Was ist künstliche Intelligenz?

Gartner definiert künstliche Intelligenz (KI) als die Anwendung fortschrittlicher, logikbasierter Analysetechniken, einschließlich Machine Learning (ML), um Ereignisse zu interpretieren, Entscheidungen zu unterstützen und zu automatisieren und daraus Maßnahmen zu ergreifen. Diese Definition entspricht dem aktuellen neuesten Stand der KI-Technologien sowie ihrer Fähigkeiten und berücksichtigt, dass KI heute im Allgemeinen eine probabilistische Analyse beinhaltet (eine Kombination aus Wahrscheinlichkeit und Logik, um der Unsicherheit einen Wert zuzuweisen). 

Andere Organisationen und Personen können andere Definitionen verwenden. Es gibt keine einheitliche, allgemein akzeptierte Bezeichnung für KI, da es eine so große Bandbreite an Möglichkeiten gibt, wie KI menschliche Aktivitäten unterstützen, ergänzen und automatisieren sowie selbstständig lernen und handeln kann.

Um die Chance der KI als Organisation zu nutzen, benötigen Sie jedoch eine rigorose KI-Strategie – für die Sie eine allgemein akzeptierte Definition formulieren und sich darauf einigen müssen, was Sie mit KI erreichen wollen. 

Sorgen Sie jedoch dafür, dass die Leiter der Geschäftsbereiche, der IT-Abteilung und der Abteilung für Data und Analytics keine grundlegenden Meinungsverschiedenheiten darüber haben, was KI für das Unternehmen bedeutet, da Sie sonst keine Strategie entwickeln können, die ihre Vorteile nutzt. 

Beachten Sie, dass die Anbieter von KI-Technologien wahrscheinlich auch ihre eigenen Definitionen des Begriffs haben. Bitten Sie sie, zu erläutern, wie sie mit ihrem Angebot Ihre Erwartungen an die Wertschöpfung durch KI erfüllen wollen.

Große Sprachmodelle (Large Language Models, LLMs) zeichnen sich durch textorientierte generative KI aus und sind seit der Markteinführung von ChatGPT von OpenAI im November 2022 in den Schlagzeilen.  

LLMs werden mit großen Textmengen trainiert, in der Regel Milliarden von Wörtern, die simuliert oder aus öffentlichen oder privaten Datensammlungen entnommen werden. Dadurch sind sie in der Lage, Texteingaben zu interpretieren und menschenähnliche Textausgaben zu generieren. LLMs helfen Suchmaschinen bereits, eine Frage zu verstehen und eine Antwort zu formulieren.

Durchbrüche im Bereich LLM haben das Potenzial, die Art und Weise, wie Unternehmen ihre Geschäfte abwickeln, drastisch zu verändern. Dazu gehört die Automatisierung von Aufgaben, die bisher von Menschen erledigt wurden, von der Codegenerierung bis hin zur Beantwortung von Fragen.

Machine Learning ist eine entscheidende Technik, die es der KI ermöglicht, Probleme zu lösen. Entgegen der weitverbreiteten falschen Vorstellung (und den falschen Begriffen in der Massenkultur) lernen Maschinen nicht. Aber sie speichern und berechnen – und das auf immer komplexere Weise. Machine Learning löst Geschäftsprobleme durch die Verwendung statistischer Modelle, um Wissen und Muster aus Daten zu extrahieren.

Machine Learning ist eine rein analytische Disziplin. Es wendet mathematische Modelle auf Daten an, um Wissen zu extrahieren und Muster zu finden, die Menschen wahrscheinlich übersehen würden. ML empfiehlt auch Maßnahmen, aber es weist Systeme nicht an, ohne menschliches Eingreifen zu handeln. 

Konkret wird beim Machine Learning ein Algorithmus oder eine statistische Formel (ein sogenanntes „Modell“) erstellt, mit dem eine Reihe von Datenpunkten in ein einziges Ergebnis umgewandelt wird. ML-Algorithmen „lernen“ durch „Training“, bei dem sie Muster und Korrelationen in Daten erkennen und diese nutzen, um neue Erkenntnisse und Prognosen zu liefern, ohne dass sie explizit darauf programmiert werden. Dennoch ist Machine Learning das Herzstück vieler erfolgreicher KI-Anwendungen, was zu seiner enormen Attraktivität auf dem Markt beiträgt.

