Die Vorstellung, dass Maschinen menschliches Denken nachbilden oder sogar übertreffen können, hat als Inspiration für fortschrittliche Computing-Frameworks gedient – und zieht inzwischen umfangreiche Investitionen unzähliger Unternehmen an. Im Zentrum dieses Konzepts stehen künstliche Intelligenz (KI) und maschinelles Lernen (ML).
Diese Begriffe werden oft synonym und austauschbar verwendet. Tatsächlich stehen KI und ML für zwei unterschiedliche Dinge – auch wenn sie miteinander verbunden sind. Im Wesentlichen gilt:
Künstliche Intelligenz lässt sich als die Fähigkeit eines Computersystems definieren, menschliches Denken und Verhalten zu imitieren oder nachzuahmen.
Maschinelles Lernen, eine Teilmenge der KI, bezeichnet ein System, das lernt, ohne explizit programmiert oder direkt von Menschen gesteuert zu werden.
Heute spielen KI und ML in praktisch jeder Branche und jedem Unternehmen eine bedeutende Rolle. Sie treiben Geschäftssysteme und Verbrauchergeräte an. Verarbeitung natürlicher Sprache, maschinelles Sehen, Robotik, prädiktive Analysen und viele andere digitale Frameworks nutzen eine oder beide dieser Technologien, um effektiv zu funktionieren.
Siehe auch: Was ist künstliche Intelligenz?
Kurze Geschichte von KI und ML
Die Idee, Maschinen zu bauen, die wie Menschen denken, hat die Gesellschaft seit Langem fasziniert. In den 1940er- und 1950er-Jahren begannen Forscher und Wissenschaftler, darunter Alan Turing, die Idee eines „künstlichen Gehirns“ zu erforschen. 1956 begann eine Gruppe von Forschern am Dartmouth College, die Idee eingehender zu untersuchen. Bei einem Workshop an der Universität entstand der Begriff „künstliche Intelligenz“.
In den folgenden Jahrzehnten machte das Forschungsfeld Fortschritte. 1964 erfand Joseph Weizenbaum im MIT Artificial Intelligence Laboratory ein Programm namens ELIZA. Es demonstrierte die Machbarkeit natürlicher Sprache und von Gesprächen auf einer Maschine. ELIZA stützte sich auf einen einfachen Algorithmus zum Abgleich von Mustern, um ein Gespräch aus der realen Welt zu simulieren.
In den 1980er-Jahren begann die KI-Forschung zu beschleunigen, als leistungsfähigere Computer aufkamen. 1982 zeigte John Hopfield, dass ein neuronales Netzwerk Informationen auf weitaus fortschrittlichere Weise verarbeiten konnte. Verschiedene Formen von KI nahmen Gestalt an, und 1980 entstand das erste künstliche neuronale Netzwerk (ANN).
In den vergangenen zwei Jahrzehnten hat sich das Forschungsfeld dank enormer Fortschritte bei Rechenleistung und Software bemerkenswert weiterentwickelt. KI und inzwischen auch ML werden heute in einer Vielzahl von Unternehmensanwendungen eingesetzt. Diese Technologien kommen in Systemen für natürliche Sprache wie Siri und Alexa, autonomen Fahrzeugen und in der Robotik, automatisierten Entscheidungssystemen in Computerspielen, Empfehlungs-Engines wie Netflix sowie in Extended-Reality-(XR-)Tools zum Einsatz, etwa in der virtuellen Realität (VR) und der erweiterten Realität (AR).
Insbesondere das maschinelle Lernen hat sich rasant entwickelt. Es wird zunehmend von Behörden, Unternehmen und anderen Organisationen eingesetzt, um komplexe und oft schwer erkennbare Muster in Statistiken und anderen Formen strukturierter und unstrukturierter Daten zu identifizieren. Dazu gehören so unterschiedliche Bereiche wie Epidemiologie und Gesundheitswesen, Finanzmodellierung und prädiktive Analysen, Cybersicherheit, Chatbots und andere Tools für Kundenvertrieb und -support. Tatsächlich bieten viele Anbieter ML als Bestandteil von Cloud- und Analyseanwendungen an.
Siehe auch: Die besten Plattformen für maschinelles Lernen
Welche Auswirkungen hat künstliche Intelligenz?
Die Fähigkeit einer Maschine, menschliches Denken und Verhalten nachzuahmen, verändert die Beziehung zwischen diesen beiden Entitäten grundlegend. KI ermöglicht Automatisierung in großem Maßstab und eine Reihe fortschrittlicherer digitaler Technologien und Tools, darunter VR, AR, digitale Zwillinge, Bild- und Gesichtserkennung, vernetzte Geräte und Systeme, Robotik, persönliche Assistenten und eine Vielzahl hochgradig interaktiver Systeme.
