Künstliche Intelligenz

Künstliche Intelligenz ist ein Teilgebiet der Informatik und basiert auf hochintelligenten Algorithmen. Ziel ist es, Maschinen aus Erfahrungen lernen, verstehen und handeln zu lassen. Die Grundidee für die Künstliche Intelligenz legte der britsche Logiker, Mathematiker, Kryptoanalytiker und Informatiker Alan Mathison Turing bereits 1936. Mit seiner Turingmaschine, einem Berechenbarkeitsmodell, bewies er, dass Maschinen kognitive Prozesse ausführen können, wenn diese in mehrere Einzelschritte zerlegt und über Algorithmen dargestellt werden können. Heute unterteilt sich die Künstliche Intelligenz in mehrere Fachgebiete. Der Begriff „Künstliche Intelligenz“ geht hingegen auf den US-amerikanischen Informatiker John McCarthy zurück, der den Begriff erstmals 1956 auf der Dartmouth Conference mit dem Titel Dartmouth Summer Research Project on Artificial Intelligence nutzte. Die Dartmouth Conference war zugleich auch die Geburtsstunde der Künstlichen Intelligenz als akademisches Fachgebiet.

Mit Brunel finden Sie die passenden Experten im Bereich der Künstlichen Intelligenz

Sie planen ein Projekt im Bereich der Künstlichen Intelligenz und sind noch auf der Suche nach den passenden Experten? Mit unseren hochqualifizierten Spezialisten aus den Bereichen Informatik, Mathematik, Physik, Statistik, Datenmanagement und der Elektrotechnik bringen wir Ihr nächstes Projekt im Bereich der Künstlichen Intelligenz auf das nächste Level. Informieren Sie sich in diesem Zusammenhang auch über unser Leistungsspektrum in den Bereichen Arbeitnehmerüberlassung, Werk- und Dienstverträge.

Unsere Experten Kontakt aufnehmen

Künstliche Intelligenz hält in immer mehr Branchen Einzug. Grund hierfür sind die großen Datenmengen, die im Rahmen der Digitalisierung manuell kaum noch zu stemmen sind und zugleich Chancen in sich bergen, die zur Optimierung von Produkten und zur effizienteren Gestaltung von Prozessen einen großen Beitrag leisten. Doch wie funktioniert Künstliche Intelligenz eigentlich und wie kann sie gewinnbringend eingesetzt werden? Diese Fragen beantworten wir im nachfolgenden Beitrag.

Starke und schwache künstliche Intelligenz

In Forschung und Entwicklung wird zwischen starker und schwacher Intelligenz unterschieden. Schwache Intelligenz begleitet uns bereits jetzt in unserem Alltag und ist z.B. in Sprachassistenten oder Chatbots integriert. Sie beschäftigt sich meist mit konkreten Anwendungsfällen. Starke künstliche Intelligenz hingegen existiert noch nicht und verfolgt das Ziel, einem dem Menschen gleichwertige Intelligenz zu entwicklen oder gar diese zu übertreffen. 

Starke künstliche Intelligenz

Die starke Intelligenz zielt darauf ab, Maschinen die gleichen intellektuellen Fähigkeiten wie die der Menschen zu verschaffen oder diese sogar zu über-treffen. Über eine starke Intelligenz wären Maschinen in der Lage aus eigenem Antrieb intelligent und flexibel zu handeln. Zu den Eigenschaften, die starke Intelli-genz auszeichnen, gehören Logisches Denkvermögen, Entscheidungsfähigkeit bei Unsicherheit, Planungs- und Lern-fähigkeit, Kommunikation über natürliche Sprache und die Kombination aller Fähig-keiten zur Lösung von übergeordneten Zielen. Bisher ist es Forschern jedoch noch nicht gelungen, eine starke künst-liche Intelligenz zu entwickeln. Forscher gehen aber davon aus, dass die Entwick-lung der starken künstlichen Intelligenz nur noch eine Frage der Zeit ist.

Schwache künstliche Intelligenz

Von schwacher künstlicher Intelligenz spricht man, wenn Systeme reaktiv auf Problemstellungen auf Basis von Methoden der Mathematik oder Informatik reagieren und anschließend in der Lage sind sich selbst zu optimieren. Im Gegensatz zur starken künstlichen Intelligenz beschäftigt sich die schwache künstliche Intelligenz nicht mit dem Verständnis der Problemlösung, sondern konzentriert sich viel mehr auf die Erfüllung klar definierter Aufgaben sowie der anschließenden Optimierung. Schwache künstliche Intelligenz wird zum Beispiel in Navigationssystemen, Sprach-, Text- und Bilderkennung oder in der individuellen Aussteuerung von Werbung eingesetzt.

