitsbereichen die Verantwortung für weitere Teile der Arbeit übernehmen.

KI im Bankwesen. Banken setzen Chatbots ein, um ihre Kunden auf Dienstleistungen und Angebote aufmerksam zu machen und um Transaktionen abzuwickeln, die kein menschliches Eingreifen erfordern. Virtuelle KI-Assistenten werden eingesetzt, um die Einhaltung von Bankvorschriften zu verbessern und die Kosten dafür zu senken. Banken nutzen KI auch, um die Entscheidungsfindung bei der Kreditvergabe zu verbessern, Kreditlimits festzulegen und Investitionsmöglichkeiten zu erkennen.

KI im Transportwesen. Neben der grundlegenden Rolle der KI beim Betrieb autonomer Fahrzeuge werden KI-Technologien im Transportwesen eingesetzt, um den Verkehr zu regeln, Flugverspätungen vorherzusagen und die Schifffahrt sicherer und effizienter zu machen.

KI im Security-Bereich. KI und maschinelles Lernen stehen ganz oben auf der Liste der Schlagworte, mit denen Sicherheitsanbieter heute ihre Angebote differenzieren. Diese Begriffe stehen auch für praktikable Technologien. Unternehmen nutzen maschinelles Lernen in SIEM-Software (Security Information and Event Management) und verwandten Bereichen, um Anomalien zu erkennen und verdächtige Aktivitäten zu identifizieren, die auf Bedrohungen hinweisen. Durch die Analyse von Daten und die Verwendung von Logik, um Ähnlichkeiten mit bekanntem bösartigem Code zu erkennen, kann KI viel früher als menschliche Mitarbeiter und frühere Technologie-Iterationen Warnungen vor neuen und aufkommenden Angriffen liefern. Die ausgereifte Technologie spielt eine wichtige Rolle bei der Abwehr von Cyberangriffen.

Im Vergleich: Erweiterte Intelligenz und künstliche Intelligenz

Einige Branchenexperten sind der Meinung, dass der Begriff künstliche Intelligenz zu eng mit der Populärkultur verbunden ist, was in der breiten Öffentlichkeit zu unwahrscheinlichen Erwartungen darüber geführt hat, wie KI den Arbeitsplatz und das Leben im Allgemeinen verändern wird.

Erweiterte Intelligenz. Einige Forscher und Vermarkter hoffen, dass die Bezeichnung erweiterte Intelligenz (Augmented Intelligence), die eine neutralere Konnotation hat, dazu beiträgt, dass die Menschen verstehen, dass die meisten KI-Implementierungen schwach sind und lediglich Produkte und Dienstleistungen verbessern. Beispiele hierfür sind die automatische Aufdeckung wichtiger Informationen in Business-Intelligence-Berichten oder die Hervorhebung wichtiger Informationen in juristischen Unterlagen.

Künstliche Intelligenz. Echte KI oder künstliche allgemeine Intelligenz ist eng mit dem Konzept der technologischen Singularität verbunden – einer Zukunft, die von einer künstlichen Superintelligenz beherrscht wird, die die Fähigkeit des menschlichen Gehirns, sie zu verstehen oder zu verstehen, wie sie unsere Realität gestaltet, weit übersteigt. Dies bleibt im Bereich der Science-Fiction, obwohl einige Entwickler an diesem Problem arbeiten. Viele sind der Meinung, dass Technologien wie das Quantencomputing eine wichtige Rolle dabei spielen könnten, künstliche allgemeine Intelligenz Wirklichkeit werden zu lassen, und dass wir den Begriff KI für diese Art von allgemeiner Intelligenz reservieren sollten.

Ethischer Aspekte künstlicher Intelligenz

Während KI-Tools eine Reihe neuer Funktionen für Unternehmen bieten, wirft der Einsatz von künstlicher Intelligenz auch ethische Fragen auf, da ein KI-System im Guten wie im Schlechten das verstärkt, was es bereits gelernt hat.

Dies kann problematisch sein, da die Algorithmen des maschinellen Lernens, die vielen der fortschrittlichsten KI-Tools zugrunde liegen, nur so intelligent sind wie die Daten, die ihnen beim Training zur Verfügung gestellt werden. Da ein Mensch auswählt, welche Daten zum Trainieren eines KI-Programms verwendet werden, ist das Potenzial für Verzerrungen beim maschinellen Lernen inhärent und muss genau überwacht werden.

