Künstliche Intelligenz (KI)

Definition: Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das sich mit der Entwicklung bestimmter Systeme und Algorithmen befasst: diese sollen die menschliche, kognitive Fähigkeiten wie Lernen, Planen, Probleme zu lösen und Entscheidungen zu treffen nachahmen. Maschinen sollen in Lage zu versetzt werden, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Heute kommt KI bereits in vielen Bereichen zum Einsatz: von Chatbots über Produktempfehlungen in Online-Shops bis zu Finanzprognosen und medizinischer Bildanalyse. Die Bandbreite und die Fähigkeiten der Anwendungen wachsen stetig.

Kategorien von künstlicher Intelligenz

Schwache/enge KI 

Schwache/enge KI beschreibt Systeme, die auf eine spezifische Aufgabe oder ein begrenztes Anwendungsgebiet spezialisiert sind. Beispiele sind Systeme für Spracherkennung, Bilderkennung, Schachspielen oder selbstfahrende Autos. Diese KI-Systeme sind in ihrem jeweiligen Bereich sehr leistungsfähig, können ihre Fähigkeiten aber nicht auf andere Bereiche übertragen.

Starke/allgemeine KI

Starke/Allgemeine KI wären Systeme, die über eine allgemeine, der menschlichen Intelligenz vergleichbare Denkfähigkeit verfügen. Sie könnten wie der menschliche Verstand Probleme in verschiedensten Bereichen lösen, Zusammenhänge erkennen und sich neues Wissen selbstständig aneignen. Diese Form der Artificial General Intelligence (AGI) existiert bisher nur in Theorien und ist Gegenstand intensiver Forschung (und vieler Hollywood-Filme).

Kernbereiche und Technologien

Machine Learning

Machine Learning (ML) ist einer der zentralen Bereiche der Künstlichen Intelligenz. Computersysteme sollen selbst aus Daten lernen und nicht mit starren Programmregeln arbeiten. ML-Algorithmen erkennen in großen Datenmengen selbstständig Muster und Zusammenhänge und können so Vorhersagen oder Entscheidungen treffen.

Die wichtigsten Kategorien sind:

• Überwachtes Lernen: Dem System werden Eingabedaten und erwartete Ausgaben als Trainingsbeispiele vorgegeben, damit es die zugrunde liegenden Muster erlernt. Anwendungen sind Bildklassifizierung oder Spam-Erkennung.
• Unüberwachtes Lernen: Hier liegen nur Eingabedaten vor, das System muss selbst Strukturen und Cluster in den Daten finden. Anwendungen sind Kundensegmentierung oder Empfehlungssysteme.
• Bestärkendes Lernen: Ein Algorithmus lernt durch Versuch und Irrtum die optimalen Handlungen in einer Umgebung. Diese werden ihm durch „Belohnungen“ und „Strafen“ signalisiert. Anwendungen sind Robotik, Spielstrategien oder Prozessoptimierung.

Bekannte ML-Techniken sind Entscheidungsbäume, Support Vector Machines und neuronale Netze. Im Grunde basieren momentan fast alle bekannten Anwendungen mit KI auf einer Form des maschinellen Lernens.

Deep Learning

Deep Learning ist ein Teilbereich des Machine Learnings, der auf künstlichen neuronalen Netzwerken basiert. Diese ahmen die Funktionsweise des menschlichen Gehirns nach, indem sie Informationen in vernetzten, hierarchischen Schichten verarbeiten.

Durch enorme Rechenleistung und riesige Datenmengen zum Trainieren können Deep-Learning-Modelle heute selbstständig komplexe Muster in Bildern, Audios und Texten erkennen. Anwendungen sind:

• Computervision: Objekterkennung, Bildsegmentierung, autonomes Fahren
• Spracherkennung: Spracherkennung, Übersetzung, Sprachsynthese
• Natürliche Sprachverarbeitung: Textanalyse, Sentiment-Analyse, Dialogsysteme

Besonders leistungsfähig sind Transformer-Architekturen wie BERT oder GPT für Textverarbeitung. Auch generative Modelle für Bildsynthese wie DALL-E oder Midjourney basieren auf Deep Learning.

