Künstliche Intelligenz: Maschinen wie wir?

Was selbstlernende Algorithmen mit Millionen von Daten anstellen

Bylle Bauer
Roboterhand und menschliche Hand berühren sich mit dem Zeigefinger

Täuschend echte Videos, traumgleiche Landschaftsszenerien und seltsame Kreaturen, Texte, wie von begabter Menschenhand verfasst und tausende Zeilen glasklaren Codes binnen weniger Sekunden: Angesichts der technologischen Errungenschaften der heutigen Zeit ist es kaum noch möglich, um das Thema Künstliche Intelligenz herumzukommen. Also, fassen wir doch mal zusammen, was Artificial Intelligence so ausmacht!

Künstliche Intelligenz und Machine Learning

KI ist die Grundlage für smarte Maschinen, und dabei dient das menschliche Gehirn als Vorbild: Die Software soll wie der Mensch in der Lage sein, dazuzulernen. Natürlich ist ein Computeralgorithmus nicht denselben Kapazitätsgrenzen unterworfen wie wir, und umgekehrt kann eine Maschine nicht fühlen. Doch vom Grundsatz her funktioniert das Prinzip des Lernens bei Menschen und Maschinen ähnlich:

Auch wenn noch einige Fragen offen sind, wie genau menschliches Lernen funktioniert, so wissen wir heute, dass das Gehirn bereits im Mutterleib zahlreiche sensorische Informationen in neuronalen Netzen zusammenführt und darin speichert. Neurowissenschaftlich betrachtet ist Lernen ein autonomer Prozess: Sind zwei Neuronen gleichzeitig im Gehirn aktiv, können neue synaptische Verknüpfungen ausgebildet und bereits vorhandene verstärkt oder wieder abgeschwächt werden. Auf diese Weise ist es uns möglich, bereits vorhandenes Wissen auch wieder zu verlernen.

Meistens, wenn wir von Künstlicher Intelligenz sprechen, meinen wir eigentlich Machine Learning, welches sich speziell damit befasst, wie Maschinen selbständig dazulernen können. Die Art und Weise, wie Menschen Muster erkennen, Aussagen widerlegen und Erfahrungen sammeln, wird durch Pattern Recognition, Model Training und riesige Datengrundlagen technologisch nachempfunden. Beim Machine Learning nutzen Algorithmen verschiedene Datensätze als "Trainingsgrundlage", um neue Dinge zu lernen, für die sie ursprünglich nicht programmiert wurden.

Eine Möglichkeit, um das Prinzip hinter dem maschinellen Lernen zu verdeutlichen, ist eine Erweiterung des EVA-Prinzips (Eingabe-Verarbeitung-Ausgabe) bzw. IPO-Modells (input-process-output) aus der Datenverarbeitung. Sense (1) entspricht dabei dem Input, Comprehend (2) dem Process und Act (3) dem Output. Bei Artificial Intelligence kommt ein neuer Aspekt dazu: Learn oder Train (4). Die Process / Comprehend Komponente der Methode bleibt nicht statisch, sondern entwickelt sich anhand der "Ausgabe" weiter.

Grafische Darstellung der Komponenten einer KI

Quelle: Bitkom e.V., Künstliche Intelligenz, S. 32., redaktionell bearbeitet durch get in IT

Jede:r von uns greift täglich auf KI-getriebene Tools zurück, z.B. um sich die schnellste Route berechnen zu lassen, Mitfahrgelegenheiten zu finden oder im Winter die Heizung automatisch einzuschalten - bevor man heimkommt, Smart Home Devices sei Dank. Und neuerdings auch, um Texte zu verfassen, Bilder zu verbessern oder Code zu schreiben. Das Tempo, in dem das vonstatten ging und geht, gibt einen Eindruck von der hohen Gesamtgeschwindigkeit, die die Arbeit mit lernenden Algorithmen aufnehmen kann.

