„The Future is now old man.“
Das Thema Künstliche Intelligenz (KI) sollte uns spätestens seit dem Release von ChatGPT alle beschäftigen. Dabei ist KI viel mehr als nur ein technisches Schlagwort – sie ist eine transformative Kraft, die unser Leben grundlegend verändern wird. Doch was verbirgt sich eigentlich hinter der Faszination KI? Wie funktioniert sie und welche Auswirkungen hat sie auf unser tägliches Leben und die Zukunft unserer Gesellschaft?
Mit der neuen e-dynamics Blogbeitragss erie möchten wir ein tieferes Verständnis für KI fördern und Euch dazu einladen, die spannenden Möglichkeiten sowie die damit verbundenen Herausforderungen anhand von Praxisbeispielen kennenzulernen. Begleitet uns in die faszinierende Welt der Künstlichen Intelligenz! Lasst Euch inspirieren, informieren und vielleicht sogar ein wenig erstaunen.
In unserem ersten Blogbeitrag starten wir mit den Basics: Was ist überhaupt eine KI? Wie wird sie entwickelt? Was kann sie bereits und was noch nicht?
Erhaltet einen ersten Einblick in das vielschichtige Thema KI und bleibt unbedingt am Ball, um noch tiefer in die Materie einzusteigen.
Was ist eine KI?
KI steht für Künstliche Intelligenz, im Englischen spricht man von „AI“, was für „Artificial Intelligence“ steht. Die übergeordnete Methodik einer KI ist es, durch Computersysteme oder Roboter menschliche Intelligenz vorzutäuschen oder nachzuahmen. KI soll uns dabei insbesondere bei der Ausführung unserer Aufgaben unterstützen, sei es im Alltag oder auf der Arbeit. Außerdem soll KI Muster erkennen, die für uns nicht (direkt) sichtbar sind. So ist unser KI-basiertes Analysetool ed.Detect z.B. in der Lage, völlig automatisiert Anomalien in Zeitreihen zu erkennen, die Menschen gar nicht oder nur mit sehr hohem Ressourcen- und Zeitaufwand finden würden.
Die Voraussetzung dafür, dass eine KI auch in der Praxis eingesetzt wird, ist, dass sie dazulernen und sich somit kontinuierlich verbessern kann. Außerdem sollte sie dazu fähig sein, ein Problem oder eine Aufgabe eigenständig lösen zu können und uns bei der menschlichen Entscheidungsfindung unterstützen oder sogar Entscheidungen für uns treffen. Dabei ist es in der Praxis wichtig, dass wir in menschlicher Sprache mit der KI kommunizieren können und keine Computersprache zur Bedienung einer KI erlernen müssen („low barriers to entry„).
Wie wird eine KI entwickelt?
Machine Learning: Supervised vs. Unsupervised Learning
Um eine KI zu bauen bzw. zu entwickeln, gibt es grundsätzlich verschiedene Ansätze. Die erste Möglichkeit liegt im „Machine Learning“ (ML). Dies bedeutet, dass Algorithmen durch sogenanntes „Supervised-“ oder „Unsupervised Learning“ Systeme bauen, die wiederum eigenständig lernen und Entscheidungen treffen können. Beim „Supervised Learning“ sagt ein Mensch dem System beim Lernprozess, was „richtig“ und was „falsch“ ist, wodurch es nach und nach dazulernt. Das Modell wird in diesem Fall mit einem Probedatensatz trainiert, der Eingabedaten und die entsprechenden Ausgabedaten (Zielwerte) enthält. Ziel ist es, das Modell so zu trainieren, dass es die Zielwerte für neue, ungesehene Eingabedaten richtig vorhersagen kann, wie z.B. die Spam-Erkennung bei E-Mails.
Beim „Unsupervised Learning“ lernt das System hingegen eigenständig zu entscheiden, ob seine Lösung gut ist oder nicht. Das Modell wird mit einem Datensatz trainiert, der lediglich Eingabedaten enthält, ohne zugehörige Ausgabedaten (Zielwerte). Ziel ist es in dem Fall, dass das Modell eigenständig verborgene Strukturen, Gruppen oder Muster in den Daten erkennt. Ein Beispiel wäre u.a. eine Kundensegmentierung durch Clustering.
Neural Networks
Ein Teilgebiet von ML sind die sogenannten „Neural Networks“. Neural Networks sind Modelle, die dem menschlichen Gehirn nachempfunden sind. Sie sollen komplexe Muster in Daten erkennen und damit konkrete Vorhersagen treffen.
