Künstliche Intelligenz (KI) gilt als Schlüsseltechnologie der Zukunft. Sie ist bereits im Alltag präsent und wird in virtuellen Assistenten, sozialen Netzwerken, Überwachungskameras, Routing-Apps, Streaming-Plattformen usw. eingesetzt. Was genau ist unter „KI“ zu verstehen?
Wie auf der Website des Europäischen Parlaments beschrieben, bezeichnet KI die Fähigkeit einer Maschine, menschliches Verhalten wie Denken, Planung und Kreativität zu reproduzieren. Es ermöglicht technischen Systemen, ihre Umgebung wahrzunehmen, diese Wahrnehmungen zu verwalten, Probleme zu lösen und Maßnahmen zu ergreifen, um ein bestimmtes Ziel zu erreichen. Die Systeme empfangen Daten (bereits vorbereitet oder über Sensoren - zum Beispiel eine Kamera - gesammelt), analysieren sie und reagieren darauf. Sie sind in der Lage, ihr Verhalten anzupassen, indem sie die Auswirkungen ihrer früheren Handlungen analysieren und (mehr oder weniger) autonom arbeiten.
Starke KI und schwache KI
Im Bereich der künstlichen Intelligenz wird im Allgemeinen zwischen starker und schwacher KI unterschieden.
Starke KI
Starke KI, auch als allgemeine künstliche Intelligenz bekannt, ist ein Algorithmensystem, das wie ein Mensch in der Lage ist, Probleme zu lösen, für die es noch nie trainiert wurde, zu lernen und zu planen. Experten zufolge könnte eine starke künstliche Intelligenz ein Bewusstsein, eine Sensibilität und einen autonomen Willen nach dem Vorbild des Menschen entwickeln.
Diese Art von KI gibt es noch nicht, und eine große Mehrheit der Experten ist der Ansicht, dass wir noch weit davon entfernt sind, dies zu erreichen, unter anderem aufgrund der technologischen Fortschritte, die noch zu erreichen sind.
Schwache KI
Schwache KI, manchmal auch als schmale KI oder spezialisierte KI bezeichnet, funktioniert in einem begrenzten Kontext und ist eine Simulation menschlicher Intelligenz, die auf ein eng definiertes Problem angewendet wird (Transkription eines menschlichen Diskurses, Organisation des Inhalts einer Website oder Analyse umfangreicher Rechtstexte oder Vertragsdokumente).
Schwache KI konzentriert sich oft darauf, eine einzelne Aufgabe äußerst effizient auszuführen. Obwohl diese Maschinen intelligent erscheinen mögen, unterliegen sie viel mehr Einschränkungen und Einschränkungen als die grundlegendste menschliche Intelligenz.
Beispiele für schwache KI sind:
- Siri und andere intelligente Assistenten
- Selbstfahrende Autos
- Suchmaschinen
- Chatbots ("Chatbots")
- Spam-Filter für E-Mails
- Empfehlungen von Netflix
Maschinelles Lernen und Deep Learning
Obwohl KI eine Technologie mit mehreren Ansätzen ist, führen insbesondere die Fortschritte beim maschinellen Lernen und beim Deep Learning zu einem Paradigmenwechsel in praktisch allen Wirtschaftszweigen und in der Gesellschaft.
Maschinelles Lernen (Machine Learning)
Maschinelles Lernen (ML) ist eine Unterspezialität der KI, die sich durch den Einsatz von Algorithmen auszeichnet, die es Softwareanwendungen ermöglichen, Ergebnisse genauer vorherzusagen, ohne dass sie explizit programmiert werden müssen. Das Grundprinzip des maschinellen Lernens besteht darin, Algorithmen zu entwickeln, die in der Lage sind, Eingabedaten zu erhalten und eine Ausgabe mithilfe statistischer Analysen vorherzusagen, und gleichzeitig aktualisiert zu werden, wenn neue Daten verfügbar sind.
Empfehlungs-Engines gehören zu den gängigen Anwendungsfällen für maschinelles Lernen sowie für Betrugserkennung, Spam-Filter und Malware-Erkennung.
Deep Learning
Deep Learning umfasst Algorithmen, die in der Lage sind, die Handlungen des menschlichen Gehirns durch künstliche neuronale Netze nachzuahmen. Netzwerke bestehen aus Dutzenden oder sogar Hunderten von "Schichten" von Neuronen, von denen jede Informationen von der vorherigen Schicht empfängt und interpretiert. Dies ermöglicht es der Maschine, beim Lernen "tief zu gehen", indem sie Verbindungen herstellt und die Daten gewichtet, um die besten Ergebnisse zu erzielen.