Die Entwicklungsstadien von Künstlicher Intelligenz

Die Vision, etwas Menschenähnliches, Selbstdenkendes zu erschaffen, besteht seit vielen Jahrhunderten – schon im Spätmittelalter träumte man in der Alchemie von dem künstlichen Menschen Homunculus, zu Zeiten der "ersten Programmiererin der Welt" Ada Lovelace vom Apparatus. Alan Turing entwickelte in den 1950ern einen Test, mit dem man das Vorhandensein von Künstlicher Intelligenz erkennen kann: Wenn ein Mensch fünf Minuten lang mit einer Maschine spricht, ohne zu merken, dass es eine ist, dann hat diese den Turing-Test bestanden und gilt als dem Menschen im Denkvermögen zumindest ebenbürtig. Doch bis es zur wirklichen Umsetzung eines selbstlernenden Programms kam, dauerte es noch einige Dekaden.

Seit 2010 erleben wir einen weltweiten KI-Boom. Gründe dafür sind die über Jahrzehnte exponentiell gewachsene Rechner- und Speicherleistung sowie verbesserte Methoden, um Maschinen zu trainieren.

Dank Social Media und Co. werden laufend gigantische Datenmengen generiert, die vorher noch nicht in dem Maße vorhanden waren. Diese bilden die Grundlage dafür, dass die lernenden Algorithmen überhaupt immer "intelligenter" werden können: Die Fähigkeit der Künstlichen Intelligenz, binnen weniger Sekunden Millionen von Datensätzen miteinander abzugleichen und daraus eine Art Essenz zu ziehen, ist der von uns Menschen weit überlegen.

Mit der Weiterentwicklung der zugrundeliegenden Technologien wurden immer wieder neue Meilensteine in der KI gesetzt. Es gibt unzählige vielversprechende Ansätze, mit denen KI-Forschende spezifische Problemstellungen zu lösen versuchen. Generell lassen sich verschiedene Phasen des Machine Learnings unterscheiden:

  • Phase 1, Maschinelles Lernen: Intelligente Systeme nutzen Algorithmen, um aus Erfahrungen zu lernen.
  • Phase 2, Maschinelle Intelligenz: In diesem Stadium lernen Maschinen aus Erfahrung durch Falsifizierung. Diese Form ist eine Weiterentwicklung des Machine Learning mit verbesserten kognitiven Fähigkeiten.
  • Phase 3, Maschinelles Bewusstsein: Hier kann das System selbst aus Erfahrungen lernen, ohne auf externe Daten angewiesen zu sein und erschafft eine Meta-Ebene, die den Prozess zusätzlich bewertet und betrachtet.

Einsatzfelder im Machine Learning

Das Berufsfeld Machine Learning beinhaltet inzwischen verschiedene Ausprägungen, auf die Du Dich spezialisieren kannst:

  • Neuronale Netze (Neural Networks): Neuronale Netze sind ein wesentlicher Bestandteil, um Computern das Denken und Lernen beizubringen. Hierbei werden die physiologischen Abläufe des menschlichen Gehirns imitiert, etwa die Art und Weise, wie Sinneseindrücke abstrahiert und klassifiziert werden. Da erst die Klassifizierung realer Informationen eine geordnete Verarbeitung ermöglicht, ist sie zentral für die Mustererkennung. Mit Hilfe von neuronalen Netzen kann Software beispielsweise lernen, Bilder zu erkennen. Auf Basis einer qualitativ hochwertigen Dateneingabe und einer statistisch ausreichend großen Datenmenge können Computer außerdem mit hoher Genauigkeit Vorhersagen treffen und daraus Handlungsanweisungen ableiten.
  • Natürliche Sprachverarbeitung (Natural Language Processing, NLP): Beim Natural Language Processing lernen Maschinen, menschliche Sprache zu verarbeiten. Hieraus entstehen in Zukunft ganz neue Möglichkeiten, um User Interfaces für eine intuitive Sprachein- und ausgabe zu designen.
  • Deep Learning: Deep Learning befindet sich an der Schwelle zur intelligenten Automatisierung. Es nutzt Machine Learning Tools, um Probleme zu lösen, indem es kontinuierlich Entscheidungen fällt. Beim Deep Learning verarbeitest Du ebenfalls Daten mit Hilfe von neuronalen Netzen. Der Computer kommt dem menschlichen Denken hier jedoch noch näher. Anwendungsfelder von Deep Learning sind beispielsweise Bilderkennung, Textanalyse, aber auch Spracherkennung, um anhand der Daten Schlussfolgerungen abzuleiten, die die menschliche Entscheidungsfindung nachahmen.

