Watson ist die KI von IBM. Er ist ein kognitives System, das durch Interaktionen lernt, und liefert laut IBM „evidenzbasierte Antworten, die für bessere Ergebnisse sorgen.“
„Evidenzbasiert“ bedeutet, dass aus Daten und Fakten Einsichten gewonnen werden. Der Computer wertet Daten aus und zieht selbsttätig – aufgrund seiner einprogrammierten Pseudo-Intelligenz – Schlüsse aus diesen Daten.
Dahinter steht die Überlegung, dass die Datenmengen schon heute kaum mehr zu bewältigen sind und in den nächsten fünf Jahren um weitere 800 Prozent zunehmen werden. Was für Menschen unübersichtlich ist, liefert für selbstlernende Systeme ideale Bedingungen: Viel Stoff zum Lernen und Erkennen von Mustern.
So soll künstliche Intelligenz in den nächsten Jahren zunehmend die Unternehmen und die Arbeitswelt revolutionieren.
KI in Unternehmen
Alexa, Siri, Cortana – die Chatbots von Amazon, Apple und Microsoft sind Beispiele dafür, wie künstliche Intelligenz die Interaktion zwischen Mensch und Computer einfacher und effizienter macht. Auch der Scoper von Scopevisio fällt in diese Kategorie.
Hersteller von Unternehmenssoftware verwenden zunehmend intelligente Algorithmen, um ihren Kunden das Leben zu erleichtern. Virtuelle persönliche Assistenten durchforsten die Millionen von Daten, die sich im Unternehmen ansammeln, und filtern das heraus, was der Anwender benötigt. Die Zugriffsrechte für die angeforderten Informationen sind dabei die einzige Bedingung.
KI übernimmt Büroarbeiten
Büroarbeiten werden in Zukunft mehr und mehr von künstlicher Intelligenz unterstützt oder ersetzt. Maschinelle Übersetzung und Sprachproduktion sind nur zwei Beispielanwendungen. Künstliche Intelligenz lässt sich überall dort anwenden, wo Lösungen durch den Vergleich mit ähnlich gelagerten Problemen generiert werden können: Zum Beispiel für die Korrespondenz, die Erstellung von Berichten, Social Media-Postings – oder die Finanzbuchhaltung.
Theoretisch könnten sogar Gutachten oder Gerichtsurteile von einer KI erstellt werden – Merkmale und andere Urteile, die in vergleichbaren Fällen ergangen sind, liegen in Hülle und Fülle vor. Es ist kein Problem, hier Muster zu erkennen und die „fitteste“ Lösung zu finden.
Die Algorithmen, auf denen KI basiert, werden im Folgenden untersucht.
Was ist ein Algorithmus?
Ein Algorithmus ist eine exakte, schrittweise Vorschrift zur Lösung eines Problems. Er besteht in einer Folge von eindeutigen Anweisungen. Er wird nicht unbedingt in einer Programmiersprache notiert, sondern oft auch als Flussdiagramm und in natürlicher Sprache.
Dennoch geht es letztlich immer darum, den Algorithmus in maschinenlesbarer Form zu implementieren. Das bedeutet, dass auf Grundlage der Verarbeitungsvorschrift ein Computerprogramm geschrieben wird, das das betreffende Problem löst.
Wodurch wird ein Algorithmus “intelligent”?
Heuristische Methoden
Viele künstliche Intelligenzen arbeiten mit heuristischen Methoden. Diese Methoden sind geeignet, schnelle Lösungen zum Beispiel in Entscheidungsbäumen zu finden. “Normale” Algorithmen brauchen vier Jahre, um einen Baum der Tiefe 15 und mit einer Verzweigungsrate von 3 zu durchforsten. Heuristische Algorithmen schaffen das in Sekunden, zum Beispiel, indem sie den kürzesten Pfad zwischen zwei Knoten in einem Netzwerk finden.
Dazu werden KI-Progamme geschrieben, die auf Schätzungen und Beobachtungen basieren – auf so genannter Fuzzy Logic oder unscharfer Logik. Viele Virenscanner implementieren Heuristik. Sie erkennen Viren anhand von typischen Merkmalen.
Erst kürzlich wurden zwei Jenaer Informatiker für ihre Weiterentwicklung der Lokale-Suche-Heuristik in Netzwerken ausgezeichnet.