Auf welchen Methoden basiert die Künstliche Intelligenz?

Es gibt zwei Methoden, derer sich die Künstliche Intelligenz bedient. Das ist zum einen die neuronale und zum anderen die symbolische Künstliche Intelligenz.

 

Symbolische Künstliche Intelligenz

Die Symbolische Künstliche Intelligenz geht davon aus, dass menschliches Denken über eine logisch-begriffliche Ebene funktioniert. Wissen wird demnach über Symbole repräsentiert. Über Symbolmanipulation lernen Maschinen die Symbole auf Basis von Algorithmen zu deuten und zu verwenden. Die Informationen, die Maschinen benötigen, um zu lernen, werden über sogenannte Expertensysteme zur Verfügung gestellt, die die Informationen über logische Wenn-dann-Beziehungen sortieren. Indem Maschinen die Informationen aus den Expertensystemen mit ihrem Input vergleichen, lernen diese ständig hinzu. Der Nachteil dieses stark regelbasierten Ansatzes ist, dass Maschinen, die diese Methode der Künstlichen Intelligenz nutzen, nur schwer auf Ausnahmen, Variationen und unsicheres Wissen reagieren können und nur begrenzt zu selbstständigem Wissenserwerb fähig sind.

 

Neuronale Künstliche Intelligenz

Mitte der 1980er Jahre kam die neuronale Künstliche Intelligenz auf. Sie orientiert sich an den Strukturen des menschlichen Gehirns und der Funktionsweise der Nervenzellen. Ähnlich wie im menschlichen Gehirn ist bei der neuronalen Künstlichen Intelligenz das Wissen in kleinen Funktionseinheiten segmentiert, den sogenannten künstlichen Neuronen. Diese liegen in verschiedenen Schichten, sogenannten Layern, übereinander und sind hierarchisch miteinander verbunden. Die oberste Schicht, auch Inputschicht genannt, nimmt die Informationen von außen auf. Das können z.B. Daten über Patienten sein wie das Gewicht oder die Körpertemperatur. Die Informationen werden in Folge durch eine oder mehrere Zwischenschichten, die sogenannten Hidden Layer, gereicht. Je mehr Zwischenschichten es gibt, desto tiefer ist das neuronale Netz. In diesem Fall spricht man auch von Deep Learning. Erhält die Inputschicht eine neue Information, vergibt jedes Neuron in der Inputschicht einer durchfließenden Information ein zufälliges Gewicht und addiert einen sogenannten Neuron-spezifischen Bias-Term hinzu. Das Ergebnis wird dem nächsten Layer als Input weitergegeben. Die tiefste Schicht ist die Output-Schicht. Sie kennzeichnet den Endpunkt des Informationsflusses und enthält das Endergebnis der Informationsverarbeitung.

Damit das System lernen kann, wird sehr häufig die Methode des sogenannten Supervised Learning eingesetzt, bei dem das System anhand von Beispielen, echten Input-Output Datenpaaren, lernt. Dabei errechnet das neuronale Netz ein Ergebnis aufgrund der eingegangenen Input-Daten. Infolge gleicht das System das Ergebnis mit dem des Beispiel-Datensatzes ab und berechnet die Größe der Abweichung. Die Abweichung wird erneut in das neuronale Netz gespeist und das Gewicht sowie der Bias-Term so bestimmt, dass die Abweichung kleiner wird. Je öfter eine Abgleichung erfolgt und je mehr Beispiele ein System bekommt, desto besser kann es lernen und dem eigentlichen Ziel näherkommen für das das System aufgesetzt wurde.

Welche Teilbereiche der KI gibt es?

Die künstliche Intelligenz gliedert sich in drei wesentliche Teilbereiche, die sich wiederum in jeweils 4 Teildisziplinen unterscheiden.

 

Handeln

Das Teilgebiet „Handeln“ umfasst die Sprachverarbeitung und Wissensrepräsentation und teilt sich in die Fachgebiete Natural Language Processing, Expertensysteme, Predictive Analytics und Robotik auf.

Natural Language Processing: Natural Language Processing, auch bekannt als Computerlinguistik (CL) oder linguistische Datenverarbeitung (LDV) versucht auf Basis von Algorithmen Computer dahingehend zu befähigen, dass sie menschliche Sprache verstehen und interpretieren können. Auf diese Weise soll eine Kommunikation auf Augenhöhe zwischen Mensch und Computer erzielt werden. Die Übersetzungsfunktion von Google ist ein Beispiel für den Einsatz von Natural Language Processing.

