Definition

Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere durch Computersysteme. Zu den spezifischen Anwendungen der KI gehören Expertensysteme, Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), Spracherkennung und maschinelles Sehen (Machine Vision).

Wie KI funktioniert

Mit dem zunehmenden Hype um KI haben sich die Anbieter darum bemüht, die Nutzung von KI in ihren Produkten und Dienstleistungen zu bewerben. Oft ist das, was sie als KI bezeichnen, nur eine Komponente der künstlichen Intelligenz, wie zum Beispiel maschinelles Lernen (Machine Learning). KI erfordert eine Grundlage aus spezialisierter Hardware und Software zum Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Es gibt keine Programmiersprache, die gleichbedeutend mit KI ist, aber einige, darunter Python, R und Java, sind sehr beliebt.

Im Allgemeinen funktionieren KI-Systeme, indem sie große Mengen gelabelter Trainingsdaten aufnehmen, die Daten auf Korrelationen und Muster analysieren und diese Muster nutzen, um Vorhersagen über zukünftige Zustände zu treffen. Auf diese Weise kann ein Chatbot, der mit Beispielen von Textchats gefüttert wird, lernen, lebensnahe Dialoge mit Menschen zu führen, oder ein Bilderkennungsprogramm kann lernen, Objekte in Bildern zu identifizieren und zu beschreiben, indem es Millionen von Beispielen überprüft.

Die KI-Programmierung konzentriert sich auf drei kognitive Fähigkeiten: Lernen, logisches Denken und Selbstkorrektur.

Lernprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie die Daten in verwertbare Informationen umgewandelt werden können. Die Regeln, die als Algorithmen bezeichnet werden, geben den Computergeräten Schritt-für-Schritt-Anweisungen, wie eine bestimmte Aufgabe zu erledigen ist.

Logikprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Auswahl des richtigen Algorithmus, um ein gewünschtes Ergebnis zu erzielen.

Selbstkorrekturprozesse. Dieser Aspekt der KI-Programmierung dient der kontinuierlichen Feinabstimmung der Algorithmen, um sicherzustellen, dass sie möglichst genaue Ergebnisse liefern.

Die Bedeutung von künstlicher Intelligenz

Künstliche Intelligenz ist wichtig, weil sie Unternehmen Einblicke in ihre Abläufe verschaffen kann, die ihnen zuvor vielleicht nicht bewusst waren, und weil KI in einigen Fällen Aufgaben besser erledigen kann als Menschen. Insbesondere bei sich wiederholenden, detailorientierten Aufgaben wie der Analyse einer großen Anzahl von Rechtsdokumenten, um sicherzustellen, dass die relevanten Felder korrekt ausgefüllt sind, erledigen KI-Tools die Aufgaben oft schnell und mit relativ wenigen Fehlern.

Dies hat zu einer explosionsartigen Steigerung der Effizienz beigetragen und einigen größeren Unternehmen völlig neue Geschäftsmöglichkeiten eröffnet. Vor der aktuellen KI-Welle wäre es schwer vorstellbar gewesen, dass eine Computersoftware Fahrer mit Taxis verbindet, aber heute ist Uber eines der größten Unternehmen der Welt, da es genau das tut. Uber nutzt ausgeklügelte Algorithmen des maschinellen Lernens, um vorherzusagen, wann Menschen in bestimmten Gebieten wahrscheinlich eine Fahrt benötigen, und kann so proaktiv Fahrer auf die Straße bringen, bevor sie gebraucht werden. Ein weiteres Beispiel: Google hat sich zu einem der größten Anbieter einer Reihe von Online-Diensten entwickelt, indem es maschinelles Lernen einsetzt, um zu verstehen, wie Menschen seine Dienste nutzen, und diese dann verbessert. Im Jahr 2017 verkündete der CEO des Unternehmens, Sundar Pichai, dass Google als ein „AI first“-Unternehmen agieren würde.

