Was sind Künstliche Intelligenz (KI) und Machine Learning (ML)?

Was ist Machine Learning?

Machine Learning ist ein Teilgebiet der Informatik, in dem an der Entwicklung von Computersystemen gearbeitet wird, die autonom aus Erfahrungen lernen – speziell durch die Verarbeitung empfangener Daten – und die Leistung bestimmter Aufgaben verbessern können. Der Begriff „Machine Learning“ wird zwar häufig synonym für „Künstliche Intelligenz“ verwendet, Machine Learning ist in Wirklichkeit jedoch ein Teilbereich von KI.

KI und Machine Learning: Grundlagen

Was ist schwache KI?

Schwache KI, auch enge KI bzw. „Narrow AI“ genannt, wird verwendet, um auf der Grundlage von Programmieralgorithmen menschenähnliche Reaktionen auf Eingaben zu erzeugen. Schwache KI-Tools erbringen keine wirkliche Denkleistung, das scheint nur so. Sprachaktivierte persönliche Assistenten wie Siri, CortanaundAlexa sind bekannte Beispiele für schwache KI. Wenn Sie ihnen eine Frage stellen oder eine Anweisung geben, hören sie auf akustische Hinweise im Gesagten und folgen dann einer Reihe programmierter Schritte, um die richtige Antwort zu generieren. Sie verstehen dabei die gesprochenen Worte oder ihre Bedeutung nicht.

Was ist starke KI?

Als starke KI bzw. „Strong AI“ bezeichnet man Systeme, die selbst denken können. Solche KI-Systeme können denken, lernen, planen, kommunizieren, Einschätzungen treffen und ein gewisses Maß an Bewusstsein besitzen. Im Wesentlichen ahmen sie die menschliche Intelligenz nicht nach, sondern besitzen, zumindest in der Theorie, eine eigene Intelligenz. Wenn wir die Architektur und Funktion des menschlichen Gehirns replizieren können, glauben Experten, dass wir Maschinen mit echten kognitiven Fähigkeiten bauen können. Im KI-Teilbereich Deep Learning nutzen Wissenschaftler neuronale Netze, um Computern beizubringen, autonomer zu agieren, doch wir sind noch immer weit entfernt von den Arten unabhängiger KI wie aus Science Fiction-Romanen und -Filmen. Die Entwicklung schreitet zwar rapide voran, doch momentan ist echte starke KI noch immer eherPhilosophieals Realität.

Was ist Deep Learning?

Deep Learning ist ein Machine Learning-Bereich, bei dem versucht wird, das menschliche Gehirn so getreu wie möglich nachzuahmen. Dabei wird typischerweise ein Modell verwendet, das auf der Struktur des Gehirns basiert – ein so genanntes Deep Neural Network – um ein System aus menschlichen Neuronen zu emulieren. Die Einzelheiten des Deep Learnings sind komplex, aber im Wesentlichen analysieren Deep Learning-Modelle Daten iterativ und ziehen Rückschlüsse viel genauer, als es ein Mensch tun würde. Wenn ein Machine Learning-Algorithmus eine falsche Vorhersage trifft, muss ein Mensch ihn das wissen lassen, damit er die notwendigen Änderungen vornehmen kann. Dieser Eingriff von menschlicher Seite hilft dem Algorithmus, Ergebnisse genauer vorherzusagen. Dagegen können Deep Neural Networks oder Deep Learning-Algorithmen die Genauigkeit ihrer Vorhersagen selbstständig erkennen. Aus diesem Grund ist Deep Learning für sehr komplexe Aufgaben besser geeignet als herkömmliche Machine Learning-Modelle.

Ist Data Mining Teil von Machine Learning?

Data Mining ist ein von Machine Learning getrennter Prozess. Beim Data Mining werden Muster, Beziehungen, Anomalien und anderes Wissen aus großen Datenmengen extrahiert. Im Gegensatz dazu verwendet Machine Learning Datensets, um zu lernen, wie eine bestimmte Aufgabe im Laufe der Zeit besser bewältigt werden kann. Während also Data Mining die Rohdaten für Machine Learning zur Verfügung stellen kann, handelt es sich in Wirklichkeit um getrennte Prozesse.