Jeder, der maschinelles Lernen als Teil von realen, produktiven Systemen einsetzen möchte, muss ethische Aspekte in seine KI-Trainingsprozesse einbeziehen und sich bemühen, Verzerrungen zu vermeiden. Dies gilt insbesondere für den Einsatz von KI-Algorithmen, die bei Deep Learning und Generative Adversarial Networks (GAN) von Natur aus nicht erklärbar sind.

Die Erklärbarkeit ist ein potenzieller Stolperstein für den Einsatz von KI in Branchen, die strengen regulatorischen Anforderungen unterworfen sind. Beispielsweise sind Finanzinstitute in verschiedenen Ländern dazu verpflichtet, ihre Entscheidungen zur Kreditvergabe zu erklären. Wenn eine Entscheidung über die Ablehnung eines Kredits von einer KI-Programmierung getroffen wird, kann es jedoch schwierig sein zu erklären, wie die Entscheidung zustande gekommen ist, da die KI-Tools, die für solche Entscheidungen verwendet werden, subtile Korrelationen zwischen Tausenden von Variablen herausarbeiten. Wenn der Entscheidungsprozess nicht erklärt werden kann, wird das Programm als Black Box AI bezeichnet. Trotz der potenziellen Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von KI-Tools, und wo es Gesetze gibt, beziehen sie sich in der Regel indirekt auf KI.

KI kann folgende ethische Herausforderungen aufwerfen:

• Voreingenommenheit durch unsachgemäß ausgebildete Algorithmen und menschliche Voreingenommenheit.
• Missbrauch aufgrund von Deepfakes und Phishing.
• Rechtliche Bedenken, einschließlich KI-Verleumdung und Urheberrechtsfragen.
• Wegfall von Arbeitsplätzen aufgrund der wachsenden Fähigkeiten der KI.
• Bedenken hinsichtlich des Datenschutzes, insbesondere im Bankwesen, im Gesundheitswesen und im Rechtsbereich.

KI-Governance und Regularien

Trotz potenzieller Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von KI-Tools, und wo es Gesetze gibt, beziehen sie sich in der Regel indirekt auf KI. Allerdings beschäftigen sich unterschiedliche Gremien derzeit mit der Erstellung dieser Richtlinien, in der EU beispielsweise wird der AI Act diskutiert.

Die EU-Datenschutz-Grundverordnung (DSGVO) setzt strenge Grenzen für die Nutzung von Verbraucherdaten durch Unternehmen, was die Ausbildung und Funktionalität vieler verbraucherorientierter KI-Anwendungen behindert.

Die Ausarbeitung von Gesetzen zur Regulierung von KI ist nicht einfach, zum einen, weil KI eine Vielzahl von Technologien umfasst, die von Unternehmen zu unterschiedlichen Zwecken eingesetzt werden, und zum anderen, weil die Regulierung auf Kosten des Fortschritts und der Entwicklung von KI gehen kann.

Die schnelle Entwicklung von KI-Technologien ist ein weiteres Hindernis für eine sinnvolle Regulierung von KI. Technologische Durchbrüche und neuartige Anwendungen können bestehende Gesetze sofort überflüssig machen. So decken beispielsweise die bestehenden Gesetze zum Schutz der Privatsphäre von Gesprächen und Gesprächsaufzeichnungen nicht die Herausforderung ab, die Sprachassistenten wie Amazons Alexa und Apples Siri darstellen, die Gespräche sammeln, aber nicht weitergeben – außer an die Technologie-Teams der Unternehmen, die sie zur Verbesserung von Algorithmen für maschinelles Lernen nutzen. Und natürlich halten die Gesetze, die die Regierungen zur Regulierung der KI erlassen, Kriminelle nicht davon ab, die Technologie in böser Absicht zu nutzen.

Was ist die Geschichte der künstlichen Intelligenz?

Das Konzept der unbelebten Objekte, die mit Intelligenz ausgestattet sind, gibt es schon seit der Antike. Der griechische Gott Hephaistos wurde in Mythen dargestellt, wie er roboterartige Diener aus Gold schmiedete. Im alten Ägypten bauten Ingenieure Statuen von Göttern, die von Priestern animiert wurden. Im Laufe der Jahrhunderte nutzten Denker von Aristoteles über den spanischen Theologen Ramon Llull aus dem 13. Jahrhundert bis hin zu René Descartes und Thomas Bayes die Werkzeuge und die Logik ihrer Zeit, um menschliche Denkprozesse in Form von Symbolen zu beschreiben, und legten damit den Grundstein für KI-Konzepte wie die allgemeine Wissensrepräsentation.