Expertensysteme: Expertensysteme sind Computerprogramme, die Lösungen und Handlungsempfehlungen durch Künstliche Intelligenz ableiten. Voraussetzung dafür ist eine Wissensbasis, in der menschliches Wissen über Wenn-dann-Beziehungen für Computer verständlich aufbereitet ist. Expertensysteme werden z.B. in der Therapie zur automatischen Entwöhnung von Beatmungspatienten eingesetzt oder auch zur Vorhersage von Erdbeben oder von Hochwasser.

Predictive Analytics: Unter Predictive Analytics wird eine Methode verstanden, die auf Grundlage von historischen Daten Prognosen für zukünftige Ereignisse geben kann. Predictive Analytics findet sowohl in der Versicherungsbranche als auch im Bereich der Meteorologie oder des Marketings Anwendung.

Robotik: Die Robotik beschäftigt sich mit der Konstruktion, dem Betrieb und der Nutzung von Robotern sowie deren Steuerung, sensorische Rückkopplung und Informationsverarbeitung. Künstliche Intelligenz kommt in diesem Zusammenhang zur Planung, Ausführung und Überwachung von Roboteraktionen zum Einsatz.

 

Wahrnehmung

Der Teilbereich der „Wahrnehmung“ untergliedert sich in die Disziplinen Bildverarbeitung, Spracherkennung, Texterkennung und Gesichtserkennung.

Bildverarbeitung: Bei der Bildverarbeitung werden Signale verarbeitet, die in Form von Bildern oder Videos repräsentiert werden. Mit dem zusätzlichen Einsatz von Künstlicher Intelligenz kann die Bildverarbeitung zum Beispiel in der Dermatologie bei der Hautkrebsdiagnostik unterstützen.

Spracherkennung: Die Spracherkennung beschäftigt sich damit, Computern die gesprochene Sprache näherzubringen. Beispiele dafür sind Sprachassistenten wie Alex oder Siri, die automatische Spracherkennung bereits einsetzen.

Texterkennung: Die Texterkennung ist als Äquivalent zur Spracherkennung zu verstehen und wird bereits in Form Chatbots eingesetzt.

Gesichtserkennung: Bei der Gesichtserkennung kann über bestimmte Programme erreicht werden, Personen anhand bestimmter Merkmale auf digitalen Bilder zu identifizieren. Anwendungsbeispiele bei denen die Gesichtserkennung bereits eingesetzt wird ist z.B. beim Entsperren von Smartphones oder bei Einlasskontrollen an Flughäfen.

 

Lernen

Der dritte Teilbereich der Künstlichen Intelligenz ist der des „Lernens“ mit den Fachdisziplinen Tiefgehendes Lernen, Maschinelles Lernen, Verstärkendes Lernen und Crowd Sourcing.

Maschinelles Lernen: Die Technologie des maschinellen Lernens „lernt“ über hochkomplexe Algorithmen aus einer großen Datensammlung. Je mehr Daten vorhanden sind, umso mehr lernt die Technologie hinzu. Aufgaben müssen so nicht mehr zusätzlich programmiert werden.

Tiefgehendes Lernen: Tiefgehendes Lernen, auch als Deep Learning bekannt, ist ein Teilbereich des Maschinellen Lernens, das auf neuronalen Netzen, Computerprogramme, die mehrere Knotenebenen verwenden, Muster erkennen und menschenähnliche Entscheidungen treffen, basiert und sich am menschlichen Gehirn orientiert. Über das neuronale Netz und auf Basis von enorm großen Datenmengen kann das System Erlerntes mit neuen Inhalte verknüpfen und so Prognosen und Entscheidungen treffen und diese hinterfragen. Beispiele, in denen Deep Learning bereits eingesetzt wird, sind zum Beispiel autonom fahrende Fahrzeuge.

Verstärkendes Lernen: Verstärkendes Lernen, auch als Reinforcement Learning bekannt, ist eine Methode des Maschinellen Lernens. Die Besonderheit dieser Methode ist, dass sie auf einem Belohnungssystem beruht. So erlernt die Maschine eigenständig, welche Aktion die beste ist. Die Datenbasis erfolgt durch ausführliche Trial-and-Error-Abläufe innerhalb eines Simulationsszenarios. Verstärkendes Lernen wird z.B. bei der Ampelschaltung genutzt.

Crowd Sourcing: Crowd Sourcing ist auch als Human Computation bekannt und bezeichnet das Lösen solcher Aufgaben durch eine Vielzahl an Anwendern, die alleine durch Künstliche Intelligenz nicht lösbar sind. Das Konzept des Crowd Sourcings weißt in diesem Zusammenhang darauf hin, dass es trotz Künstlicher Intelligenz immer noch menschliches Zutun benötigt.