Natürliche Sprachverarbeitung (NLP)

Die Natürliche Sprachverarbeitung (Natural Language Processing, NLP) befasst sich mit der Interaktion zwischen Computern und menschlicher Sprache in Schrift und Ton. Kernaufgaben sind:

• Spracherkennung: Umwandlung von Sprache in Text
• Textanalyse: Erkennen von Wörtern, Themen, Stimmungen in Texten
• Übersetzung: Automatische Übersetzung zwischen Sprachen
• Sprachsynthese: Erzeugen natürlicher Sprache aus Text
• Dialogsysteme: Verständnis und Generierung von Konversationen

Viele NLP-Systeme nutzen Deep Learning, aber auch andere Methoden wie regelbasierte Systeme oder statistische Modelle kommen zum Einsatz. Anwendungen sind virtuelle Assistenten, Chatbots, Übersetzungsdienste und mehr.

Generative KI

Generative KI-Modelle (wie ChatGPT) sind in der Lage, völlig neue Inhalte wie Texte, Bilder, Video, Audio oder Programmcode zu erzeugen, die den Trainingsdaten ähneln. Die Modelle basieren meist auf Deep Learning und speziell trainierten Transformer-Architekturen.

Large Language Models (LLMs) / Foundation Models

Large Language Models (LLMs), auch bekannt als Foundation Models, sind gigantische Sprachmodelle, die auf riesigen Datenmengen vortrainiert wurden, etwa mit Inhalten aus dem gesamten Internet. Sie sind extrem leistungsfähig und können für verschiedenste Anwendungen angepasst werden. Momentan sind sie vorwiegend in generativer KI im Einsatz. Sie gelten als vielversprechende Basis für allgemeine künstliche Intelligenz. 

Weiterführendes Whitepaper

Wir zeigen Ihnen die wichtigsten KI-Trends in den Bereichen Vertrieb, Warenwirtschaft und Service.

Jetzt kostenlos anfordern

Anwendungsbereiche und Beispiele

Die Liste zeigt einige der aktuellen Anwendungsbereiche von KI. Sie ist bei weitem nicht vollständig. Momentan entwickeln sich KI-Lösungen rasend schnell. Fast jede Woche werden neue Funktionen präsentiert.

Produktion/Fertigung

• Industrieroboter für Montage, Verpackung, Schweißen: KI-gesteuerte Roboter übernehmen zunehmend repetitive und gefährliche Aufgaben in Produktionsanlagen, von der Automobilmontage bis zur Verpackung von Gütern.
• Produktionsüberwachung und Qualitätskontrolle durch Bildanalyse: Kamerasysteme mit KI-Bildanalyse erkennen Fehler und Qualitätsmängel in Echtzeit und ermöglichen so eine lückenlose Überwachung.
• Predictive Maintenance durch Überwachung und Vorhersagemodelle: Sensordaten von Maschinen werden analysiert, um bevorstehende Ausfälle vorherzusagen und rechtzeitig Wartungen einzuplanen.

Verkehr/Mobilität

• Fahrassistenzsysteme wie Spurhalteassistent und Notbremssysteme: KI-Systeme in Autos unterstützen durch Eingriffe bei Gefahrensituationen oder unbeabsichtigtem Verlassen der Spur.
• Autonomes Fahren durch Objekterkennung und Situationsanalyse: Selbstfahrende Autos nutzen KI zur Erkennung von Objekten, Schildern und Verkehrssituationen für eine sichere Navigation.
• Intelligente Verkehrssteuerung zur Optimierung von Verkehrsflüssen: Durch Analyse von Verkehrsdaten können Ampelschaltungen und Routen in Echtzeit optimiert werden.

Gesundheitswesen

• Krankheitserkennung durch Bildanalyse und Vorhersagemodelle: Auf Basis von Bilddaten und Patientenhistorien können KI-Modelle Krankheiten wie Krebs oder Alzheimer frühzeitig erkennen.
• Virtuelle Assistenten für Triage, Behandlungsempfehlungen, Patientenberatung: Durch Sprachverarbeitung können KI-Systeme erste Einschätzungen geben und Patienten beraten.
• Medikamentenentwicklung durch virtuelles Screening und Wirkungsvorhersage: Mittels KI lassen sich aus Testdaten vielversprechende Wirkstoffkandidaten identifizieren und deren Wirkungen vorhersagen.

