Definition: Künstliche Intelligenz nutzt Computer und IT-Systeme, um die Problemlösungsfähigkeiten des menschlichen Geistes zu imitieren.
Während in den letzten Jahrzehnten eine Reihe von Definitionen von künstlicher Intelligenz (KI) aufgetaucht sind, bietet John McCarthy aus dem Jahr 2004 die folgende Definition an: „Es ist die Wissenschaft und Technik der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme.“ Es ähnelt der Aufgabe „Nutzung von Computern“, um menschliche Intelligenz zu verstehen. Jedoch müssen KI Methoden nicht auf die biologisch mach- oder beobachtbare Dinge beschränkt sein. Alan Turings bahnbrechendes Werk „Computing Machinery and intelligence“ wurde 1950 veröffentlicht. Alan Turing stellt in diesem Werk folgende Frage: „Können IT-Systeme denken?“. Er erschuf den Turing-Test, bei dem ein Mensch versucht zwischen einer menschlichen oder eine computergenerierten Text Antwort zu unterscheiden. Obwohl dieser Test seit seiner Veröffentlichung viel hinterfragt wurde, bleibt er ein wichtiger Teil der Geschichte der KI und ein fortlaufendes Konzept innerhalb der Philosophie, da er Ideen rund um die Linguistik nutzt. Stuart Russell und Peter Norvig veröffentlichten daraufhin „Artificial Intelligence: A Modern Approach“, das zu einem der führenden Lehrbücher für das Studium der KI wurde. Künstliche Intelligenz in seiner einfachen, schwachen Form nutzt die Computerwissenschaft und umfangreiche Datensammlungen, um mittels kluger Software Algorithmen Probleme zu lösen. Es umfasst auch Teilbereiche des maschinellen Lernens und des Deep Learning, die häufig in Verbindung mit künstlicher Intelligenz genannt werden. Software Algorithmen nutzen Eingabedaten, um ein intelligentes (Blackbox) System zu erstellen, welches Vorhersagen oder Klassifizierungsaufgaben übernimmt. Die KI-Entwicklung bekommt sehr viel Aufmerksamkeit, unter anderem durch Entwicklungsfortschritte von Firmen wie Google, Microsoft, IBM oder Huggingface. KI schafft Produktinnovationen wie Selbstfahrende Automobile oder virtuelle Sprachassistenten.
Definition: Schwache KI vs. Starke KI
Schwache KI – auch Narrow AI oder Artificial Narrow Intelligence (ANI) genannt – ist eine künstliche Intelligenz, die auf die Ausführung bestimmter Aufgaben trainiert und fokussiert ist. Schwache KI stellt den Großteil aller KI-Lösungen auf dem heutigen IT-Markt dar. Sie ermöglicht einige sehr mächtige Software Lösungen wie Google Assistent, Huggingface Transformers, Facebook/Meta AI, Apples Siri, Amazons Alexa und autonome Fahrzeuge. Starke KI setzt sich aus Artificial General Intelligence (AGI) und Artificial Super Intelligence (ASI) zusammen. Allgemeine künstliche Intelligenz (AGI) ist eine theoretische Form der KI, bei der eine Maschine der eines Menschen gleichgestellte Intelligenz hätte; sie hätte ein Selbstbewusstsein, das die Fähigkeit hat, Probleme zu lösen, zu lernen und für die Zukunft zu planen. Künstliche Superintelligenz (ASI) – auch bekannt als Superintelligenz – würde die Intelligenz und Fähigkeiten des menschlichen Gehirns übertreffen. Während starke KI heute noch völlig theoretisch ist und keine praktischen Beispiele im Einsatz sind, bedeutet das nicht, dass KI-Forscher nicht auch an ihrer Entwicklung arbeiten. Gute Beispiele für ASI kennen wir heutzutage nur aus dem Bereich der Science-Fiction: Data (Star Trek), HAL (2001: Odyssee im Weltraum) oder der Terminator aus dem gleichnamigen Science-Fiction-Film des Regisseurs und Drehbuchautors James Cameron aus dem Jahr 1984.
