FR 
DE 
IT 
EN Künstliche Intelligenz (KI) versetzt Rechner in die Lage, aus Erfahrung zu lernen, sich auf neu eingehende Information einzustellen und Aufgaben zu bewältigen, die menschenähnliches Denkvermögen erfordern. Die meisten heute geläufigen Beispiele für basieren vor allem auf Deep Learning. Mit dieser Technologie können Computer für bestimmte Aufgaben trainiert werden, indem sie grosse Datenmengen verarbeiten und Daten Muster erkennen.
Die Geschichte der künstlichen Intelligenz
Der Begriff „künstliche Intelligenz“, auch «Artifical Intelligence» genannt, wurde bereits 1956 geprägt, doch erst heute gewinnt die KI dank grösserer Datenmengen, hoch entwickelter Algorithmen und Verbesserungen bei Rechenleistung und Datenspeicherung an Bedeutung. Im deutschsprachigen Raum sind beide Begriffe AI und KI geläufig. Bereits in den 1950er Jahren beschäftigte sich die frühe Forschung zur KI mit Themen wie Problemlösung und symbolischen Methoden lange bevor Siri, Alexa oder Cortana in aller Munde waren.
Diese frühen Arbeiten ebneten den Weg für die Automatisierungs- und formalen Denkleistungen der Computer von heute, wie beispielsweise in Form entscheidungsunterstützender Systeme und intelligenter Suchsysteme, mit denen sich menschliche Fähigkeiten ergänzen und erweitern lassen. KI-Technologien sind weder furchteinflössend noch intelligent. Stattdessen zeichnet sich die KI durch viele spezifische Vorteile in allen Branchen aus
- KI automatisiert das Lernen durch Wiederholung und Erkenntnisse anhand von Daten. KI unterscheidet sich jedoch von der mittels Robotik. KI führt häufig und mit grossen Datenmengen anfallende, computergesteuerte Aufgaben zuverlässig und ohne Ermüdung aus. Dennoch bleibt für diese Art der Automatisierung menschliche Intelligenz – etwa für die Einrichtung des Systems und die Ermittlung der richtigen Fragestellungen – unverzichtbar
- KI macht bestehende Produkte intelligenter. In den wenigsten Fällen wird es eine eigenständige KI-Anwendung zu kaufen geben. Stattdessen werden Produkte, die Sie bereits nutzen, um KI-Fähigkeiten erweitert, so wie etwa eine neue Generation von Apple-Produkten mit Siri ausgestattet wurde. Automatisierung, Gesprächsplattformen, Bots und intelligente Maschinen können in Kombination mit grossen Datenmengen viele Technologien zu Hause und am Arbeitsplatz verbessern, von Security Intelligence bis hin zu Anlageanalysen.
- KI ist dank progressiver Lernalgorithmen wandlungsfähig, sodass die Programmierung letztlich durch die Daten erfolgen kann. KI findet Strukturen und Regelmässigkeiten in Daten. So wie sich der Algorithmus das Schachspiel beibringen kann, kann er sich auch beibringen, welches Produkt als Nächstes online angeboten werden sollte. Und das Modell verändert sich, sobald neue Daten eingehen.
- KI ermöglicht die Analyse grösserer Datenmengen mithilfe neuronaler Netze, die unter Umständen viele verborgene Schichten aufweisen. Noch vor wenigen Jahren wäre es fast unmöglich gewesen, ein Betrugserkennungssystem mit fünf verborgenen Schichten aufzubauen. Dank enorm hoher Rechenleistung und dank Big Data sieht das heute ganz anders aus. Für das Training von Deep-Learning-Modellen werden grosse Datenmengen benötigt. Je mehr Daten Sie für solche Modelle bereitstellen, desto präziser werden sie.
- KI erzielt höchste Genauigkeit dank neuronaler Netze – das war bisher fast unmöglich. So basieren zum Beispiel alle Ihre Interaktionen mit Alexa, Google-Suche und Google Fotos auf Deep Learning – und je mehr wir diese Funktionen nutzen, desto genauer werden sie. In der Medizin erzielen KI-Verfahren aus den Bereichen Deep Learning, Bildklassifikation und Objekterkennung bei der Krebsdiagnose in MRI-Bildern dieselbe Genauigkeit wie gut ausgebildete Radiologen.
