Die Bezeichnung KI findet immer mehr Verwendung im Alltag und auch im Handwerk. Was dahinter steht, ist aber oft nicht ganz klar und mitunter auch sehr unterschiedlich. Ab wann kann man ein System als Künstliche Intelligenz bezeichnen? Dazu gibt es keine genaue Abgrenzung oder Definition – Automatisierung und Entscheidungsfindung sind Teil der Grundlagen dazu. So kann eine ERP-Software mit einem guten Algorithmus schon als „intelligent“ gelten, weil Sie dabei hilft, Ihre Bestellungen akkurat zu planen und aufgrund von Daten vorherzusagen. Wie Algorithmen funktionieren, haben wir am Beispiel des YouTube-Algorithmus hier schon beleuchtet.

Künstliche Intelligenz

Ein Problem bei dem Begriff künstliche Intelligenz ist, dass es nicht klar ist, was wir unter „Intelligenz“ verstehen und außerdem, dass es Verhaltensweisen gibt, die intelligent aussehen, aber deren Ursachen nichts damit zu tun haben. Ausgehend von Daten entsteht Wissen, das dann wiederum teilweise als „intelligent“ bezeichnet wird. Wenn jemand auf einen Wald blickt und Ihnen nach einer Sekunde exakt sagen kann, wie viele Bäume sich darin befinden, könnte man ihn für intelligent halten. Für eine KI aber ist das inzwischen keine allzu schwierige Übung mehr, die auch keine allzu ausgefeilten Technologien benötigt.

Um eine akkurate, sinnvolle und nützliche KI zu haben, benötigt diese auch sinnvolle und relevante Daten. Darüber hinaus muss sie „wissen“ welches Ziel Sie haben. Für die KI bedeutet das, dass sie versucht, durch das Durchkalkulieren unterschiedlicher Daten und Muster einen bestimmten Wert (das Ziel) zu maximieren. Wenn Sie eine KI mit einem Text über Einhörner füttern, wird sie Informationen aus diesem Text ziehen können, aber auch die Existenz von Einhörnen als gesetzt annehmen. Relevante Daten müssen daher auch durch andere Daten validiert werden – je größer die Datenmenge, desto effektiver die KI.

Elon Musk als Chef von Tesla und Mitbegründer u. a. von OpenAI und NeuraLink nutzt diverse KI-Technologien in seinen Unternehmen und spricht auch oft über deren Leistungsvermögen und Komplexität.

Beispiel: Tesla-Autos, die autonom fahren können, sind ausgestattet mit:

  • 8 nach außen gerichteten Kameras
  • Radarsensoren
  • 12 Ultraschall-Sensoren
  • GPS
  • IMU (Inertiale Messeinheiten z. B. zur Messung von Beschleunigung).[1]

Auch wenn autonomes Fahren generell als KI bezeichnet wird, sind hier aber auch im Hintergrund künstliche neuronale Netze (KNN) und Deep Learning am Werk.

Maschinelles Lernen

Maschinelles Lernen ist da schon einen Schritt weiter. Die Entscheidungen, die bei maschinellem Lernen getroffen werden, basieren einerseits auf Algorithmen (wie bei KI) und andererseits auf Erfahrungen. Das heißt, eine Entscheidung für eine Situation kann zu einem späteren Zeitpunkt anders getroffen werden als zu Beginn. Dazu nutzt man unterschiedliche mathematischen Methoden der Mustererkennung. Aber sind wir hier schon am Ende angelangt? Nein – denn Deep Learning kann sogar noch mehr.