Dazu gehören selbstfahrende Autos, die sich unter realen Bedingungen bewegen, intelligente Assistenten, die Fragen beantworten und Lichter ein- und ausschalten, automatisierte Systeme für Finanzinvestitionen sowie Kameras und Gesichtserkennung an Flughäfen. Letztere umfassen biometrische Bordkarten, die Fluggesellschaften an Abflug-Gates verwenden, und das Global-Entry-System, bei dem ein Gesichtsscan genügt, um Sicherheitskontrollen zu passieren.
Es überrascht daher nicht, dass Unternehmen KI auf neue und innovative Weise einsetzen. So bewerten dynamische Preismodelle der Reisebranche Angebot und Nachfrage in Echtzeit und passen die Preise für Flüge und Hotels an die wechselnden Bedingungen an.
KI-Technologie wird eingesetzt, um die Dynamik von Angebot und Nachfrage besser zu verstehen und Beschaffungsmodelle und Prognosen anzupassen. In Lagerhäusern kann maschinelles Sehen (das von KI unterstützt wird) Dinge wie fehlende Paletten und Fertigungsfehler erkennen, die für das menschliche Auge zu klein sind. Unterdessen analysieren Chatbots Kundeneingaben und liefern unmittelbar kontextbezogen relevante Antworten.
Es überrascht nicht, dass sich diese Fähigkeiten rasant weiterentwickeln – insbesondere, da vernetzte Systeme hinzukommen. Intelligente Gebäude, intelligente Verkehrsnetze und sogar intelligente Städte nehmen Gestalt an. Während Datenströme eintreffen, bestimmen KI-Systeme den nächsten optimalen Schritt oder die nächste Anpassung.
Ebenso werden digitale Zwillinge zunehmend von Fluggesellschaften, Energieunternehmen, Herstellern und anderen eingesetzt, um reale Systeme und Anlagen zu simulieren und verschiedene Optionen virtuell zu erkunden. Diese fortschrittlichen Simulatoren prognostizieren Wartungsbedarf und Ausfälle, liefern aber auch Erkenntnisse darüber, wie sich Geschäfte kostengünstiger und zugleich ausgefeilter betreiben lassen.
Siehe auch: Wie KI die Softwareentwicklung durch KI-Augmentierung verändert
Welche Auswirkungen hat maschinelles Lernen?
Auch das maschinelle Lernen hat in den vergangenen Jahren bemerkenswerte Fortschritte gemacht. Mithilfe statistischer Algorithmen erschließt maschinelles Lernen Erkenntnisse, die traditionell mit Data Mining und menschlicher Analyse verbunden waren.
Anhand von Beispieldaten, die als Trainingsdaten bezeichnet werden, identifiziert es Muster und wendet sie auf einen Algorithmus an, der sich im Laufe der Zeit verändern kann. Deep Learning, eine Form des maschinellen Lernens, nutzt künstliche neuronale Netzwerke, um die Funktionsweise des menschlichen Gehirns zu simulieren.
Dies sind die wichtigsten Einsatzformen von ML:
Überwachtes Lernen, bei dem eine Person die gewünschten Signale und Ergebnisse identifizieren muss.
Unüberwachtes Lernen, bei dem das System unabhängig von Menschen arbeiten und wertvolle Ergebnisse finden kann.
Teilüberwachtes Lernen und bestärkendes Lernen, bei dem ein Computerprogramm mit einer dynamischen Umgebung interagiert, um vorgegebene Ziele und Ergebnisse zu erreichen. Ein Beispiel für Letzteres ist ein Computersachspiel. In manchen Fällen verwenden Datenwissenschaftler einen hybriden Ansatz, der Elemente mehrerer dieser Methoden kombiniert.
Siehe auch: Die Zukunft der künstlichen Intelligenz
Eine Vielzahl von Algorithmen
Mehrere Arten von Algorithmen des maschinellen Lernens spielen eine wichtige Rolle:
Neuronale Netzwerke: Neuronale Netzwerke simulieren die Funktionsweise des menschlichen Gehirns. Sie eignen sich ideal zur Mustererkennung und werden häufig für die Verarbeitung natürlicher Sprache sowie die Bild- und Spracherkennung eingesetzt.
Lineare Regression: Diese Technik ist wertvoll für die Prognose numerischer Werte, etwa für die Vorhersage von Flug- oder Immobilienpreisen.
Logistische Regression: Diese Methode verwendet typischerweise ein binäres Klassifizierungsmodell (etwa „ja/nein“), um etwas zu kennzeichnen oder zu kategorisieren. Eine häufige Anwendung dieser Technologie ist die Erkennung von Spam in E-Mails sowie das Sperren unerwünschten Codes oder von Malware.
