Definition von Künstlicher Intelligenz

Was ist die Künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) bezeichnet die Fähigkeit eines Computers oder einer Maschine, menschenähnliche kognitive Funktionen auszuführen. Dazu gehören Aufgaben wie Lernen, Problemlösung, Mustererkennung und Entscheidungsfindung. Der Begriff KI wurde erstmals 1956 auf der Dartmouth Conference von John McCarthy geprägt. Heute umfasst KI eine Vielzahl von Techniken, darunter maschinelles Lernen, Deep Learning und Expertensysteme.

Historische Entwicklung der KI

Die Entwicklung der KI lässt sich in mehrere Phasen einteilen:

1950er–1970er: Die Pionierzeit
1980er–1990er: Erste Fortschritte und Rückschläge

  • KI erlebte durch das Aufkommen von neuronalen Netzen und maschinellem Lernen einen Aufschwung.

  • Aufgrund hoher Rechenkosten und begrenzter Datenverfügbarkeit flachte das Interesse an KI in den späten 1980er Jahren ab.

2000er–heute: Der Durchbruch dank Big Data und Deep Learning

  • Fortschritte in Rechenleistung, Cloud Computing und die Verfügbarkeit großer Datenmengen haben KI auf ein neues Niveau gehoben.

  • Tiefe neuronale Netze ermöglichen Fortschritte in Spracherkennung, Bildverarbeitung und autonomem Fahren.

Unterschiedliche Formen der Künstlichen Intelligenz

KI kann auf verschiedene Art und Weise in verschiedene Kategorien unterteilt werden. Eine Möglichkeit ist die Kategorisierung nach ihrem Funktionsumfang und ihren Anwendungsmöglichkeiten, wie von Prof. Arend Hintze, Forscher und Professor der Integrative Biology an der Michigan State University, in dessen Understanding the four types of AI, from reactive robots to self-aware beings definierte:

  1. Reaktive KI (Reactive AI)

    Die erste Stufe der KI kann als Reaktive KI bezeichnet und als ein Ur-Typ der KI angesehen werden. Sie hat weder Gedächtnis noch Lernfähigkeit und kann nur auf Eingaben reagieren für genau die eine Aufgabe, wofür sie programmiert wurde. Es ist nicht in der Lage, zukünftige Ergebnisse vorherzusagen, wenn es nicht mit den entsprechenden Informationen gefüttert wurde.

    Beispiel: Schachcomputer wie IBM Deep Blue, der auf Basis aktueller Züge die bestmöglichen Entscheidungen trifft.

  2. Begrenzte Gedächtnis-KI (Limited Memory AI)

    Die zweite Stufe der KI kann Informationen aus vergangenen Interaktionen nutzen, um zukünftige Entscheidungen zu verbessern.

    Beispiel: Selbstfahrende Autos, die Sensordaten aus der Umgebung speichern und auf Basis vorheriger Erfahrungen optimieren.

Die erste und zweite Stufen der KI sind bereits teilweise im Einsatz, mit unterschiedlichen technischen Reifegrad in diversen Domänen.

  1. Theorie des Geistes-KI (Theory of Mind AI) – noch in der Forschung

    Im Gegensatz zu den ersten beiden Formen der KI hätten die 3. und die 4. Form der KI ein eigenes Bewusstsein und Verständnis für sich selbst. Intelligente Systeme der Stufe 3 könnten menschliche Emotionen wahrnehmen und verstehen, sowie auch deren eigenes Verhalten entsprechend anpassen.

    Ziel: KI mit Verständnis für Emotionen und sozialen Kontext.

    Potenzielles Beispiel: Fortgeschrittene humanoide Roboter mit sozialem Bewusstsein.

  2. Selbstbewusste KI (Self-Aware AI) – hypothetisch

    Diese Stufe der KI hätte ein eigenes Bewusstsein und ein Verständnis für sich selbst und käme somit dem menschlichen Bewusstsein (der menschlichen Intelligenz) am nächsten.

    Ob und wann die Entwicklung der KI jemals diese Stufe erreichen wird, ist noch viel umstritten – bisher wurde es nur in Science-Fiction Werken dargestellt.

Prädiktive vs. Generative KI

Die aktuell in der Industrie gängigen Formen der KI lassen sich insbesondere in prädiktive KI (Predictive AI) und generative KI (Generative AI) unterscheiden:

  1. Prädiktive KI

    • Diese KI nutzt historische Daten, um zukünftige Ereignisse vorherzusagen.

    • Verwendete Algorithmen: Regression, Entscheidungsbäume, neuronale Netze.

      Beispiele:

      • Vorhersage von Aktienkursen oder Wetterverhältnissen.

      • Diagnose von Krankheiten basierend auf medizinischen Daten.

      • Betrugserkennung im Finanzsektor.

  2. Generative KI

    • Diese KI erzeugt neue Inhalte, die zuvor nicht explizit in den Trainingsdaten enthalten waren.

    • Verwendete Modelle: Generative Adversarial Networks (GANs), Transformer-Modelle (z.B. GPT, DALL·E).

    • Beispiele:

      • Erstellung von Bildern, Musik oder Texten (z.B. KI-generierte Kunst, Chatbots).

      • Übersetzung und Zusammenfassung von Texten.

      • Deepfake-Technologien.

Bedeutung dieser Unterscheidung

  • Prädiktive KI wird hauptsächlich in Analytik und Entscheidungsfindung eingesetzt, während generative KI für Kreativität und Content-Erzeugung genutzt wird.

  • In der Praxis werden oft beide Ansätze kombiniert, z.B. wenn eine prädiktive KI Markttrends analysiert und eine generative KI dazu passende Werbeinhalte erstellt.

Anwendungsfälle von KI

KI findet heute in zahlreichen Bereichen Anwendung, hier sind nur einige Beispiele aufgelistet:

Gesundheitswesen:

Diagnosestellung durch KI-gestützte Bildverarbeitung, Medikamentenentwicklung.

Finanzwesen:

Automatische Betrugserkennung, algorithmischer Handel.

Industrie:

Automatisierung von Prozessen, Qualitätskontrolle in der Fertigung.

Autonome Systeme:

Selbstfahrende Autos, Drohnen, Robotersteuerung.

Sprachverarbeitung:

Sprachassistenten wie Siri, Alexa oder Google Assistant.

Kreative Anwendungen:

Generierung von Texten, Musik und Kunst durch KI.

Ethische Fragestellungen in der KI

Mit der rasanten Entwicklung der KI gehen auch bedeutende ethische Fragen einher:

Bias und Diskriminierung:

KI-Modelle können bestehende Vorurteile aus den gegebenen Trainingsdaten übernehmen.

Arbeitsplatzverdrängung:

Automatisierung kann menschliche Arbeitsplätze gefährden.

Transparenz und Erklärbarkeit:

Viele KI-Modelle, insbesondere Deep Learning, sind schwer zu interpretieren.

Verantwortung und Haftung:

Wer ist verantwortlich, wenn eine KI fehlerhafte oder schädliche Entscheidungen trifft?

Datenschutz:

KI-Anwendungen erfordern oft große Datenmengen, was Datenschutzprobleme aufwirft.