Die größten und erfolgreichsten Unternehmen von heute nutzen KI, um ihre Abläufe zu verbessern und sich einen Vorteil gegenüber ihren Konkurrenten zu verschaffen.

Die Vor- und Nachteile künstlicher Intelligenz

Künstliche neuronale Netze (KNN) und Deep-Learning-Technologien mit künstlicher Intelligenz entwickeln sich rasant weiter, vor allem weil KI große Datenmengen schneller verarbeitet und genauere Vorhersagen macht, als es dem Menschen möglich ist.

Während die riesigen Datenmengen, die täglich anfallen, einen menschlichen Forscher überfordern, können KI-Anwendungen, die maschinelles Lernen nutzen, diese Daten schnell in verwertbare Informationen umwandeln. Zum jetzigen Zeitpunkt besteht der Hauptnachteil des Einsatzes von KI darin, dass die Verarbeitung der großen Datenmengen, die für die KI-Programmierung erforderlich sind, teuer ist.

Vorteile

  • Gut geeignet für detailorientierte Aufgaben;
  • geringerer Zeitaufwand für datenintensive Aufgaben;
  • liefert konsistente Ergebnisse; und
  • KI-gestützte virtuelle Agenten sind immer verfügbar.

Nachteile

  • Teuer;
  • erfordert umfassendes technisches Fachwissen;
  • begrenztes Angebot an qualifizierten Arbeitskräften für die Entwicklung von KI-Tools;
  • weiß nur, was ihm gezeigt wurde; und
  • mangelnde Fähigkeit zur Verallgemeinerung von einer Aufgabe auf eine andere.

Starke KI versus schwache KI

KI kann entweder als schwach oder stark kategorisiert werden.

Schwache KI, auch bekannt als enge KI, ist ein KI-System, das für die Ausführung einer bestimmten Aufgabe entwickelt und trainiert wurde. Industrieroboter und virtuelle persönliche Assistenten, wie zum Beispiel Siri von Apple, verwenden schwache KI.

Starke KI, auch bekannt als künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI), beschreibt eine Programmierung, die die kognitiven Fähigkeiten des menschlichen Gehirns nachbilden kann. Wenn ein starkes KI-System mit einer unbekannten Aufgabe konfrontiert wird, kann es mit Fuzzy-Logik Wissen aus einem Bereich auf einen anderen anwenden und selbstständig eine Lösung finden. Theoretisch sollte ein starkes KI-Programm in der Lage sein, sowohl einen Turing-Test als auch den Test des chinesischen Zimmers zu bestehen.

Die vier Arten von künstlicher Intelligenz

Arend Hintze, Assistenzprofessor für integrative Biologie, Computerwissenschaft und Ingenieurwesen an der Michigan State University, erklärte in einem Artikel aus dem Jahr 2016, dass KI in vier Arten unterteilt werden kann, angefangen bei den aufgabenspezifischen intelligenten Systemen, die heute weit verbreitet sind, bis hin zu empfindungsfähigen Systemen, die noch nicht existieren. Die vier Kategorien sind:

  • Typ 1: Reaktive Maschinen (Reactive Machines). Diese KI-Systeme haben keinen Speicher und sind aufgabenspezifisch. Ein Beispiel ist Deep Blue, das IBM-Schachprogramm, das Garri Kasparow in den 1990er Jahren besiegte. Deep Blue kann Figuren auf dem Schachbrett erkennen und Vorhersagen treffen, aber da es kein Gedächtnis hat, kann es nicht auf frühere Erfahrungen zurückgreifen, um künftige Erfahrungen zu nutzen.
  • Typ 2: Begrenzte Speicherkapazität (Limited Memory). Diese KI-Systeme verfügen über ein Gedächtnis, so dass sie auf frühere Erfahrungen zurückgreifen können, um künftige Entscheidungen zu treffen. Einige der Entscheidungsfunktionen in selbstfahrenden Autos sind auf diese Weise konzipiert.
  • Typ 3: Theorie des Geistes (Theory of Mind). Theorie des Geistes ist ein Begriff aus der Psychologie. Auf die KI angewandt bedeutet er, dass das System über die soziale Intelligenz verfügt, Emotionen zu verstehen. Diese Art von KI wird in der Lage sein, menschliche Absichten zu erkennen und Verhalten vorherzusagen – eine Fähigkeit, die KI-Systeme benötigen, um integrale Mitglieder menschlicher Teams zu werden.
  • Typ 4: Selbstwahrnehmung. In dieser Kategorie haben KI-Systeme einen Sinn für sich selbst, was ihnen ein Bewusstsein verleiht. Maschinen mit Selbstbewusstsein verstehen ihren eigenen aktuellen Zustand. Diese Art von KI gibt es noch nicht.
Arten von KI
Abbildung 1: Die vier Arten der künstlichen Intelligenz.