KI im Alltag

Diese Ausprägungen von KI lassen sich in den verschiedensten Bereichen einsetzen. In unserem Alltag haben wir uns schon längst an KI gewöhnt: Deine Streamingdienste verwenden intelligente Algorithmen, um Dein Lieblingsprogramm genau auf Dich zuzuschneiden, Amazon empfiehlt Dir auf Deiner Historie basierend "ähnliche Artikel" und gestaltet die Preise mithilfe von KI dynamisch. Übersetzungsprogramme wie DeepL und mittlerweile zum Glück auch der Google Übersetzer verwenden die Anfragen der Nutzenden als Trainingsdaten, um Dir immer treffendere Ergebnisse zu liefern. Deinem Smartphone genügt es, Dein Gesicht zu erkennen, um sich Dir zu öffnen – im Hintergrund sitzt eine KI.

Das Thema Gesichtserkennung ist jedoch im Hinblick auf die Privatsphäre kritisch und erlaubt auch eine Menge Unfug – vom Missbrauch des Handys durch jüngere Geschwister bis hin zu handfesten Deep Fake Videos, die im Internet verbreitet zu einem echten Problem werden können.

KI im Unternehmenskontext

Im Unternehmensumfeld ist KI jedenfalls im Kommen, ob zur Prozessautomatisierung, zur Kostensenkung oder zur Steigerung der Effizienz. Dabei ist die Technologie für die verschiedensten Bereiche interessant: Marketing, Vertrieb, Logistik und Kundenmanagement profitieren gleichermaßen von predikativen Analysen, Automatisierungen, Chatbots und Prompting Tools wie ChatGPT.

KI im Health Sektor

Ein weiteres prominentes Einsatzfeld für KI ist die Medizin und das Gesundheitswesen. Vom Screening über die Diagnose bis hin zur Behandlung kann KI die Ärzt:innen unterstützen und hier auch eine Menge Power entfalten. Ihre Fähigkeit zum sekundenschnellen Datenabgleich prädestiniert sie zum Beispiel für die Erkennung von Hautkrebs und anderen Erkrankungen, die ein klares Bild zeigen. Einzig die Datenlage streut der Forschung Sand ins Getriebe: Besonders in Europa gelten strenge Datenschutzbestimmungen, die dem Training der selbstlernenden Algorithmen hier und da im Wege stehen.

KI im Auto

Und natürlich wären auch selbstfahrende Autos ohne KI nicht denkbar. Bildgebende Verfahren, Natural Language Processing, aber auch Predictive Maintenance, Chatbots und ein datengetriebener Customer Service sind hier ebenso zu nennen wie das Nonplusultra an Vertrauen in intelligente Maschinen: Das autonome Fahren.

Doch: Kann man Maschinen überhaupt wirklich vertrauen? Dafür sollten wir uns – schon allein der Vollständigkeit halber – ein paar Gedanken über das Thema Starke KI machen!

Schwache KI vs. starke KI

Und das sollen nun die intelligenten Maschinen sein, denen man unterstellt, die Weltherrschaft übernehmen zu wollen? Algorithmen, die zur Lösung spezifischer Problemstellungen programmiert wurden und die uns Menschen eher dienlich sind? Denken wir nur an ChatGPT: Was dieses Tool uns an Recherchearbeit abnimmt, ist unglaublich und wird gerade auf allen Kanälen gefeiert!

Nun, Machine Learning ist nur ein Teilbereich der Künstlichen Intelligenz. Was da trainiert wird, ist vor allem zweckdienlich. Die KI ist super darin, eine bestimmte Aufgabe zu lösen, kann das daraus gewonnene Wissen aber nicht auf andere Bereiche und Aufgaben übertragen. Alexa, Siri oder Google Assistant – eigentlich sind alle uns bekannten KIs Beispiele für sogenannte schwache KI (Weak bzw. Narrow AI). "schwach" nicht, weil sie den Menschen in seiner Hirnleistung nicht deutlich übertreffen würde. "Schwach" deshalb, weil sie das nur für einen bestimmten Bereich kann – eben den, für den sie programmiert wurde.