- KI erschliesst das volle Potenzial von Daten. Bei selbstlernenden Algorithmen werden die Daten selbst unter Umständen geistiges Eigentum. Die Antworten stecken in den Daten. KI hilft Ihnen sie zu finden. Da Daten heute eine grössere Rolle spielen als je zuvor können sie Unternehmen einen Wettbewerbsvorteil verschaffen. In einer von starkem Wettbewerb geprägten Branche gewinnen die Unternehmen mit den besten Daten; selbst dann, wenn alle ähnliche Verfahren nutzen.
Vor welche Herausforderungen stellt uns der Einsatz künstlicher Intelligenz?
Künstliche Intelligenz wird in allen Branchen Veränderungen nach sich ziehen, aber wir müssen auch ihre Grenzen kennen. Die wichtigste Einschränkung von KI-Systemen ist das Lernen auf der Grundlage von Daten. Es gibt schlicht keine andere Möglichkeit, Wissen in solche Anwendungen einzubetten. Das heisst aber auch, dass sich Ungenauigkeiten in den Daten in den Ergebnissen widerspiegeln. Zudem müssen alle zusätzlichen Vorhersage- oder Analyseschichten separat hinzugefügt werden.
Die KI-Systeme von heute sind für klar umrissene Aufgaben trainiert. Mit einem System, das Poker spielt, können Sie nicht Solitär oder Schach spielen. Ein System zur Betrugserkennung ist nicht in der Lage, ein Auto zu steuern oder Rechtsauskünfte zu erteilen. Ein KI-System zur Erkennung von Betrug im Gesundheitswesen kann nicht einmal präzise Betrugsfälle bei Steuerzahlungen oder Gewährleistungsansprüchen erkennen. Anders ausgedrückt, sind diese Systeme sehr stark spezialisiert. Sie eignen sich für genau eine Aufgabe und sind weit von menschlichem Verhalten entfernt.
Selbstlernende Systeme sind zudem keine autonomen Systeme. KI-Technologien wie wir sie aus Film und Fernsehen kennen, sind immer noch Science-Fiction. Computer, die komplexe Daten untersuchen und anhand dieser Daten lernen können, bestimmte Aufgaben perfekt auszuführen, werden jedoch immer häufiger eingesetzt.
So funktioniert künstliche Intelligenz
Grosse Datenmengen in Kombination mit schnellen, iterativen Berechnungen und intelligenten Algorithmen ermöglichen der Software das automatische Lernen anhand von Mustern oder Merkmalen in den Daten. KI ist ein breites Forschungsfeld und umfasst viele Theorien, Methoden und Technologien. Hier einige wichtigste Teilbereiche:
- Maschinelles Lernen automatisiert die Erstellung analytischer Modelle. Mit Methoden aus neuronalen Netzen, Statistik, Operations Research und Physik werden in Daten verborgene Erkenntnisse gesucht, ohne dass in den Systemen explizit programmiert ist, wo gesucht oder welche Schlüsse gezogen werden sollen.
- Ein neuronales Netz ist eine Art des maschinellen Lernens. Diese Netze bestehen aus miteinander verbundenen Knoten (Neuronen), die zur Verarbeitung von Informationen auf externe Eingangsdaten reagieren und Informationen zwischen den einzelnen Knoten weitergeben. Dieser Prozess erfordert mehrere Datendurchläufe, um Verbindungen zu finden und undefinierte Daten zu gewichten.
- Deep Learning nutzt grosse neuronale Netze mit vielen Schichten von Verarbeitungsknoten. Fortschritte in der Rechenleistung und verbesserte Trainingsverfahren ermöglichen dabei das Erlernen komplexer Muster in grossen Datenmengen. Dieses Verfahren wird üblicherweise für die Bild- und Spracherkennung eingesetzt.
- Computer Vision nutzt Mustererkennung und Deep Learning zur Erkennung der Inhalte von Bildern oder Videos. Wenn Maschinen Bilder verarbeiten, analysieren und verstehen können, können sie Bilder oder Videos in Echtzeit erfassen und deren Umfeld interpretieren.
Zusammenfassend zielt KI also darauf ab, Software bereitzustellen, die Eingangsdaten sinnvoll interpretieren und dies bei der Ausgabe erläutern kann. KI ermöglicht in Zukunft eine menschenähnliche Interaktion mit Software und bietet Entscheidungsunterstützung für bestimmte Aufgaben. Den Menschen ersetzen kann sie nicht – und das dürfte auch noch einige Zeit so bleiben.
Source: SAS Institute