Was sind Expertensysteme (Expert Systems)?

Als frühe Form künstlicher Intelligenz (die auf die 1970er Jahre zurückgeht) ahmt ein Expertensystem die Entscheidungsfindung auf menschlicher Ebene nach, indem ein Problem durch eine bestehende Wissensbasis gelenkt wird, um durch eine Progression von Wenn-dann-Entscheidungen zu einer Expertenentscheidung zu gelangen. Da sich solche Systeme nicht schrittweise durch Lernen aus externen Daten verbessern können, werden sie oft nicht als echte Beispiele für KI angesehen.

Was ist KI-Programmierung?

KI-Programmierung ist eine Form der Softwareprogrammierung, die es Entwicklern ermöglicht, KI-Funktionen in eine Anwendung einzubinden. Diese können so einfach sein wie das Schaffen einer intelligenteren Suchmaschine oder so komplex wie das Ermöglichen eines selbstfahrenden Fahrzeugs.

Welche Programmiersprache eignet sich am besten für künstliche Intelligenz?

Die gebräuchlichsten Programmiersprachen für KI sind Python, Java, C++, LISP und Prolog.

• Python: Python ist dank seiner Anpassungsfähigkeit und der Einfachheit seiner Syntax meist die von Entwicklern bevorzugte Programmiersprache für KI. Sie unterstützt objektorientierte, funktionale und prozedurale Programmierstile. Python ist außerdem gut portierbar und kann unter Linux, Windows, macOS und UNIX bei minimalen Codeänderungen ausgeführt werden. Die Sprache bietet eine umfangreiche und benutzerfreundliche Bibliothek für KI-Programmierer, einschließlich NLTK und SpaCy für die Verarbeitung natürlicher Sprache, Numpy für wissenschaftliche Berechnungen, scikit-learn für Machine Learning sowie TensorFlow, PyTorch und Apache MXNet u. a. für Deep Learning-Anwendungen.
• Java: Java ist eine der beliebtesten Sprachen für die allgemeine Softwareentwicklung und kommt auch auf für KI-Projekte zum Einsatz. Java ist außerdem sehr gut portierbar, ermöglicht eine einfache Programmierung von Algorithmen, was für KI-Programmierung entscheidend ist, und ist einfach zu debuggen. Zu den integrierten Bibliotheken gehören CoreNLP für die Verarbeitung natürlicher Sprache, ND4J für komplexe Mathematik und DL4J für Deep Learning.
• C++:  C++ wird wegen seiner enormen Geschwindigkeit geschätzt und gilt weithin als die schnellste Programmiersprache, weshalb sie sich hervorragend für rechenintensive KI-Anwendungen eignet. Sie ist allerdings nicht ganz einfach zu erlernen. Daher ist C++ in der Regel nicht die erste Wahl für Entwickler, wird aber häufig für Machine Learning-Anwendungen und zum Aufbau neuronaler Netze empfohlen.
• LISP: LISP wurde 1958 von John McCarthy entwickelt und ist nach Fortran die zweitälteste Programmiersprache. Trotz ihres Alters ist sie immer noch eine beliebte Alternative, da sie über hervorragende Möglichkeiten zum Erstellen von Prototypen verfügt und symbolische Ausdrücke effektiv verarbeiten kann. Viele ihrer Features werden heute auch von neueren Sprachen geboten, weshalb sie kaum noch als einzigartig gilt. Aber für Machine Learning-Projekte ist sie immer noch eine beliebte Wahl.
• Prolog: Prolog ist eine weitere „klassische“ Programmiersprache, die jedoch nicht über das Anwendungsspektrum von LISP verfügt. Diese regelbasierte, deklarative Sprache ermöglicht Entwicklern die einfache Beantwortung einer Vielzahl von Fragen und ist somit ideal für KI-Anwendungen mit möglichst einfachen Arten von Problemlösungen. Prolog unterstützt auch Backtracking, was die Algorithmenverwaltung vereinfacht.

KI und ML für Unternehmen

Wie können KI und Machine Learning im Business-Bereich zur Anwendung kommen?