Clustering: Dieses ML-Tool nutzt unüberwachtes Lernen, um Muster zu erkennen, die Menschen möglicherweise übersehen. Ein Beispiel für Clustering ist die Analyse, wie ein Lieferant dasselbe Produkt an verschiedenen Standorten liefert. Dieser Ansatz kann beispielsweise im Gesundheitswesen eingesetzt werden, um zu verstehen, wie unterschiedliche Lebensstilbedingungen Gesundheit und Lebenserwartung beeinflussen.
Entscheidungsbaum: Dieser Ansatz prognostiziert numerische Werte, führt aber auch Klassifizierungsfunktionen aus. Im Gegensatz zu anderen Formen des ML bietet er eine klare Möglichkeit, Ergebnisse zu überprüfen. Diese Methode funktioniert auch mit Random Forests, die Entscheidungsbäume kombinieren.
Unabhängig von der konkreten Methode wird ML von Unternehmen zunehmend eingesetzt, um Daten besser zu verstehen und Entscheidungen zu treffen. Dies wiederum liefert die Grundlage für ausgefeiltere KI und Automatisierung. So bezieht die Sentimentanalyse historische Verkaufsdaten, Social-Media-Daten und sogar Wetterbedingungen ein, um Fertigungs-, Marketing-, Preis- und Vertriebsstrategien dynamisch anzupassen. Andere ML-Anwendungen liefern Empfehlungs-Engines, Betrugserkennung und Bildklassifizierung für die medizinische Diagnostik.
Eine der Stärken des maschinellen Lernens besteht darin, dass es sich dynamisch anpassen kann, wenn sich Bedingungen und Daten ändern oder eine Organisation weitere Daten hinzufügt. Dadurch ist es möglich, ein ML-Modell zu erstellen und anschließend laufend anzupassen. So könnte ein Marketingfachmann einen Algorithmus auf Grundlage des Verhaltens und der Interessen eines Kunden entwickeln und Nachrichten und Inhalte anpassen, wenn sich dessen Verhalten, Interessen oder Kaufmuster ändern.
Siehe auch: Leitfaden zur digitalen Transformation: Definition, Arten und Strategie
Wie entwickeln sich KI und ML im Unternehmen weiter?
Wie erwähnt bieten die meisten Softwareanbieter – über ein breites Spektrum von Unternehmensanwendungen hinweg – KI und ML in ihren Produkten an. Diese Systeme machen es zunehmend einfach, leistungsstarke Tools einzusetzen, ohne über umfassende Kenntnisse der Datenwissenschaft zu verfügen.
Dennoch gibt es einige Vorbehalte. Kunden benötigen häufig ein Verständnis von KI und entsprechendes Fachwissen, um den größtmöglichen Nutzen aus KI- und ML-Systemen zu ziehen. Ebenso wichtig ist es, bei der Produktauswahl den Marketingversprechen der Anbieter nicht blind zu vertrauen. KI und ML können grundlegende Geschäftsprobleme nicht beheben – und in manchen Fällen sogar neue Herausforderungen, Bedenken und Probleme hervorrufen.
Welche ethischen und rechtlichen Bedenken gibt es?
KI und ML stehen im Zentrum einer zunehmenden Kontroverse – und sie sollten umsichtig und sorgfältig eingesetzt werden. Sie werden mit Verzerrungen bei Einstellungen und Versicherungen, rassistischer Diskriminierung und einer Vielzahl anderer Probleme in Verbindung gebracht, darunter der missbräuchliche Einsatz von Daten, unangemessene Überwachung sowie Deepfakes und falsche Nachrichten und Informationen.
Es gibt zunehmend Belege dafür, dass Gesichtserkennungssysteme bei der Identifizierung von People of Color deutlich weniger genau sind – und zu Racial Profiling führen können. Darüber hinaus wächst die Sorge, dass Regierungen und andere Organisationen Gesichtserkennung zur Massenüberwachung einsetzen. Bisher gibt es nur sehr wenige Vorschriften für den Einsatz von KI. Dennoch ethische KI entwickelt sich zu einem wichtigen Gesichtspunkt.
Wie sieht die Zukunft von ML und KI aus?
KI-Technologien entwickeln sich rasant weiter und werden in Unternehmen – und in unserem Leben – eine immer wichtigere Rolle spielen. KI- und ML-Tools können Kosten senken, die Produktivität steigern, Automatisierung ermöglichen und Innovation sowie die Transformation von Unternehmen auf bemerkenswerte Weise vorantreiben.
Mit dem Fortschreiten der digitalen Transformation werden verschiedene Formen der KI die Sonne bilden, um die verschiedene digitale Technologien kreisen. KI wird weitaus fortschrittlichere Systeme für natürliche Sprache, Werkzeuge für maschinelles Sehen, autonome Technologien und vieles mehr hervorbringen.
Siehe auch: Die führenden Unternehmen für digitale Transformation