Was ist Artificial Intelligence?

Artifical Intelligence ist ein sperriger, schwer fassbarer Begriff. Einige Menschen kennen ihn vorwiegend aus dem Science-Fiction-Genre. Dort steht er meist für Computer oder Roboter, die eigenständig denken und agieren können.

In der Realität hat Artifical Intelligence damit jedoch kaum etwas zu tun. Grundsätzlich unterscheiden Experten in diesem Kontext zwei grundlegende Arten der künstlichen Intelligenz:

• Strong AI (starke KI)
• Weak AI (schwache KI)

Die Szenarien, die aus dem Bereich Science Fiction bekannt sind, befassen sich mit der starken KI, welche auch Superintelligenz genannt wird.

Es handelt sich um Maschinen, die die Fähigkeit besitzen, Probleme aller Art zu lösen. Hierbei sind sie in der Fiktion teilweise sogar dem Menschen überlegen.

Bislang ist es der Menschheit nicht gelungen, eine „Strong AI“ zu entwickeln – eine künstliche Intelligenz, die auf Augenhöhe mit dem Menschen ist. Ob und wann dies der Fall sein wird, lässt sich nicht vorhersagen.

Nachdem keine starke KI existiert, ist jede bisher genutzte Form der künstlichen Intelligenz stets eine „Weak AI“. Dahinter verbergen sich schlicht Algorithmen, die von Software-Entwicklern realisiert werden.

Diese Algorithmen sind in der Lage, spezielle Aufgaben zu übernehmen, die sie im Vorfeld durch Training erlernt haben. Sie sind also nicht „universell“, sondern werden für einen genau definierten Zweckentwickelt.

AI-Lösungen unterscheiden sich in mehrerlei Hinsicht von klassischen Programmen. So schreiben Entwickler im traditionellen Fall einen Code, der aus verschiedenen Anweisungen (z. B. Wenn-Dann-Regeln) besteht. Systeme dieser Art werden auch als regelbasiert bezeichnet.

Anders stellt sich die Situation bei einer Artifical Intelligence dar. Hier gibt der Programmierer nicht jeden einzelnen Schritt vor. Vielmehr schreibt er einen Algorithmus, der die notwendigen Schritte selbstständig erstellen kann.

Unter diesen Voraussetzungen lassen sich Probleme lösen, die für regelbasierte Programme viel zu kompliziert wären.

Im Gehirn des Menschen befinden sich zahllose Nervenzellen, die sogenannten Neuronen. Diese können über Synapsen verschiedene Sinneseindrücke wahrnehmen. Diese verknüpfen sie mit anderen Neuronen und leiten sie in Form elektrischer Impulse durch das neuronale Netz weiter.

Auf diese Weise werden aus den Sinneseindrücken Informationen. Anders formuliert: Der Mensch lernt. In der Folge ist er in der Lage, das erlernte Wissen anzuwenden, Probleme zu lösen und sich somit intelligent zu verhalten.

Mit Artificial Intelligence wird dieser komplexe Vorgang aus der Neurowissenschaft simuliert. Es werden künstliche neuronale Netze unterschiedlicher Tiefe geschaffen. Sie entsprechen bestimmten Abläufen im menschlichen Gehirn.

Auf dieser Grundlage ist AI in der Lage, aus großen Mengen von Daten zu lernen, Muster zu erkennen, Zusammenhänge zu identifizieren und bestimmte Probleme zu lösen. Bezeichnet wird dieser Prozess auch als maschinelles Lernen bzw. Machine Learning.

Menschen lernen durch Reize, ein Algorithmus hingegen durch Daten. Dieses datenbasierte Training der Algorithmen unterteilen Experten in drei Varianten:

• Supervised Learning (überwachtes Lernen)
• Unsupervised Learning (unbeaufsichtigtes Lernen)
• Reinforcement Learning (verstärkendes Lernen)

Supervised Learning

Beim überwachten Lernen werden die Trainingsdaten bereits im Vorfeld klassifiziert, um dem AI-System mitzuteilen, nach welchen Mustern es suchen soll. Diese Art des Trainings kommt unter anderem bei der Bilderkennung zum Einsatz.

Die Bilder werden also von einem Menschen im Hinblick auf bestimmte Variablen markiert (etwa, ob es sich auf einem Bild um einen Hund oder eine Katze handelt).