Maschinelles Lernen ist ein Teilgebiet der KI. Die Systeme, die es einsetzen, können lernen, ohne speziell darauf programmiert worden zu sein. Sie benötigen aber auch immer noch eine Ausgangsbasis, mit der sie ein Modell erstellen können, das schließlich zu der Antwort (oder den Antworten) gelangt

Deep Learning

Deep Learning, also “vertieftes Lernen” bedeutet, dass „Maschinen auf Basis eines neuronalen Netzes eigenständig trainieren und zu Ergebnissen kommen, die nicht im Ursprungsalgorithmus einprogrammiert waren“.[2]

Dieser Ansatz wird eher für die Forschung angewandt und je nach Sprachgebrauch fällt er immer noch unter „künstliche Intelligenz“ als Überbegriff. Das, was manchen Experten regelrecht Angst macht, ist nicht nur, dass Maschinen mit Deep Learning selbstständig lernen und sich verändern können. Es ist auch die schiere Geschwindigkeit, mit der sie dies tun. Diese hängt nämlich effektiv nur von der übertragenen Datenrate und der Verarbeitung dieser Daten ab.

Bezüglich der Sicherheitsbedenken gibt es zwei Aspekte, die wir hier anmerken möchten:

  • KI, auch solche mit neuronalen Netzen, ist prinzipiell anfällig gegenüber einem falschen Input, also wenn sie mit falschen Daten angelernt wird.
  • KI kann aber auch darauf trainiert werden, bestimmte Dinge NICHT zu tun. Das bedeutet, dass es auch eine bestimmte Sicherheit gibt, die man einbauen/programmieren kann.

Auf die Frage, ob er glaube, dass es KI-Systeme geben wird, das man als Mensch auf eine bedeutungsvolle Weise lieben kann und das einen ebenso liebt (wie im Film „Her“), sagt Elon Musk: „Ich denke, KI wird in der Lage sein, Sie überzeugen zu können sich in sie zu verlieben, und das sehr gut.“

Probleme und Vorteile

Darin liegt auch eines der Probleme der KI: Sie analysiert und interpretiert Daten viel schneller als Menschen es können, kann Voraussagen treffen, diese validieren oder falsifizieren und dadurch besser werden. Aber sie tut dies mit einer sehr großen Datenmenge, auf die wir als Menschen keinen Zugriff haben bzw. die wir nicht verarbeiten können. Die KI kann diese Daten auch nutzen, um „für“ uns etwas zu modellieren, das sich wirklich „anfühlt“, es aber nicht ist. Das muss allerdings nicht aus Kalkül oder böser Absicht erfolgen, so wie es viele Filme darstellen.

Der Vorteil von künstlichen neuronalen Netzen ist die sehr tiefgehende Abstraktion. Deep Learning hat seinen Namensursprung außerdem darin, dass diese Netze aus vielen Schichten bestehen, die jeweils Teilprobleme lösen.
Ein prominentes Beispiel ist das Go-Programm AlphaGoZERO der Londoner Firma Deepmind, das Maschinelles Lernen und neuronale Netze nutzt.

Fazit

Die Zeiten, in denen es als Erfolg galt, dass eine KI einen Schachweltmeister besiegen kann, sind vorbei. Inzwischen wurde auch das Spiel Go gemeistert, das deutlich komplexer als Schach ist, und aktuell macht die KI von OpenAI immer wieder auf sich aufmerksam, wenn sie beim hochkomplexen Strategiespiel DOTA ein Team aus Profis schlägt oder ein Turnier gewinnt. Die Hoffnung ist, dass allgemeine Systeme, die komplexe Videospiele lösen, auch mit Anwendungen außerhalb von Spielen sehr erfolgreich werden. Beispielsweise kann diese „Generelle KI“ unter anderem auch Musik- und Sprachmuster zusammensetzen.

Künstliche Intelligenz findet in immer mehr Systemen Anwendung und kann eine Reihe von Verbesserungen auch für Handwerksunternehmen realisieren. Wie man diese Systeme effektiv nutzt, hängt aber von der jeweiligen Branche und Anwendung ab. Durch die Digitalisierung und die anfallenden großen Datenmengen z. B. von Sensoren können sich auch im Handwerk in Zukunft künstliche Intelligenzen etablieren.

[1] Vgl. https://www.youtube.com/watch?v=dEv99vxKjVI

[2] https://www.itsicherheit-online.com/blog/detail/sCategory/222/blogArticle/3384