Neuronale Netze
Neuronale Netze verfolgen einen Ansatz, der der Funktionsweise von Neuronen ähnelt. Künstliche neuronale Netze sind parallel verbundene Netzwerke aus einfachen, adaptiven Elementen in hierarchischer Anordnung, die mit ihrer Umgebung in derselben Weise wie biologische Nervensysteme interagieren. Diese etwas sperrige Definition stammt vom KI-Pionier Teuvo Kohonen (1984).
Neuronale Netze sind gekennzeichnet durch massive parallele Informationsverarbeitung. Sie haben mehrere Schichten. Sie leiten Informationen über künstliche Synapsen weiter (Propagation) und sind in der Lage zu lernen. Wie das? Indem sie gezielt trainiert werden und Schwellenwerte sowie Gewichte für Richtig-Falsch-Bewertungen in diesem Prozess immer neu anpassen. Die einzelnen Formeln, nach denen dies geschieht, dürfen hier ausgespart bleiben.
Schematisch ist der Ablauf in der (kontrollierten) Trainingsphase wie folgt:
- Beispiel-Daten werden dem Netz als Input übergeben.
- Der Output für die Beispiele ist bekannt.
- Der tatsächliche Output wird mit dem Soll-Output verglichen.
- Wenn beide voneinander abweichen, werden Schwellenwert und Gewichte zwischen den einzelnen Schichten so angepasst, dass der mittlere Fehler zwischen Soll und Ist sinkt.
- Fehlerdaten werden durch das Netz zurückgegeben (Backpropagation).
Systeme, die Muster erkennen, verwenden häufig neuronale Netze. Diese können auch mit unvollständigen und unklaren Input-Werten arbeiten und verschiedene Arten von Input aufnehmen – Wörter, Zahlen, Töne, Farben usw.
Dies macht neuronale Netze zu sehr guten Kandidaten, wenn es gilt, Sprach- oder Gesichtserkennung, Schrifterkennung (OCR), Data Mining oder allgemein wissensbasierte Systeme zu programmieren.
Genetische Algorithmen
Genetische Algorithmen wurden von John Henry Holland in den 1970er Jahren erfunden. Sie werden auch als evolutionäre Algorithmen bezeichnet, da sie ihre Problemlösungsmethoden aus der Evolutionsbiologie abgeschaut haben.
Sie kennen bestimmt Charles Darwins Diktum vom “Survival of the fittest”, dem Überleben des am besten angepassten Organismus. Genetische Algorithmen verwenden eine so genannte “Fitness-Funktion”, die mithilfe von genetischen Operatoren die natürliche Auslese simuliert.
Fitness-Funktionen implementieren diesen Ausleseprozess wie folgt:
- Lösungen werden als binäre Zeichenfolgen (Bitstrings) codiert.
- Der Input in den genetischen Algorithmus besteht aus mehreren Lösungsvorschlägen.
- Diese bilden eine Population, in der die besten Lösungen die größten Fortpflanzungschancen haben.
- Die Fitness-Funktion wählt die besten Lösungen aus und entscheidet über eine Rekombination von deren Bestandteilen.
- Das Ergebnis sind Kreuzungen und Mutationen; so entstehen neue Lösungen.
- Der Output ist die beste Lösung.
Fazit
Künstliche Intelligenz ist heute schon weit verbreitet. Sie arbeitet in Spielprogrammen, in Suchmaschinen, in Fahrassistenzsystemen, in maschinellen Übersetzungsprogrammen und in allen Anwendungen, die etwas “erkennen”. Dazu gehören Bilderkennung, Spracherkennung, Schrifterkennung, Gesichtserkennung.
Auch Hersteller von Unternehmenssoftware verwenden zunehmend KI-Anwendungen. Virtuelle persönliche Assistenten ermöglichen es, mit dem Computer zu sprechen. Selbstlernende Systeme werden schon bald einen Großteil der Büroarbeit leisten – ähnlich wie Roboter dies heute schon in der Industrieproduktion tun.
KI-Systeme arbeiten mit intelligenten Algorithmen. In diese Kategorie fallen heuristische Verfahren, künstliche neuronale Netze sowie evolutionäre (genetische) Algorithmen. Diese Algorithmen können Daten-Input entgegennehmen und Lösungs-Output ausgeben. Sie kopieren biologische und evolutionäre Mechanismen, um aus einer Menge von Lösungen die beste herauszufinden. In diesem Prozess “lernen” sie aus Fehlern und perfektionieren ihr Verhalten selbsttätig.