Beispiele für KI-Technologie

KI wird in einer Vielzahl unterschiedlicher Technologien eingesetzt. Hier sind sechs Beispiele:

Automatisierung. In Verbindung mit KI-Technologien können Automatisierungs-Tools den Umfang und die Art der ausgeführten Aufgaben erweitern. Ein Beispiel dafür ist die robotergestützte Prozessautomatisierung (Robotic Process Automation, RPA), eine Art von Software, die wiederholende, regelbasierte Aufgaben automatisiert verarbeitet, die traditionell von Menschen erledigt werden. In Kombination mit maschinellem Lernen und neuen KI-Tools kann RPA größere Teile von Unternehmensaufgaben automatisieren, so dass die taktischen Bots von RPA die Erkenntnisse der KI weitergeben und auf Prozessänderungen reagieren können.

Maschinelles Lernen. Dies ist die Wissenschaft davon, wie man einen Computer dazu bringt, ohne Programmierung zu handeln. Deep Learning ist ein Teilbereich des maschinellen Lernens, den man vereinfacht als die Automatisierung der prädiktiven Analyse (Predictive Analytics) bezeichnen kann. Es gibt drei Arten von Algorithmen für maschinelles Lernen:

  • Überwachtes Lernen. Datensätze werden mit einem Label versehen, so dass Muster erkannt und zur Kennzeichnung neuer Datensätze verwendet werden können.
  • Unüberwachtes Lernen. Die Datensätze sind nicht gelabelt und werden nach Ähnlichkeiten oder Unterschieden sortiert.
  • Bestärkendes Lernen. Die Datensätze sind nicht gelabelt, aber das KI-System erhält nach der Durchführung einer oder mehrerer Aktionen eine Rückmeldung.

Maschinelles Sehen. Diese Technologie verleiht einer Maschine die Fähigkeit zu sehen. Maschinelles Sehen (Machine Vision) erfasst und analysiert visuelle Informationen mit einer Kamera, Analog-Digital-Umwandlung und digitaler Signalverarbeitung. Sie wird oft mit dem menschlichen Sehvermögen verglichen, aber das maschinelle Sehen ist nicht an die Biologie gebunden und kann so programmiert werden, dass es zum Beispiel durch Wände hindurchsieht. Es wird in einer Reihe von Anwendungen eingesetzt, von der Unterschriftenerkennung bis zur medizinischen Bildanalyse. Computer Vision, die sich auf die maschinelle Bildverarbeitung konzentriert, wird oft mit maschinellem Sehen verwechselt.

Verarbeitung natürlicher Sprache. Hierbei handelt es sich um die Verarbeitung der menschlichen Sprache durch ein Computerprogramm (Natural Language Processing, NLP). Eines der älteren und bekanntesten Beispiele für NLP ist die Spam-Erkennung, bei der anhand der Betreffzeile und des Textes einer E-Mail entschieden wird, ob es sich um Junk-Mails handelt. Aktuelle NLP-Ansätze beruhen auf maschinellem Lernen. Zu den NLP-Aufgaben gehören Textübersetzung, Stimmungsanalyse und Spracherkennung.

