Künstliche Intelligenz verändert unsere Gesellschaft, unsere Wirtschaft und unseren Alltag grundlegend, heißt es immer wieder. Grund genug, aktuelle Anwendungen und der Potenzial zu beleuchten. Künstliche Intelligenz begegnet uns in vielen täglichen Bereichen: bei der Vorhersage von Wetterinformationen, bei der Suche im Internet, als virtueller Sprachassistent, bei Chatbots, bei der Übersetzung von Texte und Sprache und in der Bilderkennung. Die Künstliche Intelligenz als Werkzeug der Digitalisierung soll große Potenziale zur Verbesserung der Effizienz von Geschäftsprozessen und zur Entwicklung neuer Dienstleistungen oder Produkte bieten. Denn erstmals werden digitale Inhalte nicht nur maschinenlesbar gespeichert, übertragen und verarbeitet, sondern durch KI auch inhaltlich verstanden, so dass Entscheidungen wissensbasiert unterstützt werden können. KI hat sich zum Ziel gesetzt, menschliches Entscheidungsverhalten durch Software oder Hardware zu automatisieren. KI-Systeme sichten Informationen, Benutzen Regeln zur Verwendung dieser Informationen und können im besten Fall ungefähre oder finale Schlussfolgerungen ziehen und sich selbst korrigieren. Man spricht von Künstlicher Intelligenz, wenn ein Computer auf eine einfache Art anspruchsvolle Probleme löst, für die Lösung eigentlich die Intelligenz eines Menschen benötigt wird. Bei der schwachen KI handelt es sich um ein System, das für eine bestimmte Aufgabe entwickelt und trainiert wurde. Die starke KI, auch als künstliche allgemeine Intelligenz bekannt, besitzt verallgemeinert menschliche kognitive Fähigkeiten. Bei ungewohnten Aufgaben kann eine Lösung gefunden werden, ohne dass ein menschliches Eingreifen erforderlich ist.
Maschinelles Lernen und Deep Learning
Maschinelles Lernen ist ein Teilbereich der KI und hat das Ziel, statistische Zusammenhänge, auch bekannt als Muster, in sogenannten Trainingsdaten zu erkennen und so „erlernen“. Anschließend können diese Muster auf weitere Daten zur Entscheidungsfindung anwendet werden. Maschinelles Lernen wird meist dann eingesetzt, wenn man komplexe Probleme nicht durch Logik und Regeln beschreiben kann und somit keine klassischen Algorithmen implementieren kann. Beim Deep Learning lernt ein Software Algorithmus anhand gegebenen Trainingsdaten bzw. Beispielen. Die Merkmalen oder Datenpunkten/Attribute, die zum Lernen genutzt werden, sind nicht explizit vorgegeben. Somit handelt es sich um ein spezifisches Teilgebiet des Maschinellen Lernens, das sich durch komplexe Lösungsmethoden auszeichnet. KI ist bereits seit den 1950er Jahren ein wiederkehrendes Thema und war in der Vergangenheit Diskussionsgegenstand von Forschern und Teilen ferner Zukunftsvisionen. Durch den technischen Fortschritt der Informationstechnologie, der die Erzeugung und Echtzeit-Verarbeitung enormer Datenmengen erlaubt und die digitale Transformation produzierender Unternehmen, erschließen sich laut Experten enorme Potenziale zur Praxisanwendung.
„Auf der einen Seite können Unternehmen ihr Maschinenportfolio mit KI erweitern und so nicht nur ihre Kunden Effizienzsteigerungen ermöglichen, sondern sie auch ggf.
Maschinenbauunternehmen können mit Hilfe von KI ihre Wertschöpfungskette optimieren.“ Dr. Patrick Glauner, Doktor und KI-Experte.
Maschinelles Lernen wird eingesetzt, um aus Beispieldaten zu erkennen, wann Teile der Maschine ausfallen. Glauner hat jedoch den Eindruck, dass sich fast alle Nachrichten zu KI/ML im Maschinenbau um diesen einen Anwendungsfall drehen. Dabei sei das Ende der Fahnenstange hier noch nicht erreicht und Predictive Maintenance kratze gerade erst an der Oberfläche des Möglichen. Bisher müssen meist viele manuelle Schritte von Fachexperten durchgeführt werden, da jeder Kunde leicht andere Anforderungen an die Maschinen hat. Dieser Ansatz ist sowohl langwierig als auch nicht wiederholbar, denn jeder Fachexperte legt seine Kalkulation leicht andere Kriterien zugrunde. Mit Hilfe des Maschinellen Lernens kann man aus Merkmalen von in der Vergangenheit verkauften Sondermaschinen statistische Muster lernen. Der Verbrauch von Ressourcen dieser Maschinen ist abhängig von Kundenanforderungen und entsprechen im Wesentlichen den ansonsten schwer zu beschreibenden physikalischen Zusammenhängen in diesen Maschinen. Anschließend kann man diese Muster dann nutzen um für die individuellen Anforderungen der Kunden die Auslegung passender Sondermaschinen automatisiert vorherzusagen – und das im Bereich von Millisekunden und jederzeit können die Vorhersagen wiederholt werden.
KI ersetzt komplexe Experiment
KI Algorithmen können sich durch ihre Genauigkeit auszeichnen. Dieser Ansatz setzt auf dem Maschinellen Lernen auf: Dabei werden die verschiedenen Parameter und Ergebnisse der in der Vergangenheit durchgeführten Simulationen genutzt.
Die Maschinen Intelligenz erkennt statistische Zusammenhänge bei solchen Simulationen und kann somit auch den Ausgang anderer ähnlicher Simulationen ableiten. Das statistische Verfahren eigne sich auch für viele weitere Unternehmen, um Energiekosten und Wartezeiten spürbar zu senken. Nötig seien in vielen Fällen lediglich die Ergebnisse von einigen hundert zuvor durchgeführten Simulationen. China ist derzeit KI-Treiber – aktuelle Prognosen gehen davon aus, dass die Zahl der KI-Anwendungen in den nächsten Jahren exponentiell wachsen wird.
McKinsey zum Beispiel prognostiziert bis 2030 global bis zu 13 Billionen Dollar zusätzliche Wertsteigerung durch Künstliche Intelligenz. Für Glauner steht fest: „Nahezu jedes Unternehmen und Geschäftsmodell wird in den kommenden Jahren durch KI massiv verändert werden. China spiele in diesem Wandel eine fundamentale Rolle, denn es sei mittlerweile nicht nur mehr Absatzmarkt oder Produktionsstätte, sondern der KI-Innovationsmotor Nummer 1 weltweit. Europa müsse deutlich mehr in KI investieren, um nicht von China in seinen Kernkompetenzen inkl. KI abgehängt zu werden.