Technologische Singularität

Im Gegensatz dazu gibt es die Vision der starken KI oder AGI (Artifical General Intelligence), an der Forschende in aller Welt fieberhaft arbeiten – ob uns das gefällt oder nicht. Denn starke KI zeichnet sich dadurch aus, dass sie dem menschlichen Gehirn in allen Bereichen ebenbürtig bzw. überlegen ist. Dass sie in der Lage ist, logisch zu denken und auch eigenständige Entscheidungen zu treffen. Dinge zu planen. Mithilfe von Sprache zu kommunizieren. Und all ihre Skills zu bündeln, um übergeordnete Ziele zu erreichen. In dem Moment, da eine KI das kann, betritt die Menschheit das Zeitalter der technologischen Singularität.

Ob das eine gute Sache ist, darüber lässt sich streiten. In ungefähr 20 bis 40 Jahren soll der Zustand der Singularität erreicht sein. Am Ende kann man nur mutmaßen, wie es dann weitergeht – und das Beste hoffen: dass die Ziele einer KI mit denen von uns Menschen vereinbar sind. Wenn es die Aufgabe der AGI ist, Probleme zu lösen, sie aber uns Menschen als Problem identifiziert, was passiert dann? Schließlich kann die Empathiefähigkeit einer solchen Superintelligenz auch nur eine Folge von maschinellem Lernen sein und keine aus echtem Mitgefühl resultierende Empfindung. Das Gleiche gilt hoffentlich auch für all die anderen niederen Gefühle, die uns Menschen dazu bringen, einander zu schaden. Andererseits: Wenn KI von uns lernt und unser Verhalten als Maßstab ansieht …

I mean, we’re not setting the best example in terms of the way human society is regulated right now, nor the way we treat non-human life forms on the planet. What if AI treats us the way we treat less intelligent animals? We want them to be more compassionate to us than we are to each other!?

Ben Goertzel

Diesen Gedanken äußerte der Futurist und KI-Forscher Ben Goertzel bereits vor einigen Jahren in einem Gänsehaut machenden Interview über AI. Goertzel ist Gründer verschiedener AI-Businesses und Plattformen wie SingularityNET, auf der AI-Forscher:innen sich austauschen und so die Entwicklung vorantreiben können. Er rät allen dazu, bei der Arbeit an einer AGI den Fokus auf soziale Zwecke niemals aus den Augen zu verlieren.
Reizt Dich als KI-Entwickler:in das Feld der Starken KI, kannst Du also zum Beispiel in der Wissenschaft und Forschung eine Menge dazu beitragen, dass alles glatt läuft und wir Menschen weiterhin von der Technologie profitieren. Und wenn alle Stricke reißen, mach es wie Brian aus der Serie "Family Guy": Als Stewie’s selbstgebaute Roboter den Zustand der Superintelligenz gegenüber ihrem Schöpfer erreichen und ihn vernichten wollen, greift der Familienhund und erfolglose Autor beherzt zum Gartenschlauch – Problem gelöst.
TL;DR:
  • Künstliche Intelligenz basiert auf der Fähigkeit von Computeralgorithmen, binnen weniger Sekunden Millionen von Daten miteinander zu vergleichen und daraus Schlüsse zu ziehen.
  • Meist ist von Machine Learning die Rede, wenn wir über Künstliche Intelligenz sprechen: Dabei wird die Art, wie Menschen lernen und Synapsen bilden, technologisch nachempfunden.
  • Seit 2010 boomt KI und ist nicht mehr aufzuhalten. Während wir uns heute einerseits mit Begeisterung an Tools wie ChatGPT, GPT-4, Dall-E, Midjourney, Firefly usw. bedienen, warnen Wissenschaftler:innen andererseits vor einem zu leichtfertigen Umgang mit der Technologie.