Dann wird der Algorithmus mit zahlreichen, oftmals Tausenden von Beispielbildern (etwa von Hunden und Katzen) trainiert und optimiert, bis er die Kategorisierung letztlich eigenständig vornehmen kann.

Unsupervised Learning

In diesem Fall besitzen die Trainingsdaten keine im Vorfeld angelegte Klassifizierung. Der Algorithmus benötigt daher auch keine genau definierten Zielvorgaben.

Vielmehr sucht das System eigenständig nach allen Arten von Mustern, die es in den Daten finden kann. In der Praxis hat dieses Vorgehen aktuell noch kaum Relevanz. In der Cybersecurity kommt es jedoch zum Einsatz, um beispielsweise neue Angriffsmuster zu erkennen.

Reinforcement Learning

Beim Reinforcement Learning wird die Artifical Intelligence im „Trial-and-Error-Prinzip“ trainiert. Der Algorithmus lernt also durch Ausprobieren, ob er mit bestimmten Vorgehensweisen ein Ziel erreicht oder verfehlt.

Eingesetzt wird das bestärkende oder verstärkende Lernen beispielsweise bei Schach-Programmen. Im Rahmen simulierter Spiele können solche Systeme sehr schnell erlernen, welche Verhaltensweisen zum Sieg führen.

‍

Artificial Intelligence lässt sich in folgende Teilbereiche untergliedern:

• Machine Learning (maschinelles Lernen): aktuell wichtigster Bereich der AI, Beispiele sind die Mustererkennung und die Mustervorhersage
• Natural Language Processing (NLP): Verarbeitung natürlicher Sprache mit dem Ziel einer reibungslosen Sprachkommunikation zwischen Mensch und Maschine
• Neuronale Netze: miteinander verbundene, künstliche Neuronen; geeignet zur Lösung komplexer Aufgaben mit einer Korrelation von Daten aus unterschiedlichen Quellen
• Deep Learning (auf der Basis neuronaler Netze): Weiterentwicklung und Teilgebiet von Machine Learning, Systeme lernen meist eigenständig

Da insbesondere die Begriffe AI, Machine Learning und DeepLearning häufig fälschlicherweise synonym verwendet werden, ist eine weitere Abgrenzung der Begriffe erforderlich.

‍

Artifical Intelligence, Machine Learning und Deep Learning sind keine Synonyme. Dies wird bereits bei einer Betrachtung der groben Definition deutlich.

So handelt es sich bei Artifical Intelligence (künstlicher Intelligenz) um einen Sammelbegriff. Dieser umfasst alle Methoden und Technologien, die es Computern ermöglichen, menschliche Intelligenz nachzuahmen.

Ein Betätigungsfeld innerhalb der Artifical Intelligence ist das Machine Learning. Dieser Begriff beschreibt die Fähigkeit von Maschinen, sich bei gegebenen Aufgaben mithilfe von Erfahrungswerten (historischen Daten)zu verbessern.

Deep Learning ist wiederum ein Teilbereich beziehungsweise eine Weiterentwicklung von Machine Learning. Mithilfe künstlicher neuronaler Netze, die aus mehreren Schichten bestehen, trainieren sich Maschinen in diesem Fall selbst.

Im privaten Bereich ist Artifical Intelligence bereits in vielen Ausprägungen präsent – etwa in Computerspielen oder in Form von Sprachassistenten. Die Entwicklung schreitet massiv voran.

So halten KI-Lösungen mittlerweile auch zunehmend Einzug in Unternehmen. Mögliche Einsatzgebiete sind unter anderem:

• Marketing
• Produktion
• Supply Chain Management
• Logistik
• Human Resources

AI im Marketing

Im Marketing hat Artifical Intelligence enormes Potenzial. Auf Basis großer Datenmengen (Big Data) ist sie in diesem Bereich in der Lage, verschiedene Trends und Kundenbedürfnisse zu erkennen.

Hieraus ergeben sich unter anderem folgende Anwendungsmöglichkeiten:

• Personalisierung der Kundenansprache
• Personalisierung von Inhalten (z. B.Produktempfehlungen in Online-Shops oder Newsletter-Inhalte)
• Individuelles Pricing
• Segmentierung von Kunden
• Mustererkennung im Kundenverhalten zurOptimierung von Marketingmaßnahmen
• Chatbots im Kundenservice

All diese Maßnahmen zielen letztlich auf einen verbesserten, individuelleren Umgang mit Kunden ab.

