Langsam wachen deutsche Unternehmenslenker auf: Wer k\u00fcnstliche Intelligenz nicht in sein Gesch\u00e4ftsmodell integriert, wird in Zukunft das Nachsehen haben. Diese Erkenntnis setzt sich durch, die Anwendung von KI kommt aber nur langsam voran. Auch, weil immer noch Unwissen und daher Skepsis herrscht. Was ist KI \u00fcberhaupt? Wie funktioniert k\u00fcnstliche Intelligenz und wo kann KI in Unternehmen wertsch\u00f6pfend eingesetzt werden? Ein \u00dcberblick.<\/p>\n\n\n\n
Eine allgemeing\u00fcltige Definition von k\u00fcnstlicher Intelligenz (KI) gibt es nicht. Denn schon der Begriff der Intelligenz ist wissenschaftlich nicht einheitlich definiert. \u00dcber die wesentliche Essenz des Konzepts herrscht allerdings Einigkeit. Was ist also k\u00fcnstliche Intelligenz? <\/p>\n\n\n\n
K\u00fcnstliche Intelligenz bezeichnet Computeranwendungen, die mithilfe von Algorithmen in der Lage sind, Aufgaben eigenst\u00e4ndig zu l\u00f6sen, f\u00fcr die bisher menschliche Intelligenz erforderlich war. KI-Systeme k\u00f6nnen angemessen auf unbekannte Situationen reagieren, da sie aus ihren Erfahrungen lernen, ihr Wissen abspeichern und abrufen k\u00f6nnen. Die zwei bekanntesten Methoden, um k\u00fcnstlichen Intelligenz zu erzeugen, sind Machine Learning und Deep Learning. <\/p>\n\n\n\n
Bisher k\u00f6nnen KI-Anwendungen nur sehr eingegrenzte Problemfelder bearbeiten. Es gibt Programme, die Messwerte \u00fcberwachen und Maschinen regulieren. Diese KI-Anwendungen k\u00f6nnten aber weder Bilder erkennen noch Sprache verarbeiten. Daher spricht man auch von Narrow AI, auf Deutsch: schwache KI<\/strong>. <\/p>\n\n\n\n Da viele Aufgaben unterschiedliche kognitive Prozesse beanspruchen, m\u00fcssen in KI-Anwendungen einzelne KI-Komponenten kombiniert werden, um solche Aufgaben zu l\u00f6sen. F\u00fcr eine smarte Dokumentenbearbeitung wird zum Beispiel Text- und Bilderkennung mit Sprachverst\u00e4ndnis auf Bedeutungsebene kombiniert<\/a>.<\/p>\n\n\n\n Trotz der M\u00f6glichkeit unterschiedliche KI-Formen zu kombinieren, sind wir weit davon entfernt, intelligente Systeme zu erschaffen, die sich so flexibel wie Menschen an ihre Umgebung anpassen k\u00f6nnen. Von einer solchen General oder Strong AI (deutsch: starke KI)<\/strong>, einer universellen k\u00fcnstlichen Intelligenz, sind wir aktuell sehr weit entfernt. Wie realistisch es ist, dass KI sich \u00fcberhaupt bis zu diesem Level entwickelt, ist in der Wissenschaft umstritten. <\/p>\n\n\n\n Stand heute besteht jedenfalls keine Gefahr, dass sich KI verselbstst\u00e4ndigt und sich wom\u00f6glich gegen die Menschen richtet. Solche Vorstellungen sind reine Science Fiction. Denn wir haben es ausschlie\u00dflich mit schwacher KI zu tun, die nur in einem sehr engen Aufgabenfeld Spitzenleistungen erbringen kann. <\/p>\n\n\n\n K\u00fcnstliche Intelligenz ist ein Sammelbegriff f\u00fcr verschiedene Verfahren. Wie k\u00fcnstliche Intelligenz funktioniert, l\u00e4sst sich daher nicht pauschal beantworten. Die bekanntesten Methoden, um Intelligenz zu simulieren, sind jedoch Machine Learning und Deep Learning. <\/p>\n\n\n\n Beim Machine Learning (ML) werden Algorithmen so programmiert, dass sie in gro\u00dfen Datenbest\u00e4nden Muster erkennen. Dazu werden die Datens\u00e4tze mithilfe von Strukturb\u00e4umen oder Vektoren nach \u00c4hnlichkeiten durchsucht. Je gr\u00f6\u00dfer die Datenbasis, desto bessere Ergebnisse liefern die Systeme. Indem Menschen die Ergebnisse pr\u00fcfen und korrigieren, lernen die Algorithmen, welche Daten sie falsch und welche richtig eingeordnet haben. Damit verbessert sich nicht nur die Ergebnisqualit\u00e4t, sondern auch die Effizienz der Systeme. Teilweise sind die Machine-Learning-Algorithmen auch in der Lage, ihre Entscheidungskriterien ausgehend von ihren Ergebnissen selbst zu pr\u00fcfen und ihr Vorgehen zu verbessern. <\/p>\n\n\n\n Typische Beispiele f\u00fcr solche ML-Anwendungen sind die vielen personalisierten Empfehlungen, die Online-Dienste wie Netflix und Amazon an ihre Kunden ausspielen. Mit jedem Kauf oder jedem Like f\u00fcttern Anwender die Systeme mit Informationen, welche Empfehlungen passend sind und welche nicht. So lernt das System die Vorlieben des Kunden immer besser kennen. <\/p>\n\n\n\n W\u00e4hrend Machine Learning der mathematischen Denkweise folgt, orientiert sich Deep Learning an der Biologie. Die KI-Systeme bestehen aus k\u00fcnstlichen neuronalen Netzen, die der Funktionsweise des menschlichen Gehirns nachempfunden sind. <\/p>\n\n\n\n Je nachdem, wie komplex eine Aufgabe ist, bestehen die Netze mehreren Schichten mit vielen Neuronen, die nacheinander und teilweise in Iterationen durchlaufen werden. Jede Schicht l\u00f6st ein Teilproblem.