Welche Einsatzgebiete gibt es für Künstliche Intelligenz?

Die Einsatzgebiete von KI sind äußerst vielfältig. Sie finden sowohl im digitalen Umfeld als auch in Prozessen der physischen Welt Einsatzmöglichkeiten. Beispiele für den Einsatz von KI in digitalen Prozessen sind z.B. Chatbots, textbasierte Dialogsysteme, die in der Lage sind, selbständig zu lernen und eigenständig Antworten aus Gesetzmäßigkeiten abzuleiten. Chatbots werden häufig im Kundensupport des eCommerce eingesetzt. Im Einzelhandel sowie in der Logistik kann KI darüber hinaus zur Optimierung des Warenbestands eingesetzt werden, um Out-of-Stock Raten zu reduzieren und Umsatz und Gewinn zu steigern. Auch Privathaushalte sind zunehmend mit KI-basierter Technologie in Kontakt. Beispiele hierfür sind Produktempfehlungen, die Nutzer über E-Mail, Social-Media-Kanäle oder das Web mit personalisierten Inhalten ansprechen oder persönliche Sprachassistenten, wie Alexa oder Siri, die über Spracherkennung Anweisungen umsetzen können.

Eingebettet in physische Prozesse kann KI aber auch in Form von Robotern zum Einsatz kommen, um z.B. für den Menschen gesundheitsschädliche oder gefährliche Aufgaben wie das Schweißen oder Lackieren zu übernehmen oder Tätigkeiten umzusetzen, bei denen besonders viel Präzision gefragt ist. Auch beim Autonomen Fahren, dem Technologietrend in der Automobilbranche kommt Künstliche Intelligenz zum Einsatz. Über Deep Learning werden Fahrzeuge zukünftig lernen, ihre Umwelt zu verstehen und für mehr Sicherheit und Komfort sorgen. 

Welche Voraussetzungen braucht es, um KI im Unternehmen gewinnbringend zu nutzen?

Der Einsatz von Künstlicher Intelligenz wird in zahlreichen Branchen und Unternehmensbereichen zu einem immer bedeutsameren Thema. Künstliche Intelligenz kann je nach Zielsetzung Wettbewerbsvorteile sichern, Kosten reduzieren oder Sicherheit garantieren. Der Einsatz von Künstlicher Intelligenz in Unternehmen verlangt jedoch einige Voraussetzungen.

Hochwertige Datenmengen nutzen

Grundvoraussetzung für den Einsatz von KI sind große und quali-tativ hochwertige Datenmengen. Ungenaue Daten führen meist zu unbrauchbaren Ergebnissen. Berücksichtigt werden sollte z.B. die Entstehungszeit und der Entstehungsort der Daten. Daten aus externen Datenquelle sollten darüber hinaus auf deren Vertrauenswürdigkeit geprüft werden.

Berücksichtigung unstrukturierter Daten

Unstrukturierte Daten sind Informationen deren Dateityp zwar bekannt ist, die aber nicht ohne Weiteres in einer Datenbank oder einer anderen Datenstruktur ablegbar sind (z.B. Textdateien oder E-Mail-Nachrichten). Im Vergleich zu strukturierten Daten, die zwar leichter zu finden und zu bearbeiten sind, aber nur einen sehr kleinen Teil aller verfügbaren Daten in Unternehmen aus-machen, bieten unstrukturierte Daten einen deutlich größeren Datenstamm und sollten deshalb unbedingt als Datenbasis berücksichtigt werden.

Qualifizierte Experten für KI

Damit KI im Unternehmen gelingen und richtig eingesetzt werden kann, ist es von entscheidender Bedeutung, das notwendige Know-how im Unternehmen zu haben. Entwickler sollten deshalb entsprechende Weiterbildungen erhalten oder KI-spezialisierte Entwickler neu im Unternehmen eingestellt werden.

Kein Erfolg ohne menschliche Intelligenz

Auch wenn KI schier unendlich viele Möglichkeiten bietet, den eigenen Geschäftserfolg zu optimieren, so lernt sie nur das, was Entwickler ihr auch tatsächlich an Algorithmen mitgeben. Nur durch einen effizienten Einsatz kann die Künstliche Intelligenz das Potenzial erschließen und unternehmerische Entscheidungen nachhaltig verbessern.