AI in der Produktion

In der industriellen Produktion kann künstliche Intelligenz mehrere Aufgaben übernehmen. Ein wichtiger Anwendungsbereich ist beispielsweise Predictive Maintenance.

Hier nutzt die AI große Mengen von Maschinendaten aus der Fertigung, um Unregelmäßigkeiten zu erkennen und drohende Maschinenausfälle vorauszusagen. Auf dieser Basis lässt sich die Wartung der Anlagen optimieren.

Ebenso können AI-Systeme die Qualitätskontrolle unterstützen. Mithilfe der automatisierten Bilderkennung können Algorithmen in diesem Bereich Fehler an Bauteilen erkennen.

Die manuelle, oftmals monotone Sichtprüfung durch menschliche Mitarbeiter entfällt hierdurch. Nur bei erkannten Mängeln ist gegebenenfalls noch ein manueller Eingriff erforderlich.

AI im Supply Chain Management

Auch beim Management von Lieferketten existieren Möglichkeiten, AI-Anwendungen einzusetzen. Ein Beispiel ist die Erstellung von Absatzprognosen.

Künstliche Intelligenz kann in diesem Fall beispielsweise historische Daten mit aktuellen Marktveränderungen verknüpfen, um Korrelationen zu entdecken, die bislang im Verborgenen lagen. Auf dieser Basis lassen sich dann präzise Vorhersagen zur bevorstehenden Absatzsituation treffen.

Ebenso können Unternehmen KI-Lösungen im Lagerwesen nutzen. Hier unterstützen sie etwa die Berechnung des optimalen Lagerbestands. Sie sind in der Lage vielerlei Informationen zu berücksichtigen – wie historische Verbrauchsdaten, Lieferzeiten, aktuelle Marktsignale, Lagerkosten oder verfügbare Lagerkapazitäten.

AI in der Logistik

In der internen Logistik sind autonome Transportsysteme zunehmend von Bedeutung. Diese fahrerlosen Transportfahrzeuge (kurz FTF) nutzen Artifical Intelligence beispielsweise, um ihre Fahrwege zu berechnen und zu optimieren.

Weiterhin ist die Routenoptimierung in der Lieferkette als Anwendungsbereich zu nennen. Künstliche Intelligenz ist hierbei in der Lage, gleichzeitig verschiedenste Informationen zu analysieren.

Zu diesen Informationen zählen Zielort, Ladungsvolumen, aktuelle Fahrzeugauslastung, Art der Ladung, Wetter oder die Verkehrslage in Echtzeit. Auf dieser Grundlage ermittelt sie eine Routenempfehlung, um sie dem Disponenten vorzulegen.

AI im HR-Bereich (Human Resources)

Auch im Personalwesen sind AI-Technologien einsetzbar. Hier können sie zum Beispiel die Suche nach passenden Kandidaten für offene Positionen unterstützen.

Neben Bewerbungsunterlagen kommen Social-Media-Plattformen oder bestimmte Online-Interaktionen als Datenquellen in Betracht.

Ebenfalls kann KI bei der Aufstellung von Dienstplänen genutzt werden. Sie kombiniert hierzu Daten aus Arbeitsverträgen, Betriebsvereinbarungen und dem Arbeitsrecht mit aktuellen Informationen wie verbleibenden Urlaubsansprüchen und Überstunden.

‍

Zum Einsatz kann AI hervorragend auch im Finanz- und Rechnungswesen von Unternehmen kommen, gerade im Bereich der SAP-Systeme. Das ist der Ansatz der Nooxit.

Im Finance-Bereich gibt es diverse Geschäftsprozesse, die sich mit Hilfe von Machine- und Deep-Learning-Technologien automatisieren und verbessern lassen – das zeigt zum Beispiel die erfolgreiche Anwendung des Storno-Assistenten in der Praxis.

AI schafft hier völlig neue Möglichkeiten. Sie bietet die Chance, Mitarbeiter von manuellen Tätigkeiten zu entlasten und vor allem die Fehlerquote bei bestimmten Vorgängen signifikant zu senken. Das erhöht die Effizienz und senkt die Kosten.