Das späte 19. und die erste Hälfte des 20. Jahrhunderts brachten die grundlegenden Arbeiten hervor, die als Basis moderner Computer dienen. Im Jahr 1836 entwickelten der Mathematiker Charles Babbage von der Universität Cambridge und Augusta Ada Byron, Gräfin von Lovelace, den ersten Entwurf für eine programmierbare Maschine.

1940er Jahre. Der Princeton-Mathematiker John von Neumann entwickelte die Architektur des speicherprogrammierbaren Computers – die Idee, dass das Programm eines Computers und die Daten, die er verarbeitet, im Speicher des Computers gespeichert werden können. Und Warren McCulloch und Walter Pitts legten den Grundstein für neuronale Netze.

1950er Jahre. Mit dem Aufkommen moderner Computer konnten Wissenschaftler ihre Vorstellungen von maschineller Intelligenz testen. Eine Methode, um festzustellen, ob ein Computer intelligent ist, wurde von dem britischen Mathematiker und Codeknacker des Zweiten Weltkriegs Alan Turing entwickelt. Im Mittelpunkt des Turing-Tests stand die Fähigkeit eines Computers, Vernehmungsbeamten vorzugaukeln, dass seine Antworten auf ihre Fragen von einem Menschen stammten.

1956. Der moderne Bereich der künstlichen Intelligenz wurde in diesem Jahr auf einer Sommerkonferenz am Dartmouth College begründet. An der von der Defense Advanced Research Projects Agency (DARPA) gesponserten Konferenz nahmen zehn Koryphäen auf diesem Gebiet teil, darunter die KI-Pioniere Marvin Minsky, Oliver Selfridge und John McCarthy, der den Begriff der künstlichen Intelligenz geprägt haben soll. Ebenfalls anwesend waren der Informatiker Allen Newell und der Wirtschaftswissenschaftler, Politologe und Kognitionspsychologe Herbert A. Simon, die ihr bahnbrechendes Programm Logic Theorist vorstellten, ein Computerprogramm, das in der Lage war, bestimmte mathematische Theoreme zu beweisen und als erstes KI-Programm bezeichnet wurde.

1950er und 1960er Jahre. Im Anschluss an die Konferenz am Dartmouth College sagten führende Köpfe auf dem noch jungen Gebiet der KI voraus, dass eine dem menschlichen Gehirn gleichwertige künstliche Intelligenz kurz bevorstehe, und erhielten dafür große Unterstützung von Regierung und Industrie. Tatsächlich führten fast 20 Jahre gut finanzierter Grundlagenforschung zu bedeutenden Fortschritten auf dem Gebiet der KI: Ende der 1950er Jahre veröffentlichten Newell und Simon beispielsweise den GPS-Algorithmus (General Problem Solver), der zwar nicht in der Lage war, komplexe Probleme zu lösen, aber den Grundstein für die Entwicklung anspruchsvollerer kognitiver Architekturen legte; McCarthy entwickelte Lisp, eine Programmiersprache für KI, die auch heute noch verwendet wird. Mitte der 1960er Jahre entwickelte MIT-Professor Joseph Weizenbaum ELIZA, ein frühes Programm zur Verarbeitung natürlicher Sprache, das die Grundlage für die heutigen Chatbots bildete.

1970er und 1980er Jahre. Doch die Erreichung einer allgemeinen künstlichen Intelligenz stand nicht unmittelbar bevor, sondern wurde durch die Grenzen der Computerverarbeitung und des Speichers sowie durch die Komplexität des Problems behindert. Regierung und Unternehmen zogen sich aus der Unterstützung der KI-Forschung zurück, was zu einer Brachperiode von 1974 bis 1980 führte, die als der erste KI-Winter bekannt wurde. In den 1980er Jahren lösten die Forschung zu Deep-Learning-Techniken und die Übernahme von Edward Feigenbaums Expertensystemen durch die Industrie eine neue Welle der KI-Begeisterung aus, auf die jedoch ein erneuter Einbruch der staatlichen Finanzierung und der Unterstützung durch die Industrie folgte. Der zweite KI-Winter dauerte bis Mitte der 1990er Jahre.