Überwachtes Lernen und unüberwachtes Lernen
Überwachtes Lernen
Die Mehrheit des maschinellen Lernens verwendet überwachtes Lernen ("Supervised Learning"). Dieser Ansatz verwendet beschriftete Datensätze, um Klassifizierungs- oder Vorhersagealgorithmen zu trainieren. Sie werden mit gekennzeichneten Trainingsdaten gespeist, und das Modell passt die Art und Weise, wie es die verschiedenen Datenmerkmale bewertet, iterativ an, bis das Modell an das gewünschte Ergebnis angepasst ist.
Dieser Prozess wird als überwacht bezeichnet, da der Prozess eines Algorithmus, der aus allen gekennzeichneten Daten stammt, als Lehrer betrachtet werden kann, der den Lernprozess überwacht. Die richtigen Antworten wurden festgelegt, der Algorithmus führt iterative Vorhersagen über die Lerndaten durch und wird von der Lehrkraft korrigiert. Das Lernen endet, wenn der Algorithmus ein im Voraus festgelegtes akzeptables Leistungsniveau erreicht.
Unüberwachtes Lernen
Im Falle des unüberwachten Lernens untersucht und gruppiert künstliche Intelligenz nicht gekennzeichnete Datensätze. Sie modelliert die zugrunde liegende Struktur oder Verteilung der Daten, um mehr über sie zu erfahren.
Man spricht von unüberwachtem Lernen, weil es im Gegensatz zum oben überwachten Lernen keine richtige Antwort oder Lehrer gibt. Die Algorithmen sind ihren eigenen Mechanismen überlassen, um die interessante Struktur der Daten zu entdecken und darzustellen (Microsoft, „Beaufsichtigtes und unbeaufsichtigtes Lernen: Was sind die Unterschiede?", 29. Mai 2020). Die einzige menschliche Hilfe, die benötigt wird, ist die Validierung der Ausgabevariablen.
Fehlerquellen
Künstliche Intelligenz ist nicht unfehlbar. Als Technologie, die von Menschen entwickelt wurde, weist sie mehrere Schwächen auf, die in ihrem Design und ihrer Funktionsweise liegen.
Das Risiko von Verzerrungen ist eines der Anliegen. Algorithmen geben die Illusion, unparteiisch zu sein, aber sie werden von Menschen geschrieben und aus Daten trainiert, die von einer Organisation gesammelt oder generiert werden. Die Verzerrungen und Lücken, die der Kodierung und den Datensätzen innewohnen, werden zwangsläufig in den Prozessen des intelligenten Systems reproduziert. Es gibt bekannte Beispiele für Unternehmen, die mit diesem Problem konfrontiert waren, nachdem sie ihre Einstellungsalgorithmen eingeführt hatten, die auf historischen Daten basierten und geschlechtsspezifische Vorurteile widerspiegelten.
Hinzu kommt der Mangel an kontextuellem Verständnis. Gegenwärtige KIs sind bei bestimmten Aufgaben sehr leistungsfähig, aber sie haben Schwierigkeiten, den breiteren Kontext zu verstehen. Ihnen mangelt es oft an allgemeinem Wissen und sie sind begrenzt, wenn es darum geht, gesunden Menschenverstand oder gesunden Menschenverstand zu zeigen.
Ebenso fehlt es KI an Gewissen oder moralischem Urteilsvermögen. Sie treffen Entscheidungen ausschließlich auf der Grundlage statistischer Kriterien ohne Berücksichtigung ethischer oder moralischer Erwägungen. So könnte beispielsweise ein autonomes Fahrzeug so programmiert werden, dass bei Kollisionsgefahr die Verletzungen der Insassen minimiert werden, ohne andere Verkehrsteilnehmer zu berücksichtigen.
Aus operativer Sicht erfordert KI erhebliche Datenressourcen. Aufgrund neuer technologischer Fortschritte in diesem Bereich können sich die tatsächlichen Nutzungsdaten von denen unterscheiden, auf denen die KI trainiert wurde, was zu unvorhersehbaren oder unerwünschten Ergebnissen führen kann. Aus diesem Grund müssen KI-Modelle kontinuierlich mit möglichst vielen Daten aktualisiert und verbessert werden, um ihre Leistung aufrechtzuerhalten.
Schließlich können KI-Systeme anfällig für böswillige Angriffe sein. Böswillige Akteure können Eingabedaten manipulieren, um KI irrezuführen oder zu täuschen. So gelang es Forschern beispielsweise, Bilderkennungssysteme zu täuschen, indem sie diesen Bildern für den Menschen nicht wahrnehmbare Störungen hinzufügten.
Daher sollten die Schwachstellen und Risiken, die mit der Nutzung künstlicher Intelligenz verbunden sind, im Auge behalten werden, ohne ihre Nutzung zu behindern, die unbestreitbare Fortschritte zum Wohle des Menschen und der Gesellschaft bewirken kann.