Machine Learning ist bereits eine Triebfeder vieler der Anwendungen, die wir täglich nutzen. Facebook setzt Machine Learning ein, um die Newsfeeds von Nutzern zu personalisieren, indem es sie mit Posts von Personen füllt, deren frühere Posts Sie immer wieder mit „Gefällt mir“ versehen haben. Umgekehrt wird die Anzeige von Posts von Personen reduziert, mit denen Sie mit weniger interagieren. Ihr GPS-Navigationssystem nutzt Machine Learning, um Verkehrsdaten zu analysieren und überlastete Abschnitte auf Ihrer Pendelstrecke vorherzusagen. Sogar Ihr E-Mail-Spamfilter nutzt Machine Learning, wenn er unerwünschte Nachrichten von Ihrem Posteingang fernhält.

Auch in Unternehmen gibt es eine Vielzahl von Anwendungsmöglichkeiten für Machine Learning. Machine Learning kann helfen, Erkenntnisse aus großen Mengen von Kundendaten zu gewinnen, sodass Unternehmen personalisierte Services und maßgeschneiderte Produkte basierend auf individuellen Bedürfnissen anbieten können. In regulierten Branchen wie dem Gesundheitswesen und dem Finanzsektor kann Machine Learning Sicherheit und Konformität erhöhen, indem Aufzeichnungen von Aktivitäten analysiert werden, um verdächtiges Verhalten zu erkennen, Betrug aufzudecken und das Risikomanagement zu verbessern. Im Allgemeinen können Machine Learning und andere KI-Techniken einem Unternehmen mehr Transparenz in Echtzeit bieten, sodass das Unternehmen bessere Entscheidungen treffen kann.

Ein Überblick über einige der Möglichkeiten, in denen Unternehmen KI zur Verbesserung sämtlicher Geschäftsbereiche einsetzen:

Was sind die Risiken von KI?

Es gibt Befürchtungen, dass KI intelligente Maschinen schaffen wird, die Menschen Arbeitsplätze wegnehmen. Andere befürchten, dass Maschinen, je besser sie in der Lage sind, ohne menschliche Anleitung selbstständig zu handeln, potenziell schädliche Entscheidungen treffen könnten. Elon Musk sagte 2017 vor der U.S. National Governors Association: „Künstliche Intelligenz ist ein grundlegendes Risiko für die Existenz der menschlichen Zivilisation in einer Weise, wie es Autounfälle, Flugzeugabstürze, fehlerhafte Medikamente oder verdorbene Lebensmittel nicht waren – sie waren zwar für eine Reihe von Individuen innerhalb der Gesellschaft schädlich, aber sie waren nicht schädlich für die Gesellschaft als Ganzes.“ In einem Interview mit der BBC aus dem Jahr 2014 sagte der mittlerweile verstorbene Wissenschaftler Stephen Hawking, dass die „Entwicklung einer vollständigen künstlichen Intelligenz das Ende der Menschheit bedeuten könnte“. Andere sagen voraus, dass KI das menschliche Leben verbessern wird, indem sich wiederholende und einfache Aufgaben automatisiert werden, sodass Menschen Zeit für angenehmere Aktivitäten haben.

McKinsey rechnet damit, dass 375 Mio. (oder 14 %) der globalen Arbeitnehmer bis 2030 die Beschäftigungskategorie wechseln werden müssen, da sie durch künstliche Intelligenz ersetzt wurden. Doch einige Studien sagen voraus, dass KI mindestens so viele Arbeitsplätze schaffen wird, wie sie zerstört. Gartner prognostiziert, dass bis 2020 aufgrund der zunehmenden Bedeutung von KI 1,8 Mio. Arbeitsplätze abgebaut werden. Doch Gartner sagt auch voraus, dass die verloren gegangenen 1,8 Mio. Arbeitsplätze durch die Schaffung von 2,3 Mio. neuen Arbeitsplätzen bis 2020 ausgeglichen werden, was einem Zuwachs von 500.000 Stellen entspricht. Gartner erwartet bis 2025 außerdem einen Nettozuwachs von 2 Mio. Stellen.