Die Grundbausteine eines Neural Networks sind Knoten, über die wiederum die Daten laufen. Jeder Knoten empfängt Eingaben, verarbeitet sie und gibt eine Ausgabe weiter. In der Regel bestehen Neural Networks aus mindestens zwei Schichten. Die Daten können in dem Fall als Input genutzt werden und die Knoten in den Schichten bestimmte Entscheidungslevel nachahmen, welche anschließend je nach Gewichtung an die nächste Entscheidungsschicht weitergegeben werden. Somit ist man am Ende im besten Fall in der Lage, eine Aussage zum initialen Problem, wie z.B. eine Klassifizierung, Entscheidung oder Vorhersage zu treffen, was auch gleichzeitig der Output eines Neural Networks ist. Während des Trainings mit Datensätzen passen Neural Networks ihre internen Parameter (Gewichte und Biases) immer wieder an, um die Fehler zwischen den vorhergesagten und den tatsächlichen Ergebnissen letztendlich zu minimieren. Klassische Anwendungsfälle für Neural Networks lassen sich z.B. in der Medizinische Diagnostik (Analyse von medizinischen Bildern und Erkennung von Krankheiten) oder bei der Navigation und Entscheidungsfindung autonomer Fahrzeuge finden.
Expert Systems
KI muss aber nicht zwangsläufig mit komplizierten Algorithmen einhergehen. So sind die sogenannten „Expert Systems“ ein Beispiel für bereits verwendete Systeme, die nicht viel mit komplexen Algorithmen zu tun haben. Sie bezeichnen Programme, die aus Regeln und Datenbanken bestehen, welche wiederum manuell von menschlichen Experten angelegt werden. Die Wissensbasis kann z.B. durch Interviews mit Experten, durch Erfahrungen aus der Praxis oder durch das Studium relevanter Literatur erstellt werden. Durch das Nachbilden menschlichen Wissens und menschlicher Entscheidungsprozesse, sind Expert Systems in der Lage, Probleme zu lösen und komplexe Entscheidungen zu treffen. Sie werden ebenso in der Medizin zur Diagnose von Krankheiten sowie zur Fehlersuche in technischen Systemen, z.B. zur Diagnose und Behebung von Maschinen- oder Softwareproblemen angewandt.
Ein Hauptunterschied liegt demnach vor allem im Training des Systems. Während man bei Neural Networks komplexe Verfahren wie „Backpropagation“* nutzt, um das Ergebnis zu optimieren, beruht das Training bei Expert Systems auf individuellem Expertenwissen und Erfahrung.
Was kann KI heute schon?
Tatsächlich sind wir schon seit einigen Jahren mit KI in Berührung, auch wenn uns das mit Sicherheit nicht immer bewusst ist. So nutzen Plattformbetreiber wie Amazon oder Netflix KI für personalisierte Empfehlungen, die uns ständig ausgespielt werden. Auch in der Spracherkennung und -verarbeitung findet KI schon lange Anwendung. Hierzu zählen u.a. Sprachassistenten wie Alexa oder Transkriptoren wie „Google Speech-to-Text“.
Relativ neu sind dagegen „Large Language Models“ (LLM) wie ChatGPT oder Gemini. Diese fortschrittlichen, maschinellen Lernmodelle werden darauf trainiert, menschliche Sprache zu verstehen, zu erzeugen und zu verarbeiten und basieren häufig auf Neural Networks mit besonders vielen Schichten, sodass man vom sogenannten „Deep Learning“ spricht. LLMs sind in der Lage, eine Vielzahl von Aufgaben zu bewältigen, einschließlich der maschinellen Übersetzung, der Erzeugung von kohärenten Texten, der Beantwortung von Fragen, der Erstellung von Zusammenfassungen und sogar der Verfassung kreativer Inhalt. KI-basierte Tools für Kunst und Kreativität bieten neue, bahnbrechende Möglichkeiten zur Erzeugung von (digitalen) Kunstwerken, Grafiken, Videos, Musikstücken & Co. Hierzu zählen u.a. Programme wie Sora zur Erstellung hyperrealistischer Videos oder Dall-E; ein Modell, das Bilder aus Textbeschreibungen generieren kann und in Microsoft Paint integriert ist. Eine der wohl größten Herausforderungen stellt in dem Kontext die Frage nach den Urheberrechten und der Definition von Originalität dar.
Was kann KI (noch) nicht?
Auch wenn sich KI rasant und in großen Schritten weiterentwickelt, stößt sie aktuell noch an einige Grenzen. Stichwort „General Intelligence“ – was bedeutet, dass sich eine KI genauso vielfältig und intelligent verhalten kann wie ein Mensch. Dem ist aktuell (noch) nicht so, denn eine KI kann keine Probleme oder Aufgaben eigenständig lösen, für dessen Lösung sie nicht explizit trainiert wurde.