Transparenz schaffen

Künstliche Intelligenz gilt zwar als Megatrend und immer mehr Unternehmen investieren in sie. Oft verstehen aber nur diejenigen, die die Algorithmen entwickelt haben, tatsächlich wie die KI zu einer Entscheidung gelangt. Um das zu vermeiden ist es wichtig, transparent gegenüber allen Stakeholdern zu sein und die Algorithmen unternehmensintern offenzulegen.

Wie kann KI in das eigene Unternehmen integriert werden?

Die Integration von KI ermöglicht es Unternehmen, Produkte und Services an die Bedürfnisse ihrer Kunden anzupassen, Erfahrungen zu personalisieren und damit einen klaren Wettbewerbsvorteil zu erzielen. Zugleich verlangt KI von Unternehmen aber auch ein Umdenken, eine präzise Planung und qualifizierte Fachkräfte.

Schritt-für-Schritt-Anleitung

1

KI bietet zahlreiche Einsatzmöglichkeiten. Aber nicht alle Einsatzmöglichkeiten treffen auf den Einzelfall zu. Deshalb muss im ersten Schritt definiert werden, was überhaupt mit dem Einsatz von KI erzielt bzw. was verbessert werden soll.

2

Nachdem die Ziele, die durch den Einsatz von KI erreicht werden sollen, definiert sind, sollte die Verfügbarkeit der dafür benötigen Daten geprüft werden. Wichtig ist hierbei, dass die für den Anwendungsfall geeigneten Daten in einer hohen Qualität vorliegen und auch das Volumen ausreichend ist, um aussagekräftige Ergebnisse zu erhalten. Darüber hinaus sollten die Daten die richtigen Merkmale bzw. Kriterien wie z.B. Alter, Geschlecht oder anderer Merkmale einer Gruppe wiedergeben.

3

Im dritten Schritt sollte eine erste Datenexploration durchgeführt werden. Diese dient dazu ein erstes Verständnis der vorhandenen Daten und deren Eigenschaften zu gewinnen. Darauf basierend können wichtige Variablen erkannt und für potenzielle Modelle kategorisiert werden.

4

Nachdem eine Auswahl der Daten getroffen wurde, wird ein KI-Modell erstellt und das Training der KI begonnen. Informationen werden in das KI-Modell gespeist. Aus den eingegangenen Daten versucht das KI-Modell Muster zu erkennen und zu einer Entscheidungsfindung zu gelangen. Wichtig in diesem Schritt ist, die Stakeholder ausreichend einzubinden und die Ziele sowie Anforderungen an die KI regelmäßig abzugleichen.

5

Im fünften Schritt geht es darum, die Ergebnisse der Algorithmen auszuwerten. Dazu werden Leistungsmessungen definiert. Diese Messungen helfen wiederum dabei die Modelle weiter zu verfeinern. Am besten ist es, die Daten in einen Testsatz und einen Trainingssatz aufzuteilen. Die KI wird weiter auf dem Trainingssatz trainiert und die Ergebnisse davon mit denen des Testsatzes verglichen.

6

Auf die Validierung folgt die Produkteinführung. Zunächst sollte das Rollout nur für einen begrenzten Anwenderkreis gelten. Wenn alles nach Wunsch funktioniert, kann das Rollout ausgeweitet werden. In diesem Schritt sollte regelmäßiges Feedback von allen Anwendern eingeholt werden um die KI weiter zu optimieren.

So unterstützt Brunel Sie bei Ihrem nächsten Projekt im Bereich der Künstlichen Intelligenz

Unsere Experten zeichnen sich durch eine fundierte Ausbildung und Erfahrung im Bereich der Künstlichen Intelligenz aus. Sie verfügen über fachspezifisches Know-how in der Programmierung und Weiterentwicklung von Algorithmen, dem Training der KI sowie der Analyse bestehender Daten und Prozesse. Um die passenden Experten für Ihr Projekt zu finden, verschaffen wir uns einen umfassenden Überblick über Ihr Projekt. In diesem Zusammenhang interessiert uns, über welche Tools, Erfahrungen, Qualifikationen oder Sprachkenntnisse unsere Experten verfügen sollten. So können wir sicherstellen, dass unsere Spezialisten KI-Lösungen entwickeln, die Ihren Qualitätsanforderungen entsprechen.

Im Anschluss gehen unsere Talent Scouts und Account Manager auf die Suche nach den passenden Kandidaten. Dazu nutzen wir verschiedene Kanäle und Netzwerke. Eine proaktive und vorausschauende Kandidatenansprache sowie unser globales Netzwerk an Technik- und IT-Experten kommen uns dabei zu Gute. Sie interessieren sich für unsere Recruiting-Expertise? Mehr dazu können Sie hier erfahren.