In der öffentlichen Vorstellung wird künstliche Intelligenz (KI) oft als eine einzelne, klar abgrenzbare Technologie betrachtet. Tatsächlich ist KI ein umfassendes Konzept, das eine große Bandbreite an Kategorien, Anwendungsfällen und Lösungen umfasst.
Sehen wir uns die vielen Arten von KI an.
Siehe auch: Was ist künstliche Intelligenz?
Welche verschiedenen Arten von KI gibt es?
Die Definitionen von KI-Kategorien unterscheiden sich stark. In manchen Übersichten werden aktuelle KI-Anwendungen mit Spekulationen von Forschern darüber verglichen, welche Meilensteine das Gebiet in Zukunft möglicherweise erreichen wird.
Für diesen Artikel konzentrieren wir uns auf das, was derzeit möglich und umsetzbar ist.
Siehe auch: Top-KI-Software
Prädiktive KI
Prädiktive KI prognostiziert auf Grundlage vergangener Aktivitäten oder eines anderen Kontexts einen wahrscheinlichen zukünftigen Zustand eines Datenpunkts. Diese Kategorie umfasst Empfehlungssysteme, Rechtschreibprüfungen und andere KI-Anwendungen, die statistische Verfahren und Feature Engineering nutzen.
Diese Form läutete bedeutende Fortschritte in der KI ein. Beispiele sind die Autokorrektur auf einem Mobiltelefon, Einkaufsempfehlungen und Empfehlungen für digitale Werbeausgaben.
„Hier geht es darum, den idealen nächsten Schritt — und alles andere, was davon abweicht — möglichst genau vorherzusagen“, sagte Nagarajan, Mitgründer und CTO von BigSpring.
Modellieren und erkennen
Mit einem ausreichend großen Datensatz und einer Zielfunktion können Nutzer ein Modell erstellen und auf neue Daten anwenden. Computervision und allgemeine Suchalgorithmen fallen in diese Kategorie. Darüber hinaus ist KI zum Modellieren und Erkennen wertvoll für die Spam-Erkennung, Gesichtserkennung und vieles mehr.
Generative KI
Auf Grundlage eines Prompts kann generative KI in ein oder zwei Sekunden ein komplettes Video, Code oder einen Aufsatz erstellen, der menschliche Genauigkeit vortäuscht. Dies ist die aktuelle große KI-Welle mit Tools wie ChatGPT, Stable Diffusion und Github Copilot. Sie nutzen Transformermodelle, die sich auf große Klassen digitaler Tätigkeiten verallgemeinern lassen und Aufgaben oder ganze Gruppen von Tätigkeiten zuverlässig und schnell ersetzen können.
Überwachtes, unüberwachtes und bestärkendes Lernen
Frans Cronje, CEO und Gründer von Dataprophet, bezeichnete überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen als die drei wichtigsten Teilbereiche der KI. Jeder davon kann flach oder tief sein.
Deep Learning, so Cronje, nutzt einen kompositionellen KI-Algorithmus, der aus einem Netzwerk von Knotenschichten besteht, die als neuronales Netzwerk bezeichnet werden. Außerdem eignet sich Deep Learning hervorragend dazu, aus einer Masse roher Daten aussagekräftige Zwischenrepräsentationen von Merkmalen zu erzeugen — vorausgesetzt, die Daten werden richtig kontextualisiert. Mit ausreichend Trainingsdaten hat es sich bei Aufgaben der Mustererkennung wie der Bildbeschreibung und maschinellen Übersetzung bewährt.
Siehe auch:
KI vs. ML: Künstliche Intelligenz und maschinelles Lernen
Was sind wichtige Anwendungsfälle für KI?
KI-Anwendungen und Anwendungsfälle haben sich in den vergangenen Jahren enorm weiterentwickelt. Hier sind einige der wichtigsten Anwendungsfälle:
Steuerung von Produktionsprozessen in der Fertigung
Cronje nannte die vorausschauende Steuerung von Produktionsprozessen in ihrer Gesamtheit als einen sich entwickelnden Anwendungsfall. Sein Unternehmen hat Deep-Learning-Modelle zur präventiven Optimierung von Fertigungsprozessen in einer Reihe von Branchen trainiert. Dazu gehören Eisengießereien, Automobilindustrie, Schweißen, Metallverarbeitung, Mineralverarbeitung und Halbleiter.