Finanzwesen

• Kreditrisikoanalyse und Kreditwürdigkeitsprüfung: KI-Modelle analysieren Kundendaten und treffen Vorhersagen über Kreditrisiken für die Kreditvergabe.
• Betrugsaufdeckung bei Transaktionen und Aktivitäten: Durch Erkennung von Auffälligkeiten in Datenmustern können betrügerische Aktivitäten frühzeitig identifiziert werden.
• Portfoliomanagement und Optimierung von Anlagestrategien: KI-Systeme unterstützen die Optimierung von Portfolios und Investitionsstrategien durch Vorhersagemodelle.
• Algorithmic Trading und automatisierter Wertpapierhandel: Komplexe Handelssysteme führen in Sekundenschnelle Transaktionen auf Basis von Marktdaten durch.

Kundendienst/Marketing

• Chatbots und virtuelle Assistenten für Kundenservice: Durch Sprachverarbeitung können KI-Systeme eingehende Anfragen automatisch beantworten und an Menschen eskalieren.
• Personalisierte Produktempfehlungen basierend auf Kundenprofilen: Analyseverfahren erstellen individualisierte Empfehlungen für jeden Kunden.
• Kundenzufriedenheitsanalyse aus Interaktionen und Feedback: Auswertung von Kundengesprächen und Bewertungen zur Optimierung der Servicequalität.
• Predictive Analytics für zukünftige Kundenbedürfnisse: Vorhersagemodelle ermitteln Trends und künftige Nachfragen für Produkte und Services.

Unterhaltung/Medien

• Personalisierte Empfehlungen für Filme, Musik, Spiele: Basierend auf Nutzungshistorie und Präferenzen werden individuell passende Inhalte empfohlen.
• Automatische Untertitelung und Übersetzung von Inhalten: Durch Sprachverarbeitung können Inhalte in Echtzeit untertitelt und übersetzt werden.
• Virtuelle Charaktere und digitale Schauspieler: Durch Motion Capture und Sprachsynthese können fotorealistische, animierte Charaktere erzeugt werden.

Sicherheit

• Überwachung und Objekterkennung für Sicherheitssysteme: Kamerasysteme mit KI-Bildanalyse erkennen Personen, Objekte und Gefahrensituationen.
• Vorhersage und Erkennung von Bedrohungen und Angriffen: Durch Musteranalyse in Daten können Cyber-Angriffe und andere Bedrohungen frühzeitig erkannt werden.
• Biometrische Identifikation und Gesichtserkennung: Für Zugangskontrolle und Identifikation von Personen durch Merkmale wie Gesicht, Iris oder Fingerabdruck.

Ethische Aspekte

Der Einsatz von Künstlicher Intelligenz birgt neben den enormen Potenzialen auch zahlreiche ethische Herausforderungen und Risiken, die sorgfältig bedacht werden müssen:

Verantwortlichkeit und Transparenz

Eines der Hauptprobleme ist die Frage der Verantwortlichkeit, wenn KI-Systeme Fehler machen oder Schaden verursachen. Wer ist in solchen Fällen haftbar: die Entwickler, die Betreiber oder gar die KI (als juristische Person) selbst? Eng damit verbunden ist die Forderung nach Transparenz und Nachvollziehbarkeit der Entscheidungsfindung von KI. Insbesondere bei Systemen wie Deep Learning, die als „Black Box“ arbeiten, ist dies eine große Herausforderung.

Datenschutz und Sicherheit

Viele KI-Anwendungen basieren auf der Verarbeitung riesiger Mengen an Daten, darunter häufig auch persönliche und sensible Informationen. Der Umgang mit KIs in Organisationen und muss daher reguliert und überwacht werden, um Verletzungen der Privatsphäre und des Datenschutzes zu verhindern. 

Auswirkungen auf die Arbeitswelt

Durch den Einsatz von KI zur Automatisierung werden Arbeitsplätze in bestimmten Branchen und Berufsfeldern verloren gehen. Gleichzeitig werden aber völlig neue Jobprofile und Qualifikationsanforderungen entstehen. Diese Transformation der Arbeitswelt muss sozialverträglich gestaltet werden. Dazu gehört, Arbeitnehmer durch Aus- und Weiterbildung auf den Wandel vorzubereiten.