Deep Learning (DL), eine Variante der Machine-Learning-Algorithmen, verwendet mehrere Schichten, um Probleme zu lösen, indem es Wissen aus Rohdaten extrahiert und auf jeder Ebene umwandelt. Diese Ebenen gewinnen schrittweise höherwertige Merkmale aus den Rohdaten und ermöglichen die Lösung komplexerer Probleme mit höherer Genauigkeit und weniger manueller Abstimmung.

Unternehmen behandeln ML und DL oft als die einzigen KI-Disziplinen und ignorieren andere Ansätze, wodurch KI-Initiativen unnötigerweise gestoppt oder nicht gestartet werden, wenn reine ML-Lösungen nicht funktionieren.

Aktuelle ML-Lösungen benötigen in der Regel eine große Menge gut gelabelter Daten, was diesen Ansatz für Unternehmen mit kleineren Datensätzen, schlechter Datenqualität oder Budgetbeschränkungen erschwert.

Die Verwendung von ML, einschließlich DL, zur Erstellung von Prognosen ermöglicht es einem KI-gesteuerten Prozess, die Auswahl des günstigsten Ergebnisses zu automatisieren. Dadurch entfällt die Notwendigkeit eines menschlichen Entscheidungsträgers.

Die meisten Anwendungsfälle der KI beruhen heute auf robusten und ausgereiften Techniken, die in drei Hauptkategorien fallen:

1. Probabilistische Begründung. Diese Techniken (die oft als Machine Learning bezeichnet werden) extrahieren einen Wert aus der großen Menge an Daten, die von Unternehmen gesammelt werden. Zu dieser Kategorie gehören Techniken, mit denen unbekanntes Wissen, das in einer großen Menge von Daten (oder Dimensionen) enthalten ist, enthüllt werden kann. Diese Techniken decken unbekanntes Wissen auf, indem sie interessante Korrelationen entdecken, die mit einem bestimmten Ziel oder Label in diesen Daten verbunden sind. Eine ML-Technik kann beispielsweise darin bestehen, eine große Menge von Kundendatensätzen zu durchsuchen, bestimmte Faktoren zu identifizieren und herauszufinden, wie diese Faktoren miteinander korrelieren. So kann das Unternehmen voraussehen, ob diese Kunden potenzielle Abwanderer sind.

2. Computergestützte Logik. Diese Techniken, die oft als regelbasierte Systeme bezeichnet werden, nutzen und erweitern das implizite und explizite Know-how des Unternehmens. Sie zielen darauf ab, bekanntes Wissen in strukturierter Form zu erfassen, oft in Form von Regeln. Geschäftsleute können diese Regeln manipulieren, aber die Technologie garantiert die Kohärenz des Regelwerks. (Das heißt, die Technologie stellt sicher, dass sich die Regeln nicht widersprechen oder zu Zirkelschlüssen führen – was beim Umgang mit zehntausenden von Regeln nicht so offensichtlich ist). Eine neue Reihe von Compliance-Gesetzen hat regelbasierte Ansätze in den Vordergrund gerückt.

3. Optimierungstechniken. Optimierungstechniken, die traditionell von Operations-Research-Gruppen angewandt werden, maximieren den Nutzen bei gleichzeitiger Bewältigung von Geschäftskompromissen. Sie tun dies, indem sie optimale Kombinationen von Ressourcen unter Berücksichtigung einer Reihe von Beschränkungen in einer bestimmten Zeitspanne finden. Optimierungslösungen erstellen oft ausführbare Aktionspläne und werden manchmal als präskriptive Analysetechniken bezeichnet. Operations-Research-Gruppen in anlagenorientierten Branchen (wie Herstellung und Versorgung) oder Funktionen (wie Logistik und Lieferkette) verwenden Optimierungsverfahren seit Jahrzehnten.

Die wichtigsten neuen Techniken sind, in absteigender Reihenfolge ihrer Ausgereiftheit, die folgenden:

• Natürliche Sprachverarbeitung. NLP (Natural Language Processing) bietet intuitive Formen der Kommunikation zwischen Menschen und Systemen. NLP umfasst computergestützte linguistische Techniken (symbolisch und subsymbolisch), mit denen natürliche Sprachen erkannt, zerlegt, interpretiert, automatisch markiert, übersetzt und generiert (oder zusammengefasst) werden können. 