Allgemein führt sie nur eine unterstützende Rolle aus und ist aktuell noch sehr fehleranfällig, da sie keine Möglichkeit hat, die eigenen Lösungen zu validieren und ist z.T. mit den einfachsten Aufgaben überfordert.
Auch beim Thema Kreativität und Originalität unterscheidet sich KI noch von der menschlichen Intelligenz. Denn Kunstwerke können aktuell nur auf Grundlage bereits bestehender Muster erstellt bzw. „nachgeahmt“ werden. Wahrlich kreativ zu sein, was auch bedeuten würde, neue Muster zu erschaffen, ist der KI bislang (noch) nicht möglich.
Außerdem mangelt es derzeit oftmals noch an Erklärbarkeit und Transparenz. Die Entscheidungen einer KI sind in der Regel nur in simplen Modellen nachvollziehbar bzw. erklärbar (Stichwort: Explainable AI). Je komplexer die Modelle werden, desto schwieriger wird es, zu verstehen, warum die KI eine gewisse Entscheidung getroffen hat, was wiederum zu einem Vertrauensdefizit führen kann. Man spricht in dem Fall auch häufig vom „Blackbox-Prinzip“.
Wohin geht die Reise?
Schon bei der Vorbereitung unserer Blogbeitragsserie gab es (fast) tägliche Updates und Ankündigungen im Bereich KI. Eins steht fest: Die Reise der Künstlichen Intelligenz ist in vollem Gange und wird sich rasant in viele Richtungen und in vielen Anwendungsbereichen (z.B. Gesundheitswesen, Bildung, Finanzen, usw.) weiterentwickeln.
Um mehr Transparenz zu schaffen und gleichzeitig die Akzeptanz und das Vertrauen in KI-Systeme zu erhöhen, ist die (Weiter-)Entwicklung von Techniken zur Erklärung und Interpretation von KI-Entscheidungen essenziell. Explainanble AI wird es ermöglichen, Verzerrungen zu erkennen und zu korrigieren, wodurch verantwortungsvollere Anwendungen geschaffen werden. Zudem unterstützen die Entwicklung und Implementierung von ethischen Leitlinien und Praktiken die Sicherstellung einer transparenten, fairen und verantwortungsvollen Nutzung von KI.
Langfristige Forschungsprojekte zielen außerdem darauf ab, eine allgemeine Künstliche Intelligenz (AGI) zu entwickeln, die in der Lage ist, eine breite Palette von Aufgaben auf menschlichem Niveau zu bewältigen, während heutige KI-Systeme meist nur auf spezifische Aufgaben beschränkt sind. Dadurch wird auch die Kollaboration zwischen Mensch und Maschine vereinfacht – mit dem Ziel, Systeme zu entwickeln, die nahtlos mit Menschen zusammenarbeiten und deren Fähigkeiten erweitern, anstatt sie zu ersetzen.
Zusammenfassend ist die Reise der KI geprägt von Innovation und großem Potenzial, während sie gleichzeitig neue Herausforderungen und ethische Fragestellungen aufwirft. Fest steht, die Zukunft der KI wird insbesondere von der Fähigkeit abhängen, diese Technologien verantwortungsvoll und zum Wohle der Gesellschaft zu nutzen.
Im nächsten Blogbeitrag unserer KI-Reihe zeigen wir Euch, wie sich verschiedene KI’s voneinander unterscheiden. Wo liegt beispielsweise der Unterschied zwischen unserem ed.Detect und ChatGPT? Stay Tuned!
STARTET JETZT MIT UNSERER EXPLAINABLE AI-ALLZWECKWAFFE DURCH!
ED.DETECT AUTOMATISIERT EURE PROZESSE & SORGT FÜR DEN MAXIMALEN BUSINESS BOOST.
*Backpropagation: Der Backpropagation Algorithmus ist ein Tool zur Verbesserung des Neural Networks während des Trainingsprozesses. Mit Hilfe dieses Algorithmus werden die Parameter der einzelnen Neuronen so verändert, dass die Vorhersage des Modells und der tatsächliche Zielwert möglichst schnell übereinstimmen. Somit ist ein Neural Network auch schon nach einer relativ kurzen Trainingszeit in der Lage, sehr gute Ergebnisse liefern.
Findest Du das Thema KI spannend oder hast Du Fragen zur Einführung in die Welt der Künstlichen Intelligenz? Dann melde Dich gerne direkt bei uns.