Talentpools aufbauen
Prädiktive und generative KI können Unternehmen dabei helfen, Talentpools aufzubauen. Google Ads nutzte beispielsweise diesen Ansatz, um die Verzögerung bei der Einführung von rund 500 Feature-Updates pro Jahr zu beseitigen.
„Sie hatten eine Verzögerung von 12 bis 24 Monaten bis zur Markteinführung, weil das Team die Weiterbildung der Ads-Fachleute nicht im Tempo der Produktentwicklung bereitstellen konnte“, sagte Nagarajan.
Siehe auch: Die Zukunft der künstlichen Intelligenz
Automobilindustrie
Die Automobilindustrie steht bei der KI-Innovation ganz weit vorn. Yoav Banin, Chief Product and Business Development Officer bei Nauto, hob drei Anwendungen KI-basierter Systeme in der Branche hervor:
- Infotainmentsysteme und sprachbasierte Navigation auf Grundlage von HMI (Mensch-Maschine-Schnittstelle), Sprachbefehlen, Gestenerkennung und natürlicher Sprachverarbeitung (NLP).
- Systeme, die interne Risiken wie Müdigkeit und Verstöße gegen die Gurtpflicht erkennen und identifizieren. Dies geschieht durch Fahrerüberwachungssysteme, die Kameras und eine Echtzeitbewertung des Fahrerzustands nutzen.
- Systeme, die externe Risiken wie zu dichtes Auffahren auf Grundlage radarbasierter Erkennung, von Sensoren und Motorsteuergeräten erkennen und identifizieren.
„Wir konzentrieren uns darauf, den Nutzen von KI zu maximieren, damit ein menschlicher Fahrer bessere Leistungen erbringt, statt zu versuchen, den Menschen vollständig zu ersetzen“, sagte Banin. „Sie hat überlegene Sicherheitsergebnisse gezeigt — durch gerettete Menschenleben, vermiedene Kollisionen und ein geringeres Risiko aufgrund des Fahrerverhaltens.“
Nauto erreicht dies durch die KI-basierte Erkennung von Ablenkungen, die Überwachung des Verhaltens im Fahrzeuginnenraum und die Kombination von Computervision und KI, um den Fahrkontext zu verstehen. Das System kann den Fahrer in Echtzeit warnen und so eine Selbstkorrektur ermöglichen.
Siehe auch: Die besten Plattformen für maschinelles Lernen
Wohin entwickelt sich KI in Zukunft?
Natürliche Sprachverarbeitung
NLP ist ein Teilgebiet der KI, das Computern dabei hilft zu verstehen, wie Menschen schreiben und sprechen. Diese Systeme erfassen die Bedeutung einer Eingabe aus Wörtern und erzeugen eine Ausgabe, die je nach Anwendung variieren kann. Dies ist ein äußerst dynamisches Gebiet der KI-Entwicklung.
„Bei den meisten KI-Trends geht es um natürliche Sprachverarbeitung und darum, wie man sie nutzen kann, um KI-Modelle zu verbessern“, sagte Ricardo Michel Reyes, Chief Science Officer bei Erudit. „Mit ihrer Weiterentwicklung werden Unternehmen ihre gesamten gespeicherten Textdaten besser verstehen und zu datengesteuerten Organisationen werden.
„Wenn Unternehmen in den vergangenen Jahren immer mehr unverfälschte, organische Kommunikationsdaten gesammelt haben, wird 2023 eine Flut von KI-Tools bringen, die ihnen dabei helfen, Unternehmensdaten in umsetzbare Erkenntnisse zu verwandeln.“
Quantencomputing
Quantencomputing nutzt die Quantenmechanik, um Probleme zu lösen, die als zu komplex für Computer gelten, die auf dem klassischen System der Logik und Berechnung basieren.
KI wird in einer Quantenumgebung eingesetzt, um Algorithmen des maschinellen Lernens schneller und genauer zu berechnen und Ergebnisse zu erzielen, die mit herkömmlichen Computern nicht möglich sind. Zu den Anwendungen gehören die Verarbeitung großer KI-Datensätze, die schnellere Lösung komplexer Probleme und die Zusammenführung mehrerer Datensätze.