<\/p>\n\n\n\n Ein Beispiel: Soll ein Deep-Learning-System Katzen auf Fotos erkennen, m\u00fcssen viele einzelne Eigenschaften richtig eingeordnet werden, damit nicht jedes fellige Tier als Katze erkannt wird. In der ersten Schicht eines neuronalen Netzes k\u00f6nnte das System die Konturen auf einem Bild erfassen, in der zweiten die Formen dieser Konturen bewerten, in einer dritten Schicht Details wie Augen und Ohren einordnen, um schlie\u00dflich zum Ergebnis zu kommen: Auf dem Bild ist eine Katze zu sehen. <\/p>\n\n\n\n Der gro\u00dfe Vorteil von Deep Learning: Entwickler m\u00fcssen den genauen L\u00f6sungsweg von der Eingabe zur gew\u00fcnschten Ausgabe nicht kennen. Sie m\u00fcssen nicht wissen, welche Variablen zu analysieren sind. Die Deep-Learning-Systeme erkennen durch eigenst\u00e4ndiges Lernen, welche Faktoren relevant sind und wie sie zu gewichten sind, damit das gew\u00fcnschte Ergebnis zustande kommt. Es reicht, wenn Menschen den Systemen R\u00fcckmeldung geben, ob ihre Ergebnisse korrekt waren oder nicht. Teilweise ist nicht einmal dies erforderlich. Der Begriff Deep Learning spielt auf diese tiefe Abstraktion zwischen Eingabe- und Ausgabedaten an. <\/p>\n\n\n\n Die praktischen Anwendungsm\u00f6glichkeiten von k\u00fcnstlicher Intelligenz sind vielf\u00e4ltig. Die Qualit\u00e4t von Nahrungsmitteln verbessern? Verwaltungsantr\u00e4ge schneller bearbeiten? Krankheiten fr\u00fcher erkennen? Alles bereits heute mithilfe von k\u00fcnstlicher Intelligenz m\u00f6glich. <\/p>\n\n\n\n Eine Reihe von Praxisbeispielen findest du in unserem Artikel zum Einsatz von KI in Unternehmen. <\/p>\n\n\n\n In Zukunft wird die Technologie in immer mehr Lebensbereichen eine tragende Rolle spielen<\/strong> und Wirtschaft und Gesellschaft tiefgreifend ver\u00e4ndern. Die Bundesregierung hat daher 2018 eine nationale KI-Strategie<\/a> verabschiedet, um die Forschung zu KI in Deutschland zu f\u00f6rdern und \u201eAI made in Germany\u201c als weltweites G\u00fctesiegel zu etablieren. <\/p>\n\n\n\n Obwohl Deutschland im globalen Innovationsranking von Bloomberg 2020 die Spitzenposition erreichte, geht die Implementierung von k\u00fcnstlicher Intelligenz in deutschen Unternehmen nur schleppend voran. Die Corona-Pandemie hat allerdings zu einem Innovationsschub gef\u00fchrt<\/strong>: 2019 hatten einer Bitkom-Befragung<\/a> zufolge nur 2 Prozent der Firmen KI-L\u00f6sungen im Einsatz, Anfang 2021 sind es immerhin 8 Prozent. 30 Prozent planen oder diskutieren eine Einf\u00fchrung. <\/p>\n\n\n\n Deutschland ist ein Land der Technologie-Skeptiker. Die kritischen Stimmen, KI gef\u00e4hrde Arbeitspl\u00e4tze und k\u00f6nnen sich der menschlichen Kontrolle entziehen, waren in der Vergangenheit hierzulande besonders laut. <\/p>\n\n\n\n Dass sie mittlerweile leiser werden und auch zun\u00e4chst kritische Entscheidungstr\u00e4ger den Einsatz von KI bef\u00fcrworten, liegt an der wachsenden Zahl an Referenzprojekten. K\u00fcnstliche Intelligenz birgt Chancen und Risiken. Wie jede Technologie. In ihrer aktuellen Form \u00fcberwiegen die Vorteile der KI<\/strong> jedoch. Sie erm\u00f6glicht nicht nur massive Effizienzgewinne, sondern kann auch helfen, die gro\u00dfen Herausforderungen unserer Zeit wie Klimakrise, globale Bev\u00f6lkerungszunahme und Zivilisationskrankheiten zu bew\u00e4ltigen. <\/p>\n\n\n\nWie funktioniert k\u00fcnstliche Intelligenz? <\/strong><\/h2>\n\n\n\n
Machine Learning<\/h3>\n\n\n\n
Deep Learning <\/h3>\n\n\n\n
K\u00fcnstliche Intelligenz: Verbreitung in Unternehmen in Deutschland<\/strong><\/h2>\n\n\n\n
Vor- und Nachteile k\u00fcnstlicher Intelligenz im \u00dcberblick<\/strong><\/h2>\n\n\n\n
Vorteile von KI <\/h3>\n\n\n\n