1990er Jahre bis heute. Die Steigerung der Rechenleistung und die Explosion der Datenmengen lösten in den späten 1990er Jahren eine Renaissance der KI aus, die bis heute anhält. Die jüngste Konzentration auf KI hat zu Durchbrüchen unter anderen in den Bereichen Verarbeitung natürlicher Sprache, Computer Vision, Robotik, maschinelles Lernen und Deep Learning. Darüber hinaus wird KI immer greifbarer, treibt Autos an, diagnostiziert Krankheiten und festigt ihre Rolle in der Popkultur. Im Jahr 1997 besiegte Deep Blue von IBM den russischen Schachgroßmeister Garry Kasparov und war damit das erste Computerprogramm, das einen Schachweltmeister besiegte. Vierzehn Jahre später zog IBM Watson die Öffentlichkeit in seinen Bann, als es in der Spielshow Jeopardy! zwei ehemalige Champions besiegte. In jüngster Zeit verblüffte die historische Niederlage des 18-fachen Go-Weltmeisters Lee Sedol gegen AlphaGo von Google DeepMind die Go-Gemeinde und markierte einen wichtigen Meilenstein in der Entwicklung intelligenter Maschinen.

2000s. Weitere Fortschritte in den Bereichen maschinelles Lernen, Deep Learning, NLP, Spracherkennung und Computer Vision führten zu Produkten und Diensten, die unser heutiges Leben geprägt haben. Dazu gehören die Einführung der Google-Suchmaschine im Jahr 2000 und die Einführung der Empfehlungsmaschine von Amazon im Jahr 2001. Netflix entwickelte sein Empfehlungssystem für Filme, Facebook führte sein Gesichtserkennungssystem ein und Microsoft brachte sein Spracherkennungssystem für die Umwandlung von Sprache in Text auf den Markt. IBM brachte Watson auf den Markt und Google startete seine Initiative für selbstfahrende Autos, Waymo.

2010s. Im Jahrzehnt zwischen 2010 und 2020 gab es einen stetigen Strom von KI-Entwicklungen. Dazu gehören die Einführung der Sprachassistenten Siri von Apple und Alexa von Amazon, die Siege von IBM Watson bei Jeopardy, selbstfahrende Autos, die Entwicklung des ersten generativen adversarischen Netzwerks, die Einführung von TensorFlow, Googles Open-Source-Framework für Deep Learning, die Gründung des Forschungslabors OpenAI, das das Sprachmodell GPT-3 und den Bildgenerator Dall-E entwickelt hat, die Niederlage des Go-Weltmeisters Lee Sedol gegen AlphaGo von Google DeepMind und die Einführung von KI-basierten Systemen, die Krebserkrankungen mit hoher Genauigkeit erkennen.

2020s. Das aktuelle Jahrzehnt ist geprägt vom Aufkommen der generativen KI, einer Technologie der künstlichen Intelligenz, die neue Inhalte erzeugen kann. Generative KI beginnt mit einer Eingabeaufforderung, die in Form eines Textes, eines Bildes, eines Videos, eines Designs, von Musiknoten oder jeder anderen Eingabe, die das KI-System verarbeiten kann, erfolgen kann. Verschiedene KI-Algorithmen liefern dann als Antwort auf die Aufforderung neue Inhalte. Zu den Inhalten können Aufsätze, Problemlösungen oder realistische Fälschungen gehören, die aus Bildern oder Audioaufnahmen einer Person erstellt werden. Die Fähigkeiten von Sprachmodellen wie ChatGPT-3, Googles Bard und Microsofts Megatron-Turing NLG haben die Welt in Staunen versetzt, aber die Technologie befindet sich noch in einem frühen Stadium, was durch die Tendenz zu Halluzinationen oder verzerrten Antworten deutlich wird.

KI-Tools und -Dienste

KI-Tools und -Dienstleistungen entwickeln sich in rasantem Tempo. Die aktuellen Innovationen im Bereich der KI-Tools und -Dienstleistungen lassen sich auf das neuronale Netzwerk AlexNet aus dem Jahr 2012 zurückführen, das eine neue Ära der Hochleistungs-KI auf der Grundlage von Grafikprozessoren und großen Datensätzen einläutete. Die wichtigste Neuerung war die Möglichkeit, neuronale Netze auf riesigen Datenmengen auf mehreren GPU-Kernen parallel zu trainieren, was eine bessere Skalierbarkeit ermöglichte.