Kreative Arbeit
Über die Analyse historischer Daten zur Identifizierung der richtigen Zielgruppen hinaus werden KI-Anwendungsfälle weiterentwickelt, indem als Reaktion auf Leistungsindikatoren in Echtzeit sofortige Änderungen umgesetzt werden.
James Brooks, CEO und Gründer der Videodistributionsplattform GlassView, sagte, dass KI den kreativen Prozess in Werbeagenturen effizienter gestaltet. Dazu gehört, Aspekte einer Anzeige wie Farbe und Positionierung im Rahmen laufender Kampagnen in Echtzeit zu verändern.
Einstellung
Glider: KI-CEO Satish Kumar sagte, dass KI im Personalwesen und bei der Einstellung eingesetzt wird, unter anderem um Betrug von Bewerbern während des Bewerbungsgesprächs aufzudecken. Zu den betrügerischen Vorgehensweisen gehören Copy-and-paste-Aktionen und Code-Plagiate.
Aufwendigere Betrüger engagieren professionelle Interviewer für 150 US-Dollar pro Stunde, während der Bewerber Antworten über Ohrhörer lippensynchron wiedergibt. KI kann erkennen, ob ein Bewerber lippensynchron spricht, sowie Anzeichen wie verdächtige Augenbewegungen, die darauf hindeuten, dass er Antworten von anderen Personen erhält.
„Über die Betrugsbekämpfung hinaus rückt KI Fähigkeiten in den Vordergrund und kann Subjektivität beseitigen, indem sie Verzerrungen beim Screening eliminiert. Entscheidungen basieren dann auf der Eignung für eine Rolle, dem Interesse an einer Rolle und der Übereinstimmung der Fähigkeiten mit der Rolle — statt auf formalen Qualifikationen und unbewussten Vorurteilen, die durch das Aussehen oder Netzwerk von Menschen entstehen“, sagte Kumar.
Welche zukünftigen Anwendungen der KI sind zu erwarten?
Science-Fiction-Filme postulieren KI-Systeme, die so intelligent werden, dass sie beschließen, die Menschheit auszurotten. Oder KI, die während einer langen Reise zu fernen Welten problemlos jede einzelne anstehende Entscheidung übernehmen kann.
Solche Fähigkeiten liegen offensichtlich noch in weiter Ferne. Doch was können wir in naher Zukunft erwarten?
Praktisches und tiefes bestärkendes Lernen (RL)
Cronje nannte das praktische bestärkende Lernen, das sich auf die Fähigkeit der KI stützt, einen industriellen Raum zu erkunden und auszunutzen. Ein Beispiel sind Arbeiten von DeepMind und Google in Zusammenarbeit mit einem Anbieter von Gebäudemanagementsystemen. Sie zeigen, wie RL bei der Lösung eines realen industriellen Problems helfen kann — in diesem Fall ineffizienten Kühlsystemen für Gewerbegebäude in Rechenzentren. Durch die Anpassung von RL, sodass es aus Offline-Daten und innerhalb bestimmter Einschränkungen lernen kann, wurden laut Cronje erhebliche Energieeinsparungen erzielt.
„Deep Reinforcement Learning wird außerdem als adaptive Lösung an der Spitze des Chipdesigns vorgeschlagen, um die wachsende Nachfrage nach Rechenleistung der nächsten Generation zu decken“, sagte Cronje. „RL könnte entscheidend dazu beitragen, zunehmend optimale Positionen für Schaltungskomponenten innerhalb der Kernfläche des Chips zu bestimmen. Das ermöglicht eine rasche Entwicklung zukunftsweisender Halbleiter, die symbiotisch mit der von ihnen betriebenen Hardware arbeiten.
„Am mutigeren Ende des KI-Spektrums arbeiten schließlich Innovatoren aus verschiedenen Bereichen mit KI-Spezialisten zusammen, sodass RL- und Simulationstechnologie die Kernfusion als unerschöpfliche Quelle sauberer Energie nutzbar machen können.“
Natürlichsprachliche Prompts für KI
Nagarajan schlug einen weiteren Fortschritt für die nahe Zukunft vor: Statt Stockfotos zu verwenden, werden Nutzer die gewünschten Bilder beschreiben und sie mit einigen wenigen Prompts nach ihren Vorstellungen gestalten. Anstatt komplexe SQL-Abfragen zu schreiben, werden Nutzer in natürlicher Sprache beschreiben, was sie möchten, und auf diese Weise die Ergebnisse erhalten. Er glaubt, dass KI einen großen Teil der kreativen Arbeit in mehr Hände legen wird.
