Was bedeutet Künstliche Intelligenz (KI)?

Schaut man bei KI einmal eine Ebene tiefer, ist von „Deep Learning”, maschinellem Lernen, neuronalen Netzen und „Natural Language Processing”, oder „Computer Vision“ die Rede. Bevor wir uns in Zukunft tiefer mit der Materie befassen, bietet dieser Wiki-Artikel eine kompakte Übersicht zu zentralen Begrifflichkeiten.

Machine Learning oder auch maschinelles Lernen

Maschinelles Lernen beschreibt mathematische Methoden die einer Maschine , wie einem Computer, ermöglichen, selbständig Wissen aus Erfahrungen zu generieren. Durch beispielhafte Vorgänge werden Thesen aufgebaut, welche nach der Lernphase verallgemeinert werden können.

Natural Language Processing (NLP)

 NLP, oder auch die Verarbeitung natürlicher Sprache, kann unter den Oberbegriff maschinelles Lernen subsumiert werden. Zu den wichtigsten Aufgaben von NLP zählen die optische Zeichenerkennung (OCR), Übersetzungen zwischen unterschiedlichen Sprachen, die automatische Beantwortung natürlichsprachlicher Fragen und die Spracherkennung selber. Versuchte man in der Vergangenheit noch die maschinelle Verarbeitung von geschriebener und gesprochener Sprache mit umfangreichen Regeln zu bewältigen, so werden heutzutage Methoden des „Deep Learning” verwendet.

Computer Vision

Computer Vision beschreibt die KI-basierte Erschließung von Informationen aus digitalen Bildern, Videos und anderen visuellen Objekten. Es kann, wie NLP, unter den Oberbegriff maschinelles Lernen subsumiert werden. Bei der Computer Vision werden zwei wesentliche Methoden eingesetzt: „Deep Learning“ und „Convolutional Neural Network” (CNN).

Deep Learning und künstliche neuronale Netze

Deep Learning ist ein Teilbereich des maschinellen Lernens und der Bereich, der das Thema KI in den kommenden Jahren am stärksten beflügeln wird.

Bei Deep Learning handelt es sich um eine Lernmethode bei welcher mittels neuronaler Netze die Maschine in die Lage versetzt wird, Strukturen zu erkennen. Diese Erkenntnisse werden laufend überprüft, um  sich in mehreren vorwärts wie rückwärts gerichteten Durchläufen selbständig zu verbessern.

Der Erfolg des „Deep Learnings”, ist in den vergangenen Jahren vor allem darauf zurückzuführen, dass es immer leistungsfähigere Hardware für die erforderlichen Rechenoperationen gibt.  Außerdem stehen immer größere Datenmengen unproblematisch, für das initiale Training der neuronalen Netze, zur Verfügung .

Bereits 2011 nahmen sich die Forscher des Google X Labs die Datenbanken von Youtube vor und extrahierten zehn Millionen Standbilder. Die Aufnahmen fütterten sie anschließend in das "Google Brain" – ein Netzwerk aus 1000 Computern. Drei Tage lang lernte die Maschine, suchte nach wiederkehrenden Mustern und entschied schließlich, dass sich die Bilderflut in eine Anzahl von Kategorien einteilen lässt: menschliche Gesichter, menschliche Körper und Katzen.

Ein Beispiel von Deep Learning tragen wir alle bei uns: Spracherkennung im Smartphone, beispielsweise SIRI von Apple. Fragen sie beispielsweise ihr Handy nach der Fahrzeit von München nach Stuttgart, dann bekommen sie in Millisekunden die Antwort von ihrem Handy: „Das aktuelle Verkehrsaufkommen von München Richtung Stuttgart ist normal. Es dauert ungefähr 3 Stunden und 2 Minuten, wenn du über „A8“ fährst.“

Solche Antworten aus dem Smartphone kommen vielen heute normal vor. Sie sind aber bemerkenswert und erst seit wenigen Jahren möglich. Die Fahrzeit und Routenplanung gab es schon in Navigationssystemen vor zwei Jahrzehnten. Aber, dass Smartphones menschliche Sprache verstehen, ist alles andere als trivial – das gelingt nur mit Maschinen, die kontinuierlich dazulernen. Vergleichen Sie das einmal mit den Ergebnissen der Spracherkennung, als diese noch mit einzelnen Sprechern trainiert werden mussten.