Da Deep Learning und maschinelles Lernen tendenziell austauschbar genutzt werden, lohnt es sich, die Nuancen zwischen den beiden zu beachten. Deep Learning und maschinelles Lernen sind Teilgebiete der künstlichen Intelligenz, und Deep Learning ist eigentlich ein Teilgebiet des maschinellen Lernens. Das „Tief“ in Deep Learning bezieht sich auf ein neuronales Netz, das aus mehr als drei Schichten besteht – einschließlich der Eingänge und des Ausgangs – und als Deep Learning-Algorithmus betrachtet werden kann. Der Unterschied zwischen Machine Learning und Deep Learning ist der Ansatz, der zum Lernen verfolgt wird. Beim Deep Learning werden Merkmale aus den Trainingsdaten extrahiert, wodurch ein manuelles Eingreifen fast vollständig entfällt. Man kann somit größere Datensätze verwenden und den gesamten Prozess (Teil-)automatisieren. Deep Learning kann sich als „skalierbares maschinelles Lernen“ vorstellen, wie Lex Fridman in der oben genannten MIT-Vorlesung bemerkte. Menschliche Experten legen die Hierarchie der Merkmale fest, um die Unterschiede zwischen den Dateneingaben zu verstehen, was in der Regel mehr strukturierte Daten zum Lernen erfordert. „Tiefes“ maschinelles Lernen kann vormarkierte Datensätze nutzen (sogenanntes Supervised Learning, zu Deutch: überwachtes Lernen) um seine Algorithmen zu trainieren. Im Gegensatz zu maschinellen Lernen ist kein menschlicher Eingriff zur Verarbeitung der Daten erforderlich, wodurch wir das maschinelle Lernen auf interessante Weise skalieren können. Ein weiterer wichtiger Bereich bei der Entwicklung intelligenter Algorithmen ist das Thema Ethik.
Anwendungen von schwacher KI
Es gibt heute zahlreiche, reale Anwendungen von KI-Systemen. Spracherkennung (Automatic Speech Recognition, ASR), Spracherkennung durch Computer oder Sprache-zu-Text ist eine Fähigkeit, die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) zu verwenden, um menschliche Sprache in ein schriftliches Format zu bringen. Beispiele dafür sind: Beantwortung von Fragen (FAQ) auch via intelligenten Chatbots, sie bieten eine personalisierte Beratung im Einkauf, bieten im Up- und Cross-Selling weitere Produkte an („Recommendation System“, zu deutsch: Empfehlungssystem) oder optimieren unsere Nutzererfahrung im Umgang mit Webseiten und Social-Media-Plattformen. Auf sozialen Plattformen wird der Einsatz von computergestützten Messenger-Bots forciert, um im E-Commerce die Kauferfahrung zu optimieren. Chatbots und virtuelle Assistenten, Messaging-Apps wie Slack helfen uns bei der Kommunikation im Team und mit unseren Kunden. Diese KI-Technologie ermöglicht es Computern und Systemen, aus digitalen Bildern, Videos und anderen visuellen Eingaben sinnvolle Informationen abzuleiten und auf Basis dieser Eingaben Maßnahmen zu ergreifen. Diese Fähigkeit, Empfehlungen zu geben, unterscheidet sie von Bilderkennungsaufgaben. Sogenannte „Convolutional Neural Networks“ werden bei Anwendungen genutzt, bei denen KI-Systeme Fotos auswerten, taggen oder klassifizieren, bei der radiologischen Bilderkennung im Gesundheitswesen und bei den modernen selbstfahrenden Fahrzeugen wie z.B. Tesla Autopilot in der Automobilindustrie. KI-Software kann das Verhalten von Menschen analysieren und Trends aufzeigen, die zu Cross- und Upselling Strategien verwendet werden können. Empfehlungssystems erkennen das Kaufverhalten von Menschen und bieten weitere Produkte im Upsell während eines Check-Out-Vorgangs an. So können – im Zusammenhang mit klugem UX-Design – höhere Umsätze erzieht werden. KI-gesteuerte Hochfrequenzhandelsplattformen, die zur Optimierung von Aktienportfolios entwickelt wurden, führen täglich Tausende oder sogar Millionen von Handelsaktivitäten vollautomatisch aus.