„Eine neue Klasse von Arbeitskräften wird weder Excel-Formeln noch PowerPoint-Layouttechniken lernen, sondern, eine KI mit den richtigen Anweisungen zu steuern“, sagte Nagarajan. „Programmieren wird im Grunde nur noch bedeuten, mit einem Computer zu kommunizieren. Das wird einen Produktivitätsschub freisetzen, wie wir ihn seit dem allgemeinen Aufkommen von Computern und E-Mail nicht mehr erlebt haben.“
Kontextbezogene Risiken für Versicherungen und andere Anwendungsbereiche verstehen
Banin ergänzte, dass intensiv daran gearbeitet werde, in Echtzeit mehr Risiken zu erfassen und abzudecken sowie Faktoren zusammenzuführen, die über das Fahrerverhalten und den unmittelbaren Kontext hinausgehen. Dazu können Wetterbedingungen, Straßenverhältnisse, der Verkehr umliegender Fahrzeuge und Fußgänger sowie das relative Risiko verschiedener Routen gehören.
Der nächste Schritt besteht darin, dieses Verständnis nicht nur für die Sicherheit der Fahrer einzusetzen, sondern auch für die Zeichnung von Versicherungen sowie zur Verbesserung der Leistung und Effizienz von Fuhrparks.
„Wir verschieben die Grenzen weiter, indem wir Deep Learning und konvolutionale neuronale Netzwerke einsetzen, um immer mehr kontextbezogene Risiken zusammenzuführen, Maßnahmen zur Kollisionsvermeidung auszulösen und eine Änderung des Fahrerverhaltens anzustoßen, die das Risiko reduziert“, sagte Banin.
Nicolas Sekkaki, General Manager für Anwendungen, Daten und KI bei Kyndryl, erwartet eine nahe Zukunft voller verantwortungsvoller KI-Lösungen, die Vertrauen, Risiko, Ethik, Sicherheit und Transparenz berücksichtigen. Außerdem rechnet er mit großen Verbesserungen bei Lösungen für personalisierte Erkenntnisse, etwa im Zusammenhang mit Kreditrisiken oder Empfehlungssystemen für dynamische Preisgestaltung und zur Beeinflussung von Kaufentscheidungen.
Versicherungsunternehmen werden KI beispielsweise einsetzen, um die Versicherung von Autos, Häusern, Unternehmen und Einzelpersonen im Rahmen deutlich flexiblerer Programme zu verändern. Dazu gehört die dynamische und automatische Anpassung des Versicherungsschutzes sowie die Sicherstellung, dass er jederzeit optimiert und personalisiert ist.
KI-Lösungen werden das menschliche Verhalten überwachen, Herausforderungen und Chancen entlang der Customer Journey proaktiv vorhersehen und den Versicherungsschutz anpassen, um kontextbezogene Angebote bereitzustellen.
Ein großer US-Versicherer geht beispielsweise davon aus, dass innerhalb weniger Jahre etwa 70 % der neuen Autoversicherungen nutzungs- oder verhaltensbasiert sein werden. Dafür müssen Versicherungsunternehmen Analysemodelle und Algorithmen des maschinellen Lernens als Grundlage nutzen, um die riesigen Informationsmengen auszuwerten, die von Telefonsensoren und vernetzten Autos erfasst werden.
Erweiterte KI für die Personalentwicklung
Auch das Personalwesen wird ein wichtiger Nutznießer künftiger KI-Entwicklungen sein.
„Künstliche Intelligenz wird Unternehmen dabei helfen, ihren gesamten HR-Lebenszyklus zu erweitern — von der Suche und Bewertung von Fähigkeiten über Vorstellungsgespräche, Einstellungen und die Planung des Talentbedarfs bis hin dazu, vorhandene Talente zufrieden und engagiert zu halten“, sagte Kumar.
„Im Personalwesen, Recruiting und Staffing finden Aufgaben wie das Screening über Chatbots, die Terminierung der nächsten Schritte und die Bewertung nach Fähigkeiten, Eignung und Interesse bereits statt. Und die verbleibenden manuellen und repetitiven Aufgaben in jeder Branche werden letztendlich allesamt an irgendeine Form von KI übergehen.“