Convolutional Neural Network (CNN)

Convolutional Neural Network bedeutet im Deutschen „Gefaltetes Neuronales Netzwerk“. Es handelt sich um eine Sonderform eines neuronalen Netzes, das speziell für maschinelles Lernen und die Verarbeitung von Bild- oder Audiodaten vorgesehen ist.

Zunächst erkennt das CNN in den ersten Ebenen einfache Strukturen, wie Linien, Farbtupfer oder Kanten und fügt dann Informationen hinzu, während es seine Vorhersagen wiederholt. Im letzten Schritt werden die Ergebnisse den zu erkennenden Klassen oder Objekten zugeordnet.

Künstliche Intelligenz beschleunigt und optimiert Unternehmensprozesse

Künstliche Intelligenz (KI) gilt als digitale Schlüsseltechnologie der Zukunft. KI-basierte Computersysteme können den Verkehr steuern, die Produktion optimieren und bei medizinischen Diagnosen unterstützen. Für den Einsatz von KI im Unternehmen gilt es, in einem ersten Schritt die Anwendungsmöglichkeiten zu identifizieren. Dabei können die folgenden Anwendungsbereiche eine erste Orientierung bieten.

Bilderkennung und -analyse

Mit KI lassen sich Merkmale, Muster und Anomalien in Bildern oder Videos erkennen – etwa Linien, auffällige Regionen oder auch Menschen, Tiere, Objekte, Schrift, sowie Aktionen oder Bewegungen. Beispielhafte Anwendungsbereiche der Bilderkennung und -analyse sind:

• Erkennung von Schäden, zum Beispiel in der industriellen Produktion oder in der Schadenbearbeitung einer Versicherung
• Erkennung von Anomalien bei Röntgenaufnahmen
• Gesichtserkennung
• Fahrzeug-Assistenzsysteme, Unfallvermeidung

Datenmanagement und -analyse

Mit KI lassen sich Muster in großen Datenmengen problemlos erkennen. So kann beispielsweise eine trainierte KI in Finanzdaten Auffälligkeiten entdecken und so Betrugsversuche verhindern.

Daten zu erfassen, auszuwählen, zu bereinigen und anschließend zu analysieren und interpretieren ist ein aufwändiger Prozess, der neben methodischem Know-how idealerweise auch Domänenwissen für die jeweiligen Anwendungen erfordert.

Erkennung und Analyse von Text und Sprache

In großen Mengen an Text- oder Sprachdaten lassen sich mit der KI ebenso Muster erkennen. So können beispielweise Texte klassifiziert, übersetzt oder auch Beziehungen in Texten erkannt werden.

Mensch-Maschine-Interaktion

Durch selbstlernende Algorithmen kann uns KI im Arbeitsalltag bei vielen Aufgaben unterstützen oder einige davon gänzlich übernehmen. Dazu müssen die Schnittstellen so gestaltet sein, dass der Mensch mittels Sprachsteuerung, Körpersprache und Gesten möglichst einfach und intuitiv mit der KI kommunizieren kann. Beispielhafte Anwendungsbereiche der Mensch-Maschine-Interaktion sind:

• medizinische Diagnostik, Therapie und Pflege
• komplexe Fertigungsprozesse
• Regulierung von Versicherungsfällen
• Kundenkommunikation über Chatbots

Im Artikel Einsatzmöglichkeiten von Künstlicher Intelligenz (KI) im Input Management befassen wir uns vertiefend mit einem konkreten Anwendungsfall.