Robotik. Dieser Bereich der Technik befasst sich mit der Entwicklung und Herstellung von Robotern. Roboter werden häufig für Aufgaben eingesetzt, die von Menschen nur schwer oder gar nicht ausgeführt werden können. So werden Roboter beispielsweise in Fließbändern für die Autoproduktion eingesetzt oder von der NASA, um große Objekte im Weltraum zu bewegen. Forscher nutzen auch maschinelles Lernen, um Roboter zu entwickeln, die in einem sozialen Umfeld interagieren können.

Selbstfahrende Autos. Autonome Fahrzeuge nutzen eine Kombination aus Computer Vision, Bilderkennung und Deep Learning, um automatisierte Fähigkeiten zur Steuerung eines Fahrzeugs zu entwickeln, während sie in einer bestimmten Spur bleiben und unerwarteten Hindernissen wie Fußgängern ausweichen.

Komponenten der KI
Abbildung 2: Welche Komponenten KI umfasst.

KI-Anwendungen

Künstliche Intelligenz hat in einer Vielzahl von Märkten Einzug gehalten. Hier sind neun Beispiele.

KI im Gesundheitswesen. Die größten Hoffnungen ruhen auf der Verbesserung der Untersuchungsergebnisse und der Senkung der Kosten. Unternehmen setzen maschinelles Lernen ein, um bessere und schnellere Diagnosen zu stellen als Menschen. Eine der bekanntesten Technologien im Gesundheitswesen ist IBM Watson. Es versteht natürliche Sprache und kann auf Fragen antworten, die ihm gestellt werden. Das System wertet Patientendaten und andere verfügbare Datenquellen aus, um eine Hypothese zu bilden, die es dann mit einem Vertrauensbewertungsschema präsentiert. Weitere KI-Anwendungen sind virtuelle Online-Gesundheitsassistenten und Chatbots, die Patienten und Kunden im Gesundheitswesen dabei helfen, medizinische Informationen zu finden, Termine zu vereinbaren, den Abrechnungsprozess zu verstehen und andere Verwaltungsvorgänge zu erledigen. Eine Reihe von KI-Technologien wird auch eingesetzt, um Pandemien wie COVID-19 vorherzusagen, zu bekämpfen und zu verstehen.

KI in der Wirtschaft. Algorithmen des maschinellen Lernens werden in Analyse- und CRM-Plattformen (Customer Relationship Management) integriert, um Informationen darüber zu erhalten, wie man Kunden besser bedienen kann. Chatbots wurden in Websites integriert, um den Kunden sofortigen Service zu bieten. Die Automatisierung von Arbeitsplätzen ist auch unter Akademikern und IT-Analysten zu einem Thema geworden.

KI im Bildungswesen. KI kann Schüler einschätzen, sich an ihre Bedürfnisse anpassen und ihnen helfen, in ihrem eigenen Tempo zu arbeiten. KI-Tutoren können Schüler zusätzlich unterstützen und sicherstellen, dass sie auf dem richtigen Weg bleiben. Und sie kann verändern, wo und wie Schüler lernen, und vielleicht sogar einige Lehrer ersetzen.

KI im Finanzwesen. KI in Anwendungen für persönliche Finanzen, wie Intuit Mint oder TurboTax, ist dabei, Finanzinstitute zu verändern. Anwendungen wie diese sammeln persönliche Daten und bieten Finanzberatung. Andere Programme, wie zum Beispiel IBM Watson, wurden auf den Prozess des Hauskaufs angewandt. Heute wird ein Großteil des Handels an der Wall Street durch Software mit künstlicher Intelligenz abgewickelt.

