Künstliche Intelligenz und ihre Teildisziplinen (Teil I)

KI: Menschliche Fähigkeiten auf Maschinen übertragen

10.01.2019
Von 
Wolfgang Thronicke ist Principal Consultant und Mitglied der Scientific Community Atos.
Der Mensch trainiert Maschinen, damit diese Texte, Sprache und Bilder erkennen. Diese einfache Formel für Künstliche Intelligenz (KI) gilt vor allem für die Teildisziplin Maschinelles Lernen (ML), für das die Technik und die nötigen Daten bereitstehen. Auch in Deutschland, das jedoch Nachholbedarf hat.
Bei KI überträgt der Mensch einzelne Fähigkeiten auf die Maschine.
Bei KI überträgt der Mensch einzelne Fähigkeiten auf die Maschine.
Foto: sdecoret - shutterstock.com

Heute geht es nicht mehr bloß um das Erfassen und Analysieren von Datenströmen aus Maschinenparks, sondern auch von verschiedenen Datentypen wie Social-Media-, Audio-, Bild- und Videodaten. Hier kommt Künstliche Intelligenz (KI) ins Spiel, was zunächst das Bereitstellen von Software und Hardware bedeutet, um in irgendeiner Form eine Leistung nachzubilden, die als Merkmal der menschlichen Intelligenz angesehen wird. Der Mensch überträgt sozusagen einzelne Fähigkeiten wie das Erkennen von Texten, Sprache und Bildern auf Maschinen, die auf ihre Umgebung reagieren, lernen und handeln können.

Machine Learning

KI lässt sich nach der zugrundliegenden Technologie und dem Einsatzzweck abgrenzen: Schlussfolgern (Reasoning), Spracherkennung und -verarbeitung (Natural Language Processing, NLP), automatisiertes Planen (Planning) und maschinelles Lernen (Machine Learning, ML). Letzteres ist sowohl ein weites, als auch das dynamischste Technologiefeld der KI. Die Gemeinsamkeit: Ein digitales System wird mit mathematischen Techniken dazu gebracht, aus Daten zu lernen und Wissen zu generieren. Dabei kommen verschiedene Algorithmen, die in wiederholenden Prozessen trainiert werden und ihren Output verändern, zum Einsatz. Konzeptionell lässt sich überwachtes, unüberwachtes, bestärkendes maschinelles Lernen und tiefes Lernen, das Deep Learning, realisieren. Mit Letztgenanntem sind tiefe neuronale Netze gemeint.

Tiefe neuronale Netze im Fokus

Das Geniale an tiefen neuronalen Netzen, die wesentlich mehr als die drei Ebenen Eingabe-, Zwischen- und Ausgabeschicht aufweisen, besteht im Folgenden: Die einzelnen Schichten lernen unterschiedliche Aspekte und fassen sie dann zusammen. Durch tiefe neuronale Netze erkennt die Maschine Muster eigenständig und evaluiert diese. Zudem verbessert sich das System in mehreren Durchläufen selbst, sodass die Erkennungsgenauigkeit und der Ergebnisnutzen ständig steigen. Das System wird auf die Fähigkeit trainiert, in gewisser Weise zu abstrahieren und ein Problem lösen zu können, welches nur wenig definiert ist. Tiefe neuronale Netze sind daher prädestiniert, unstrukturierte Datensätze zu verarbeiten.

KI-Entwicklung in Deutschland

Der Erfolg von KI im Alltag hängt vom operationalem Wissen ab.
Der Erfolg von KI im Alltag hängt vom operationalem Wissen ab.
Foto: sdecoret - shutterstock.com

Einen Einblick, wie und wo KI-Lösungen im Unternehmensalltag in Deutschland bereits angekommen sind, vermittelt die IDC-Studie "Künstliche Intelligenz in Deutschland 2018". Rund ein Viertel der Unternehmen hat demnach KI-Projekte schon umgesetzt, 69 Prozent planen, das in den nächsten zwölf Monaten zu tun.

Bei den realisierten Vorhaben fällt auf, dass viele Firmen neue Geschäftsmodelle und -prozesse aufgesetzt haben, in denen sie KI-Anwendungen implementierten. Der positive Effekt für das Geschäft, Stichwort Automatisierung, steht klar im Vordergrund.

Was kann digitale Medizin?

Die IDC-Erhebung zeigt daneben, auf welche KI-Anwendungen sich einzelne Branchen konzentrieren. Banken und Versicherungen setzen beispielsweise auf KI-basierte Lösungen für das Schadens-Management und das strategische Betrugsrisiko-Management (Fraud Detection & Prevention). Das Gesundheitswesen nutzt KI zur Früherkennung von Symptomen schwerwiegender Erkrankungen sowie zur Diagnoseunterstützung. Energieversorger arbeiten an intelligenten Netzen, um eine optimale Auslastung zu erreichen. Viele selbstlernende Systeme unterstützen darüber hinaus die Datenanalyse und Predictive Maintenance für Industrie-4.0-Umgebungen.

Investitionen in Technik und Wissen nötig

Allerdings müssen deutsche Unternehmen in KI-Architektur und -Technologie investieren, um den Anschluss an die KI-führenden Nationen USA und China herzustellen. Der Erfolg im Alltag hängt vom operationalen Wissen ab, für dessen Aufbau es nötig ist, die passende Rechenleistung sowie geeignete Tools und Daten auszuwählen. Das beste KI-Tool bleibt jedoch wirkungslos, wenn es nicht mit den richtigen Daten gefüllt wird. Im Vernetzen des Know-hows über kognitive Frameworks, maschinelles Lernen und neuronale Netze mit dem Insider-Wissen des eigenen Geschäfts liegt der Schlüssel für Unternehmen, KI gewinnbringend einzusetzen.

Weitere Informationen zum KI-Einsatz in Deutschland finden Sie auch in der Studie "Machine Learning/Deep Learning 2018" von COMPUTERWOCHE und CIO.