Woher wissen Sie, ob Sie KI und Machine Learning einsetzen sollten?

Erstens sollten Sie sich fragen, ob die Aufgabe, die Sie bewältigen müssen, so komplex ist, dass sich eine Investition in Machine Learning lohnt. Die Bandbreite von KI-Anwendungsmöglichkeiten im Unternehmen ist enorm, und der beste Weg, um festzustellen, ob Sie KI einführen sollten, ist die Suche nach ähnlichen Anwendungsfällen bei anderen Unternehmen.

Eine der beliebtesten Einsatzmöglichkeiten von Machine Learning ist die Analyse von Kundendaten, um die Vorlieben, Kaufgewohnheiten und andere Verhaltensweisen eines Kunden bei der Interaktion mit einem Unternehmen zu erfahren. Dies liefert die notwendigen Informationen, um überaus personalisierte Botschaften, Dienstleistungen und Produkte kundenbezogen anbieten zu können. Dies ist eine Nutzung von KI, die für viele Unternehmen und Branchen relevant ist.

Im Finanzdienstleistungssektor wird künstliche Intelligenz zum Verbessern der Erkennung von Kreditkartenbetrug eingesetzt. Betrugsmethoden entwickeln sich so schnell, dass selbst die wachsamsten Menschen kaum mithalten können. Machine Learning ermöglicht es Systemen, sich in Echtzeit anzupassen, um neue Betrugsarten schneller und genauer als jeder Mensch zu erkennen. Tatsächlich bietet sich Machine Learning für eine ganze Reihe von Aufgabenstellungen im Bereich Sicherheit und Risikomanagement an, mit leicht zugänglichen Beispielen in der Finanz-, Gesundheits- und anderen Branchen.

Sobald Sie festgestellt haben, dass es sich lohnt, in Machine Learning zu investieren, ist es an der Zeit, Ihre Daten unter die Lupe zu nehmen. Machine Learning erfordert sehr viele Daten, um erfolgreich zu sein. Doch noch wichtiger als die Quantität der Daten ist ihre Qualität. „Saubere Daten sind besser als viele Daten“ ist ein beliebter Grundsatz bei Data Scientists. Daten ohne Struktur und Organisation liefern nicht die notwendigen Geschäftsinformationen, egal wie viele Sie davon haben.

Neue Daten sind eine weitere Anforderung. Angesichts der rasanten Veränderungen in den meisten Branchen können riesige Datenmengen, selbst wenn sie nur wenige Jahre alt sind, keine Relevanz für aktuelle Trends in Ihrem Unternehmen haben und Ihnen wahrscheinlich keinen prognostischen Nutzen bringen.

Unternehmen, die anfangen, sich mit Machine Learning zu beschäftigen, sollten zunächst mit überwachtem Lernen beginnen. Mit ihrem einfacheren, gelenkten Trainingsprozess sorgen überwachte Lernanwendungen oft für ein übersichtlicheres KI-Pilotprojekt. Wie bereits erwähnt, erfordert Machine Learning, dass Daten über vorhandene Klassifizierungen verfügen, um auf dieser Basis Vorhersagen treffen zu können. Anhand des obigen Beispiels zum Kreditkartenbetrug könnte eine Bank Daten mit der Klassifizierung „Betrug“ in Verbindung mit anderen Transaktionsdaten verwenden, um künftige betrügerische Transaktionen vorherzusagen. Ohne diese Klassifizierung als Einstieg in den Prozess wird die Machine Learning-Anwendung wesentlich komplexer und nur schleppend Ergebnisse liefern.

Beginnen Sie schließlich mit einer kleinen Datenmenge und einem kurzen Zeitrahmen von etwa zwei Monaten für das Projekt. Formulieren Sie eine Frage zu einem bestimmten geschäftlichen Problem, welche die KI beantworten soll und sammeln Sie dann Feedback zu den Ergebnissen. Auf diese Weise können Sie entscheiden, welchen Nutzen Machine Learning für Ihr Unternehmen hat und bei welchen länger angelegten Projekten Sie es einsetzen können.