KI im Rechtswesen. Der Rechercheprozess – das Durchsuchen von Dokumenten – in der Rechtswissenschaft ist für Menschen oft überwältigend. Der Einsatz von KI zur Automatisierung der arbeitsintensiven Prozesse in der Rechtsbranche spart Zeit und verbessert den Kundenservice. Anwaltskanzleien nutzen maschinelles Lernen zur Beschreibung von Daten und zur Vorhersage von Ergebnissen, Computer Vision zur Klassifizierung und Extraktion von Informationen aus Dokumenten und natürliche Sprachverarbeitung zur Interpretation von Informationsanfragen.

KI in der Fertigung. Das verarbeitende Gewerbe hat bei der Integration von Robotern in den Arbeitsablauf eine Vorreiterrolle übernommen. Die Industrieroboter, die früher für die Ausführung einzelner Aufgaben programmiert und von den menschlichen Arbeitern getrennt waren, arbeiten heute zunehmend als Cobots: Kleinere, multitasking-fähige Roboter, die mit Menschen zusammenarbeiten und in Lagerhallen, Fabrikhallen und anderen Arbeitsbereichen die Verantwortung für weitere Teile der Arbeit übernehmen.

KI im Bankwesen. Banken setzen Chatbots ein, um ihre Kunden auf Dienstleistungen und Angebote aufmerksam zu machen und um Transaktionen abzuwickeln, die kein menschliches Eingreifen erfordern. Virtuelle KI-Assistenten werden eingesetzt, um die Einhaltung von Bankvorschriften zu verbessern und die Kosten dafür zu senken. Banken nutzen KI auch, um die Entscheidungsfindung bei der Kreditvergabe zu verbessern, Kreditlimits festzulegen und Investitionsmöglichkeiten zu erkennen.

KI im Transportwesen. Neben der grundlegenden Rolle der KI beim Betrieb autonomer Fahrzeuge werden KI-Technologien im Transportwesen eingesetzt, um den Verkehr zu regeln, Flugverspätungen vorherzusagen und die Schifffahrt sicherer und effizienter zu machen.

KI im Security-Bereich. KI und maschinelles Lernen stehen ganz oben auf der Liste der Schlagworte, mit denen Sicherheitsanbieter heute ihre Angebote differenzieren. Diese Begriffe stehen auch für praktikable Technologien. Unternehmen nutzen maschinelles Lernen in SIEM-Software (Security Information and Event Management) und verwandten Bereichen, um Anomalien zu erkennen und verdächtige Aktivitäten zu identifizieren, die auf Bedrohungen hinweisen. Durch die Analyse von Daten und die Verwendung von Logik, um Ähnlichkeiten mit bekanntem bösartigem Code zu erkennen, kann KI viel früher als menschliche Mitarbeiter und frühere Technologie-Iterationen Warnungen vor neuen und aufkommenden Angriffen liefern. Die ausgereifte Technologie spielt eine wichtige Rolle bei der Abwehr von Cyberangriffen.

Erweiterte Intelligenz versus künstliche Intelligenz

Einige Branchenexperten sind der Meinung, dass der Begriff künstliche Intelligenz zu eng mit der Populärkultur verbunden ist, was in der breiten Öffentlichkeit zu unwahrscheinlichen Erwartungen darüber geführt hat, wie KI den Arbeitsplatz und das Leben im Allgemeinen verändern wird.

Erweiterte Intelligenz. Einige Forscher und Vermarkter hoffen, dass die Bezeichnung erweiterte Intelligenz, die eine neutralere Konnotation hat, dazu beiträgt, dass die Menschen verstehen, dass die meisten KI-Implementierungen schwach sind und lediglich Produkte und Dienstleistungen verbessern. Beispiele hierfür sind die automatische Aufdeckung wichtiger Informationen in Business-Intelligence-Berichten oder die Hervorhebung wichtiger Informationen in juristischen Unterlagen.