• Wissensrepräsentation (Knowledge Representation). Fähigkeiten wie Wissensgraphen oder semantische Netze erleichtern und beschleunigen den Aufruf und die Analyse von Datennetzen und Graphen. Durch ihre Wissensrepräsentation sind diese Mechanismen eher intuitiv für bestimmte Arten von Problemen. Die Einführung von Wissensgraphtechniken hat sich in den letzten drei Jahren stark beschleunigt.

• Agentenbasiertes Computing (Agent-Based Computing). Dies ist die am wenigsten ausgereifte der etablierten KI-Techniken, doch sie gewinnt schnell an Popularität. Software-Agenten sind persistente, autonome, zielorientierte Programme, die im Auftrag von Nutzern oder anderen Programmen handeln. Chatbots sind beispielsweise zunehmend beliebte Agenten.

Zwei Hauptklassen von Agentenanwendungen werden heute üblicherweise mit bestehenden Lösungen verwendet:

• Agenten für die Aufgabenautomatisierung können allgemeiner Art sein (z. B. Assistenten für die Planung von Meetings in E-Mail-Systemen) oder spezifischer (z. B. Softbots für die Vertragsvalidierung in Anwendungen zur Vertriebsautomatisierung).

• Programme für autonome Objekte (Autonomous Objects Programs) können Funktionen wie die automatische Temperatureinstellung übernehmen (z. B. in Autodiagnosesystemen oder Heimthermostaten).

Im Folgenden finden Sie die wichtigsten Begriffe zu KI-Technologien und -Techniken, die Unternehmensleiter kennen sollten:

• Adaptive KI ermöglicht eine Änderung des Modellverhaltens nach dem Einsatz, indem sie Verhaltensmuster aus früheren menschlichen und maschinellen Erfahrungen und innerhalb von Laufzeitumgebungen lernt, um sich schneller an veränderte reale Umstände anzupassen.

• Fortschrittliche virtuelle Assistenten (Advanced Virtual Assistants, AVAs), manchmal auch als dialogorietierte KI-Agenten bezeichnet, verarbeiten menschliche Eingaben, um Vorhersagen und Entscheidungen zu treffen. AVAs werden durch eine Kombination aus fortschrittlicheren Nutzeroberflächen, natürlicher Sprachverarbeitung und Deep-Learning-Techniken angetrieben, die Entscheidungsunterstützung und Personalisierung sowie kontextbezogenes und domänenspezifisches Wissen ermöglichen.

• Allgemeine Künstliche Intelligenz (Artificial General Intelligence, AGI) ist eine antizipierte Zukunft der KI, die es ihr ermöglicht, intellektuelle Aufgaben wie ein Mensch zu verstehen oder zu erlernen.

• Erweiterte künstliche Intelligenz (Augmented Artificial Intelligence) ist ein Trend, der auch „Intelligent X“ genannt wird und Systeme bezeichnet, deren KI-Techniken zusätzliche und ungenutzte Funktionen bieten.

• ChatGPT ist ein OpenAI-Service, der einen dialogorientierten Chatbot mit LLM verbindet, um Inhalte zu erstellen. ChatGPT wurde anhand eines Basismodells von Milliarden von Wörtern aus verschiedenen Quellen trainiert und dann durch bestärkendes Lernen mittels menschlichen Feedbacks feinabgestimmt.

• Zusammengesetzte KI (Composite AI) bezeichnet die kombinierte Anwendung verschiedener KI-Techniken zur Verbesserung der Lerneffizienz. Unternehmen können damit den Grad der Wissensrepräsentationen erhöhen und letztlich ein breiteres Spektrum von Geschäftsproblemen effizienter lösen. 

• Computer Vision (CV) ist ein Prozess, mit dem Bilder aus der realen Welt erfasst, verarbeitet und analysiert werden können, damit Maschinen sinnvolle, kontextbezogene Informationen aus der physischen Welt extrahieren können. CV-Techniken stellen andere Anforderungen an Technologie und Infrastruktur als traditionelle ML-Ansätze. 

• Edge AI bezieht sich auf den Einsatz von KI-Techniken, die in IoT-Endpunkten (Internet of Things), Gateways und Edge-Servern eingebettet sind, wobei die Anwendungen von autonomen Fahrzeugen bis zu Streaminganalysen reichen. Sie bietet das Potenzial, differenzierte Anwendungsfälle für das Digital Business zu liefern. 