Künstliche Superintelligenz

Wird es eines Tages gelingen, eine starke Künstliche Intelligenz zu entwickeln, die der menschlichen Intelligenz ebenbürtig oder gar überlegen ist? Dies würde fundamentale ethische und existenzielle Fragen aufwerfen. Wie können wir sicherstellen, dass eine solche „Superintelligenz“ die menschlichen Werte, Interessen und Sicherheit respektiert? Viele Experten sehen in einer unkontrollierten Superintelligenz eines der größten potenziellen Risiken für die Menschheit.

Diskriminierung

KI-Systeme übernehmen die in ihren Trainingsdaten enthaltenen Verzerrungen und Vorurteile. Auf dieser Basis treffen sie eventuell diskriminierende Entscheidungen, etwa bei der Kreditvergabe, Personalbeschaffung oder Strafverfolgung. Dieser Entwicklung muss gezielt durch die Programmierung der Algorithmen und die sorgfältige Auswahl der Trainingsdaten entgegengewirkt werden.

Desinformation und Manipulation

Die Fähigkeiten moderner generativer KI zur realistischen Erzeugung von Inhalten wie Texten, Bildern, Audio und Videos bergen enorme Risiken. Mit ihnen können gezielt echt aussehende Fake-Inhalte verbreitet werden, um Menschen zu täuschen. Systeme zur Erkennung von KI-generierten Inhalten sowie Regulierungen und Transparenzregeln sind mögliche Gegenmaßnahmen. Es ist allerdings umstritten, wie wirksam diese sind. 

Schutz geistigen Eigentums

Generative KI-Systeme werden mit riesigen Mengen an Daten trainiert, die häufig urheberrechtlich geschützte Werke enthalten. Viele Urheber sehen in der ungefragten Nutzung dieser Daten für das KI-Training ihre Rechte verletzt. Aktuell laufen Gerichtsprozesse hierzu.

Zudem wirft die Ausgabe von KI-generierten Inhalten Fragen des geistigen Eigentums auf. Wem gehören die von einer KI erschaffenen Werke? Dem Entwickler des KI-Systems, dem Betreiber, dem Anwender oder gar der KI selbst? Bestehende Gesetze sind hierzu nicht eindeutig.

Technische Herausforderungen und Grenzen

KIs sind insgesamt gesehen noch eine sehr junge, unausgereifte Technologie mit vielen Beschränkungen wie diesen:

Skalierbarkeit und Rechenleistung

Sehr große KI-Modelle wie GPT benötigen enorme Rechenleistung und Unmengen an Trainingsdaten. Das Training solcher Modelle erfordert Rechenzentren mit Tausenden von GPU-Beschleunigern und verschlingt so viel Energie wie ganze Städte. Die Skalierbarkeit auf noch größere Modelle stößt bisher an praktische und ökonomische Grenzen. 

Datenknappheit und -qualität

In vielen Bereichen gibt es zu wenig verfügbare und hochwertige Trainingsdaten. Gerade für seltene Anwendungsfälle, neue Sprachen oder spezialisierte Fachgebiete fehlt es oft an annotierten Datensätzen in der erforderlichen Menge und Qualität. 

Robustheit und Fehlertoleranz

Gegenüber Störungen oder gezielten Angriffen sind heutige KIs noch recht anfällig. KI-Systeme können durch Manipulationen der Eingabedaten leicht fehlgeleitet und zu falschen Ergebnissen verleitet werden. Fehlertolerante und vor Angriffen geschützte KI-Architekturen sind daher ein wichtiges Forschungsfeld.

Übertragbarkeit von Fähigkeiten

Selbst leistungsfähige KI-Modelle können ihr in einer Domäne erlerntes Wissen häufig nicht auf neue, unbekannte Aufgaben und Bereiche übertragen. Stellt man ihnen eine Aufgabe, die sie noch nicht kennen, produzieren sie unsinnige oder falsche Ergebnisse. Dies ist eine der großen Grenzen der heutigen „schwachen“ KI. 

Interessantes aus dem Blog

13 Use Cases für KI im ERP-System
Diese Faktoren verhindern den effizienten KI-Einsatz
Materialsbedarfsplanung im ERP mit KI