Aktuell sehen Unternehmen Künstliche Intelligenz (KI) als eine effiziente und skalierbare Methode, um Mehrwert aus Daten zu generieren. Es gibt bereits zahlreiche KI-Anwendungen, die dieses Potenzial widerspiegeln, sowie schnell und einfach in bestehende Systeme und Prozesse integriert werden können - mit Funktionen, die erheblichen Einfluss auf die Art und Weise haben, wie Organisationen operieren. Beispielsweise sind bereits Methoden zur Datensynthese verfügbar, um unterschiedliche Herausforderungen von KI zu adressieren.

KI wird weniger datenintensiv

Mit dem vermehrten Aufkommen von Techniken wie Meta-Learning wird die KI weniger datenintensiv. Darüber hinaus erlebt die KI in stark regulierten Branchen durch die sogenannte "Explainable AI" immer mehr Akzeptanz. Hier ist schließlich die Erklärbarkeit entscheidend, um sicherzustellen, dass die Systeme störungsfrei laufen und die Ergebnisse nicht verzerrt sind. In anderen Situationen ist wiederum die Kreativität ein entscheidendes Kriterium, was wiederum eine andere KI-Ausprägung erfordert.

Eine KI-Technologie für alle Anwendungsfälle gibt es deshalb nicht. Mittlerweile haben sich für unterschiedliche Anwendungsszenarien verschiedene KI-Technologien entwickelt. Im Folgenden finden Sie einen Überblick über die wichtigsten KI-Technologien und ihre unterschiedlichen Einsatzszenarien:

Explainable AI

Neuronale Netzwerkalgorithmen leiten Muster ab, an denen konventionelle Machine-Learning-Algorithmen scheitern. Der Einsatz von Explainable AI (XAI) macht aus diesem Grund vor allem als Ergänzung für Applikationen Sinn, bei denen die Resultate eine Erklärung benötigen oder zurückverfolgt werden müssen. Dies sind etwa Funktionen wie Tumorerkennung, Ablehnung von Hypotheken oder die Auswahl von Bewerbungskandidaten. Bei der Berechnung einer Anspruchsberechtigung für einen Kredit unterstützt Machine Learning beispielsweise besser dabei, potenziell säumige Zahler zu identifizieren, als herkömmliche Algorithmen dies können.

Auch das Interesse an ethischer KI wächst stetig. Lernt ein Machine-Learning-Algorithmus hauptsächlich auf Basis vorhandener Daten, kann er unbeabsichtigt mit Vorurteilen gegenüber bestimmten Geschlechtern oder ethnischen Gruppen behaftet sein. Vor diesem Hintergrund spielt die Erklärbarkeit eine entscheidende Rolle, insbesondere in stark regulierten Branchen.

Generative AI

Generative AI oder Generative KI kommt auch bei kreativen Funktionen zum Tragen. Beispielsweise ist der neuronale Stiltransfer eine generative KI-Technik im Deep Learning. Er umfasst zwei komplexe neuronale Netzwerke - ein generatives Netzwerk sowie ein unterscheidendes Netzwerk.

Die beiden Netzwerke arbeiten im Tandem und ermöglichen die Simulation konzeptueller Aufgaben. Darauf fußend, erstellt die Technologie zahlreiche Anwendungsfälle in Bereichen wie Kunstgenerierung, Skizzenerstellung, Verbesserung der Bild- oder Videoauflösung, Datengenerierung/-anreicherung und Musikkomposition.

Transfer Learning

Menschen lernen hauptsächlich anhand ihrer eigenen Erinnerungen und Beobachtungen. Das Transfer-Learning-Modell basiert auf einem ähnlichen Konzept und fügt einem bereits geschulten Layer eine zusätzliche Ebene hinzu. Dadurch muss nicht alles von Grund auf gelernt werden. Unternehmen sparen damit erhebliche Datenmengen, Rechenleistung und Zeit bei der Einarbeitung neuer Modelle, da sie auf bereits geschulte Modelle und Architekturen zurückgreifen können.

Transfer Learning bietet unter anderem bei der Identifizierung von Personen, die bestimmte Straßenverkehrsregeln missachten (zum Beispiel das Nichttragen eines Helmes beim Motorradfahren), bei der Erkennung von Logos/Marken in einem Bild und beim Training von Sprachmodellen für verschiedene Akzente oder Vokabeln großen Mehrwert.

Capsule Networks

Capsule Networks speichern die räumlichen Zusammenhänge der verschiedenen Teile eines Bildes. Die vielschichtigen neuronalen Netzwerke bestehen aus zahlreichen Kapseln, die wiederum aus verschiedenen Neuronen bestehen. Capsule Networks eignen sich besonders für Tätigkeiten zur Objekterkennung- und Bildsegmentierung sowie für Anwendungen wie Bildrekonstruktion und Bildvergleiche.

Dies sind nur vier KI-Technologien, die derzeit die Entwicklung prägen. Angesichts der großen Investitionsvolumina sowie der Entwicklung von KI-betriebenen Kundendienst-Bots und -Portalen könnte die Bevölkerung im Jahr 2020 erstmals mit einem Roboter interagieren, ohne sich dessen bewusst zu sein. Die meisten Unternehmen sehen KI als Möglichkeit, ihr Geschäft zu erweitern und ihre Belegschaft zu entlasten. Wenn KI die routinemäßigen und sich wiederholenden Aufgaben übernimmt, kann sich die Belegschaft effektiv auf Aufgaben wie Innovation, kreatives Denken und Problemfindung konzentrieren. Auch wenn der Übergang zur KI nicht leicht ist, unterstützt KI Unternehmen dabei, sich im Markt vom Wettbewerb abzuheben - vorgesetzt, es werden die richtigen KI-Technologien eingesetzt. (hi)