• Generative KI (GenAI) lernt über Artefakte anhand von Daten und generiert innovative neue Kreationen, die dem Original ähnlich sind, es aber nicht wiederholen. GenAI hat das Potenzial, neue Formen kreativer Inhalte zu erzeugen, wie beispielsweise Videos, und die Forschungs- und Entwicklungszyklen in Bereichen wie der Medizin oder der Produktentwicklung zu beschleunigen. GenAI entwickelt sich zu einer Allzweck-Technologie, die das Potenzial hat, die Gesellschaft durch ihre Auswirkungen auf die bestehenden wirtschaftlichen und sozialen Strukturen drastisch zu verändern.

• Basismodelle (Foundation Models) sind große ML-Modelle, die mit einem breiten Satz ungelabelter Daten trainiert werden und dann durch Feinabstimmung an eine Vielzahl von Anwendungen angepasst werden.

• Das Internet der Dinge (Internet of Things, IoT) bezeichnet das Netzwerk physischer Objekte (Dinge), die eingebettete Technologie enthalten, um ihre internen Funktionen und die externe Umgebung zu erfassen oder mit ihr zu interagieren. Dies schließt keine Allzweckgeräte wie Smartphones ein. Beispiele für das IoT in Aktion reichen von intelligenten Steckern bis hin zu fahrerlosen Fahrzeugen. IoT stützt sich auf eine Vielzahl von IT-Endpunkten und Gateways wie auch auf Daten, um die KI insbesondere für Echtzeitreaktionen zu nutzen (z. B. bei autonomen Fahrzeugen).

• Natürliche Sprachtechnologien (Natural Language Technologies, NLT) sind Systeme, die Emotionen und/oder Persönlichkeit in textbasierter Kommunikation oder in Umfragen analysieren, um Tools für die emotionale Bewertung zu erschaffen, die Technologien und Techniken wie NLT, Textanalyse, konvolutionale neuronale Netze und rekurrente neuronale Netze nutzen. 

• Prädiktive Analyse ist eine Form der Advanced Analytics, die Daten oder Inhalte untersucht, um die Frage „Was wird vermutlich geschehen?“ zu beantworten. Sie zeichnet sich durch Techniken wie Regressionsanalyse, Vorhersage, multivariate Statistik, Musterabgleich, prädiktive Modellierung und Prognoseerstellung aus.

• Synthetische Daten werden durch ML künstlich erzeugt. Sie spiegeln die statistischen Eigenschaften echter Daten wider, nutzen jedoch nicht deren identifizierende Eigenschaften (z. B. Namen und persönliche Daten). KI erfordert riesige Datenmengen, um brauchbare Ergebnisse zu generieren. Synthetische Daten werden so zu einer wichtigen Quelle für große Datensätze, mit denen man außergewöhnliche Szenarien modellieren und gleichzeitig sensible und persönliche Daten schützen kann.

Die jüngsten Entwicklungen im Bereich der generativen KI, darunter ChatGPT, haben das Interesse an KI schlagartig ansteigen lassen – nicht nur als Technologie oder Geschäftsinstrument, sondern als allgemeine Produkttechnologie. KI hat eine ähnliche Auswirkung auf die Gesellschaft wie das Internet, der Buchdruck oder sogar die Elektrizität. Sie ist im Begriff, die gesamte Gesellschaft umzugestalten.

Dies sind die Annahmen von Gartner zur strategischen Planung für KI:

• Bis 2026 werden Unternehmen, die KI-Transparenz, -Vertrauen und -Sicherheit operationalisieren, mit ihren KI-Modellen eine 50%ige Ergebnisverbesserung in Bezug auf Einführung, Geschäftsziele und Nutzerakzeptanz erzielen.

• Bis 2026 werden Unternehmen, die AI-Engineering-Praktiken zum Aufbau und zur Verwaltung adaptiver KI-Systeme eingeführt haben, ihre Konkurrenz bei der Anzahl der operationalisierten KI-Modelle um mindestens 25 % übertreffen.

• Bis 2027 werden mindestens zwei Anbieter, die Funktionen für das Risikomanagement von KI bereitstellen, von Anbietern für Unternehmensrisikomanagement mit breiterer Funktonalität übernommen.

• Bis 2027 wird mindestens einem globalen Unternehmen der Einsatz von KI durch eine Aufsichtsbehörde wegen Nichteinhaltung von Datenschutz- oder KI-Governance-Gesetzen untersagt werden.