Künstliche Intelligenz. Echte KI oder künstliche allgemeine Intelligenz ist eng mit dem Konzept der technologischen Singularität verbunden – einer Zukunft, die von einer künstlichen Superintelligenz beherrscht wird, die die Fähigkeit des menschlichen Gehirns, sie zu verstehen oder zu verstehen, wie sie unsere Realität gestaltet, weit übersteigt. Dies bleibt im Bereich der Science-Fiction, obwohl einige Entwickler an diesem Problem arbeiten. Viele sind der Meinung, dass Technologien wie das Quantencomputing eine wichtige Rolle dabei spielen könnten, künstliche allgemeine Intelligenz Wirklichkeit werden zu lassen, und dass wir den Begriff KI für diese Art von allgemeiner Intelligenz reservieren sollten.

Ethischer Aspekte künstlicher Intelligenz

Während KI-Tools eine Reihe neuer Funktionen für Unternehmen bieten, wirft der Einsatz von künstlicher Intelligenz auch ethische Fragen auf, da ein KI-System im Guten wie im Schlechten das verstärkt, was es bereits gelernt hat.

Dies kann problematisch sein, da die Algorithmen des maschinellen Lernens, die vielen der fortschrittlichsten KI-Tools zugrunde liegen, nur so intelligent sind wie die Daten, die ihnen beim Training zur Verfügung gestellt werden. Da ein Mensch auswählt, welche Daten zum Trainieren eines KI-Programms verwendet werden, ist das Potenzial für Verzerrungen beim maschinellen Lernen inhärent und muss genau überwacht werden.

Jeder, der maschinelles Lernen als Teil von realen, produktiven Systemen einsetzen möchte, muss ethische Aspekte in seine KI-Trainingsprozesse einbeziehen und sich bemühen, Verzerrungen zu vermeiden. Dies gilt insbesondere für den Einsatz von KI-Algorithmen, die bei Deep Learning und Generative Adversarial Networks (GAN) von Natur aus nicht erklärbar sind.

Die Erklärbarkeit ist ein potenzieller Stolperstein für den Einsatz von KI in Branchen, die strengen regulatorischen Anforderungen unterworfen sind. Beispielsweise sind Finanzinstitute in verschiedenen Ländern dazu verpflichtet, ihre Entscheidungen zur Kreditvergabe zu erklären. Wenn eine Entscheidung über die Ablehnung eines Kredits von einer KI-Programmierung getroffen wird, kann es jedoch schwierig sein zu erklären, wie die Entscheidung zustande gekommen ist, da die KI-Tools, die für solche Entscheidungen verwendet werden, subtile Korrelationen zwischen Tausenden von Variablen herausarbeiten. Wenn der Entscheidungsprozess nicht erklärt werden kann, wird das Programm als Black Box AI bezeichnet. Trotz der potenziellen Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von KI-Tools, und wo es Gesetze gibt, beziehen sie sich in der Regel indirekt auf KI.

Die EU-Datenschutz-Grundverordnung (DSGVO) setzt strenge Grenzen für die Nutzung von Verbraucherdaten durch Unternehmen, was die Ausbildung und Funktionalität vieler verbraucherorientierter KI-Anwendungen behindert.

verantwortungsvolle KI
Abbildung 3: Diese Komponenten machen einen verantwortungsvollen Umgang mit KI aus.

Die Ausarbeitung von Gesetzen zur Regulierung von KI ist nicht einfach, zum einen, weil KI eine Vielzahl von Technologien umfasst, die von Unternehmen zu unterschiedlichen Zwecken eingesetzt werden, und zum anderen, weil die Regulierung auf Kosten des Fortschritts und der Entwicklung von KI gehen kann.

Die schnelle Entwicklung von KI-Technologien ist ein weiteres Hindernis für eine sinnvolle Regulierung von KI. Technologische Durchbrüche und neuartige Anwendungen können bestehende Gesetze sofort überflüssig machen. So decken beispielsweise die bestehenden Gesetze zum Schutz der Privatsphäre von Gesprächen und Gesprächsaufzeichnungen nicht die Herausforderung ab, die Sprachassistenten wie Amazons Alexa und Apples Siri darstellen, die Gespräche sammeln, aber nicht weitergeben – außer an die Technologie-Teams der Unternehmen, die sie zur Verbesserung von Algorithmen für maschinelles Lernen nutzen. Und natürlich halten die Gesetze, die die Regierungen zur Regulierung der KI erlassen, Kriminelle nicht davon ab, die Technologie in böser Absicht zu nutzen.