In den letzten Jahren hat die symbiotische Beziehung zwischen den KI-Entdeckungen von Google, Microsoft und OpenAI und den von Nvidia eingeführten Hardware-Innovationen die Ausführung immer größerer KI-Modelle auf mehr verbundenen GPUs ermöglicht, was zu bahnbrechenden Verbesserungen bei Leistung und Skalierbarkeit geführt hat.

Die Zusammenarbeit zwischen diesen KI-Koryphäen war entscheidend für den jüngsten Erfolg von ChatGPT, ganz zu schweigen von Dutzenden anderer bahnbrechender KI-Dienste. Im Folgenden finden Sie einen Überblick über wichtige Innovationen bei KI-Tools und -Diensten.

Transformatoren. Google war beispielsweise führend bei der Entwicklung eines effizienteren Verfahrens für die Bereitstellung von KI-Training in einem großen Cluster von Standard-PCs mit GPUs. Dies ebnete den Weg für die Entdeckung von Transformatoren, die viele Aspekte des KI-Trainings auf unbeschrifteten Daten automatisieren.

Hardware-Optimierung. Ebenso wichtig ist, dass Hardware-Anbieter wie Nvidia auch den Mikrocode für die parallele Ausführung der beliebtesten Algorithmen auf mehreren GPU-Kernen optimieren. Nvidia gibt an, dass die Kombination aus schnellerer Hardware, effizienteren KI-Algorithmen, fein abgestimmten GPU-Befehlen und besserer Rechenzentrumsintegration zu einer millionenfachen Verbesserung der KI-Leistung führt. Nvidia arbeitet außerdem mit allen Cloud-Center-Anbietern zusammen, um diese Fähigkeit als AI-as-a-Service über IaaS-, SaaS- und PaaS-Modelle zugänglich zu machen.

Generative vortrainierte Transformatoren. Auch der KI-Stack hat sich in den letzten Jahren rasant weiterentwickelt. Früher mussten Unternehmen ihre KI-Modelle von Grund auf trainieren. Anbieter wie OpenAI, Nvidia, Microsoft oder Google bieten zunehmend generative, vortrainierte Transformatoren (GPTs) an, die mit deutlich weniger Kosten, Fachwissen und Zeitaufwand auf eine bestimmte Aufgabe abgestimmt werden können. Während einige der größten Modelle schätzungsweise 5 bis 10 Millionen Dollar pro Durchlauf kosten, können Unternehmen die resultierenden Modelle für ein paar tausend Dollar feinabstimmen. Dies führt zu einer schnelleren Markteinführung und verringert das Risiko.

KI-Cloud-Dienste. Zu den größten Hindernissen, die Unternehmen davon abhalten, KI effektiv in ihrem Unternehmen einzusetzen, gehören die Aufgaben im Bereich Data Engineering und Data Science, die erforderlich sind, um KI-Funktionen in neue Anwendungen zu integrieren oder neue Anwendungen zu entwickeln. Alle führenden Cloud-Anbieter haben ihre eigenen KI-as-a-Service-Angebote, um die Datenaufbereitung, Modellentwicklung und Anwendungsbereitstellung zu optimieren. Zu den wichtigsten Beispielen gehören AWS AI Services, Google Cloud AI, Microsoft Azure AI-Plattform, IBM AI-Lösungen und Oracle Cloud Infrastructure AI Services.

Hochmoderne KI-Modelle als Service. Führende Entwickler von KI-Modellen bieten auch hochmoderne KI-Modelle auf der Grundlage dieser Cloud-Dienste an. OpenAI verfügt über Dutzende von großen Sprachmodellen, die für Chat, NLP, Bilderzeugung und Codegenerierung optimiert sind und über Azure bereitgestellt werden. Nvidia verfolgt einen Cloud-unabhängigeren Ansatz, indem es KI-Infrastrukturen und Basismodelle verkauft, die für Text, Bilder und medizinische Daten optimiert sind und über alle Cloud-Anbieter verfügbar sind. Hunderte von anderen Akteuren bieten ebenfalls Modelle an, die für verschiedene Branchen und Anwendungsfälle angepasst sind.