Cognitive Computing und KI

Die Begriffe KI und Cognitive Computing werden manchmal synonym verwendet, aber im Allgemeinen bezieht sich die Bezeichnung KI auf Maschinen, die die menschliche Intelligenz ersetzen, indem sie simulieren, wie wir Informationen in unserer Umgebung wahrnehmen, lernen, verarbeiten und darauf reagieren.

Die Bezeichnung Cognitive Computing wird in Bezug auf Produkte und Dienstleistungen verwendet, die menschliche Denkprozesse nachahmen und ergänzen.

Die Geschichte der KI

Das Konzept der unbelebten Objekte, die mit Intelligenz ausgestattet sind, gibt es schon seit der Antike. Der griechische Gott Hephaistos wurde in Mythen dargestellt, wie er roboterartige Diener aus Gold schmiedete. Im alten Ägypten bauten Ingenieure Statuen von Göttern, die von Priestern animiert wurden. Im Laufe der Jahrhunderte nutzten Denker von Aristoteles über den spanischen Theologen Ramon Llull aus dem 13. Jahrhundert bis hin zu René Descartes und Thomas Bayes die Werkzeuge und die Logik ihrer Zeit, um menschliche Denkprozesse in Form von Symbolen zu beschreiben, und legten damit den Grundstein für KI-Konzepte wie die allgemeine Wissensrepräsentation.

Das späte 19. und die erste Hälfte des 20. Jahrhunderts brachten die grundlegenden Arbeiten hervor, die als Basis moderner Computer dienen. Im Jahr 1836 entwickelten der Mathematiker Charles Babbage von der Universität Cambridge und Augusta Ada Byron, Gräfin von Lovelace, den ersten Entwurf für eine programmierbare Maschine.

1940er Jahre. Der Princeton-Mathematiker John von Neumann entwickelte die Architektur des speicherprogrammierbaren Computers – die Idee, dass das Programm eines Computers und die Daten, die er verarbeitet, im Speicher des Computers gespeichert werden können. Und Warren McCulloch und Walter Pitts legten den Grundstein für neuronale Netze.

1950er Jahre. Mit dem Aufkommen moderner Computer konnten Wissenschaftler ihre Vorstellungen von maschineller Intelligenz testen. Eine Methode, um festzustellen, ob ein Computer intelligent ist, wurde von dem britischen Mathematiker und Codeknacker des Zweiten Weltkriegs Alan Turing entwickelt. Im Mittelpunkt des Turing-Tests stand die Fähigkeit eines Computers, Vernehmungsbeamten vorzugaukeln, dass seine Antworten auf ihre Fragen von einem Menschen stammten.

1956. Der moderne Bereich der künstlichen Intelligenz wurde in diesem Jahr auf einer Sommerkonferenz am Dartmouth College begründet. An der von der Defense Advanced Research Projects Agency (DARPA) gesponserten Konferenz nahmen zehn Koryphäen auf diesem Gebiet teil, darunter die KI-Pioniere Marvin Minsky, Oliver Selfridge und John McCarthy, der den Begriff der künstlichen Intelligenz geprägt haben soll. Ebenfalls anwesend waren der Informatiker Allen Newell und der Wirtschaftswissenschaftler, Politologe und Kognitionspsychologe Herbert A. Simon, die ihr bahnbrechendes Programm Logic Theorist vorstellten, ein Computerprogramm, das in der Lage war, bestimmte mathematische Theoreme zu beweisen und als erstes KI-Programm bezeichnet wurde.

Machine-Learning-Zeitleiste
Abbildung 4: Die Entwicklung von KI und Machine Learning seit den 1940er Jahren.

1950er und 1960er Jahre. Im Anschluss an die Konferenz am Dartmouth College sagten führende Köpfe auf dem noch jungen Gebiet der KI voraus, dass eine dem menschlichen Gehirn gleichwertige künstliche Intelligenz kurz bevorstehe, und erhielten dafür große Unterstützung von Regierung und Industrie. Tatsächlich führten fast 20 Jahre gut finanzierter Grundlagenforschung zu bedeutenden Fortschritten auf dem Gebiet der KI: Ende der 1950er Jahre veröffentlichten Newell und Simon beispielsweise den GPS-Algorithmus (General Problem Solver), der zwar nicht in der Lage war, komplexe Probleme zu lösen, aber den Grundstein für die Entwicklung anspruchsvollerer kognitiver Architekturen legte; McCarthy entwickelte Lisp, eine Programmiersprache für KI, die auch heute noch verwendet wird. Mitte der 1960er Jahre entwickelte MIT-Professor Joseph Weizenbaum ELIZA, ein frühes Programm zur Verarbeitung natürlicher Sprache, das die Grundlage für die heutigen Chatbots bildete.

1970er und 1980er Jahre. Doch die Erreichung einer allgemeinen künstlichen Intelligenz stand nicht unmittelbar bevor, sondern wurde durch die Grenzen der Computerverarbeitung und des Speichers sowie durch die Komplexität des Problems behindert. Regierung und Unternehmen zogen sich aus der Unterstützung der KI-Forschung zurück, was zu einer Brachperiode von 1974 bis 1980 führte, die als der erste KI-Winter bekannt wurde. In den 1980er Jahren lösten die Forschung zu Deep-Learning-Techniken und die Übernahme von Edward Feigenbaums Expertensystemen durch die Industrie eine neue Welle der KI-Begeisterung aus, auf die jedoch ein erneuter Einbruch der staatlichen Finanzierung und der Unterstützung durch die Industrie folgte. Der zweite KI-Winter dauerte bis Mitte der 1990er Jahre.

1990er Jahre bis heute. Die Steigerung der Rechenleistung und die Explosion der Datenmengen lösten in den späten 1990er Jahren eine Renaissance der KI aus, die bis heute anhält. Die jüngste Konzentration auf KI hat zu Durchbrüchen unter anderen in den Bereichen Verarbeitung natürlicher Sprache, Computer Vision, Robotik, maschinelles Lernen und Deep Learning. Darüber hinaus wird KI immer greifbarer, treibt Autos an, diagnostiziert Krankheiten und festigt ihre Rolle in der Popkultur. Im Jahr 1997 besiegte Deep Blue von IBM den russischen Schachgroßmeister Garry Kasparov und war damit das erste Computerprogramm, das einen Schachweltmeister besiegte. Vierzehn Jahre später zog IBM Watson die Öffentlichkeit in seinen Bann, als es in der Spielshow Jeopardy! zwei ehemalige Champions besiegte. In jüngster Zeit verblüffte die historische Niederlage des 18-fachen Go-Weltmeisters Lee Sedol gegen AlphaGo von Google DeepMind die Go-Gemeinde und markierte einen wichtigen Meilenstein in der Entwicklung intelligenter Maschinen.

KI als Cloud-Service

Da Hardware-, Software- und Personalkosten für KI teuer sein können, nehmen viele Anbieter KI-Komponenten in ihre Standardangebote auf oder bieten Zugang zu Plattformen für künstliche Intelligenz als Service (AI as a Service, AIaaS). AIaaS ermöglicht es Einzelpersonen und Unternehmen, mit KI für verschiedene Geschäftszwecke zu experimentieren und mehrere Plattformen auszuprobieren, bevor sie eine Verpflichtung eingehen.

Zu den beliebten KI-Cloud-Anbietern und Angeboten gehören:

Diese Definition wurde zuletzt im Oktober 2021 aktualisiert

Erfahren Sie mehr über Softwareentwicklung

ComputerWeekly.de
Close