KI - eine Übersicht

Daniel Frei (Autor)

Auch führende Fachpersonen sind sich nicht einig darüber, wohin wir uns zusammen mit der künstlichen Intelligenz hin bewegen. Es sind weitere Untersuchungen notwendig um die Frage "wie können  Menschen mit der KI koexistieren?" zu beantworten. Wie können negativen Auswirkungen der Technologie minimiert werden? Wie können die sich ergebenden Potentiale genutzt werden? 

KI als strategische Technologie

Eine allgemein anerkannte oder gültige Definition von KI besteht nicht. In der Praxis wird KI als Fähigkeit einer Maschine, aus Erfahrungen zu lernen, sich an neue Eingaben anzupassen und menschenähnliche Aufgaben zu übernehmen bezeichnet. Und ganz so neu ist der Begriff selbst auch nicht mehr. Bereits in den 1950ern wurde an der künstlichen Intelligenz geforscht. Mit dem Fortschritt von Big Data (bspw. Verarbeitungsgeschwindigkeiten, Speicherkapazitäten, Datenverfügbarkeiten) steht heutzutage ein nutzbares Fundament für KI zur Verfügung. An Fachkongressen wird darüber debattiert und in Unternehmen werden KI gestützte Funktionen realisiert. Der KI Wachstum scheint rasch zuzunehmen und die Kosten sich gleichzeitig zu reduzieren. Verschiedene Trendstudien führen die künstliche Intelligenz als strategische Technologie Nr. 1 auf.

KI für die Entscheidungsfindung

Die Verbesserung von Entscheidungen, resp. den Weg zu diesen, setzt die Fähigkeit voraus, KI zu nutzen. Mit diesen Fähigkeiten können neue Geschäftsmodelle und Ökosysteme gestaltet, Produkte und Leistungen verbessert und Prozesse weiter optimiert werden. Eine Gartner-Umfrage (2018) ergab, dass 59 % der Unternehmen noch dabei sind, ihre KI Strategie zu entwickeln. Die anderen 41% sind bereits an der Entwicklung von KI-Prototypen oder entsprechender Einführungen. Wir können annehmen, dass sich die Einführungen in den vergangenen ca. 4 Jahren weiterentwickelt haben. Die Erfahrungen aus diesen KI-Vorhaben zeigen, dass die Herausforderungen ähnlich wie mit vielen neuen Technologien ausfallen. Welche Konsequenzen hat dies für die ICT-Architektur, die Innovation, die Informationssicherheit und den Datenschutz, welches Knowhow ist dazu erforderlich und welche "menschlichen" Erwartungen bestehen? Dies führt nicht selten zu Unsicherheiten,  welche verzögerte Weiterbearbeitungen an den bestehenden KI-Potentialen nach sich ziehen.

Aufbau von KI-Systemen

Als kleines Fundament für die nachfolgenden Ausführungen  gebe ich hier zuerst einen kleinen Überblick zum möglichen, technischen Aufbau eines KI-Systems.

Rule-based inference (vielleicht als "regelbasierte Schlussfolgerung" interpretierbar)

Aktuell ist dies wahrscheinlich die am häufigsten verwendete Technik. Es kann sein, dass Nippon Steel das erste Unternehmen der Welt war, das ein KI-System für die Hochofensteuerung einsetzte. Fast alle der bis zum Jahr 2000 verwendeten KI-Systeme gehören in die Kategorie der "rule-based inference" Techniken. Dieses Element der KI-Techniken ist auch heute noch aktuell. Die wichtigste Änderung im Laufe der Zeit ist, dass die Regeln ursprünglich von Fachpersonen eruiert wurden, während sie heute eher auf einer automatisierten Methode wie CART (Classification and Regression Trees) oder Assoziationsregel-Mining basieren.

Semantic linguistic analysis (Semantische Sprachanalyse)

Fast ebenso verbreitet sind die verschiedenen Methoden der semantischen Sprachanalyse. Die Verwendung von Karten zum Verständnis der natürlichen Sprache ist eine weitere Technik. Diese Technik ist auch unter dem Begriff der semantischen Netze bekannt. Neuere Systeme, wie beispielweise für medizinische Diagnosen oder für die Analyse von Finanzdaten, verwenden diesen technologischen Ansatz. 

Similarity measures (vielleicht als "Ähnlichkeiten abschätzen" interpretierbar)

Hier sieht das Konzept die Identifizierung von Daten vor, die einer neuen Beobachtung ähnlich oder nahe sind. Beispielsweise können damit neue Texte auf deren Ähnlichkeiten mit bekannten Texten verglichen werden. Dieser Ansatz hat den Vorteil, dass er konzeptionell ziemlich einfach ist. Er unterteilt eine Menge von Beobachtungen in eine vorher festgelegte Anzahl von Clustern (k). Zunächst wird ein zufälliger Satz von k Punkten ausgewählt, die die Zentren der Cluster bilden, dann wird jede Beobachtung dem nächstgelegenen Zentrum zugeordnet. Sobald alle Beobachtungen geclustert sind, wird der Mittelwert jedes Clusters neu berechnet. Diese Punkte werden der neue Satz von Clusterzentren. Der Vorgang wird so lange wiederholt, bis keine Beobachtung mehr den Cluster wechselt.

Neural networks (neuronale Netze)

Neuronale Netze, genauer gesagt künstliche neuronale Netze, sollen die Arbeitsweise des menschlichen Gehirns imitieren und stehen an der Spitze der aktuellen KI-Entwicklung. Jedoch finden sich auch hierzu erste Anwendungen bereits in den 1980er Jahren.

Weitere KI-Techniken

Es bestehen einige weitere Techniken, wie bspw. Bayes'sche Netze, rahmenbasierte Darstellungen (Frames) oder genetische Algorithmen. Frames ermöglichen umfassendere Formen der Wissensrepräsentation als Regeln, aber der Inferenzprozess ist komplexer, daher weniger einfach und schwerer zu verstehen. Genetische Algorithmen ahmen den Prozess der natürlichen Selektion nach. Sie vererben, reproduzieren, mutieren und kreuzen, bis die beste Lösung gefunden wird. Neuronale Netze und genetische Algorithmen sind beides Beispiele für von der Biologie inspirierte Techniken.

Die künstliche Intelligenz in einigen Jahren? Wohin bewegen wir uns mit KI?

Es bestehen dazu einige Versprechen und Befürchtungen. Wie die letzten Jahrzehnte zeigen, könnte der KI-Einsatz zur Entscheidungsfindung eine der wichtigsten Anwendungen werden. 

KI-Systeme können als Unterstützung von menschlicher Arbeit oder als Ersatz dieser kategorisiert werden. Dahinter stecken wahrscheinlich auch gleich die beiden Ausprägungen Chancen und Risiken. Die Rollen der KI können in diesem Kontext auch mit den Ebenen "strategische, taktische und operative Entscheidungsfindung" beschrieben werden.

• KI-System als Ersatzfunktion für operative und taktische Entscheidungen, jedoch mit Limitationen für strategische Entscheidungen.
• KI-Systeme in einer unterstützenden Rolle können helfen, bessere Entscheidungen zu treffen. Dies sollte auf allen drei Entscheidungsebenen möglich sein. Die Wirksamkeit bleibt hierbei jedoch den Benutzenden vorbehalten.
• KI-Systeme in einer unterstützenden Rolle bringen den Benutzenden nicht unbedingt Zeitersparnisse, jedoch hat es Potential, die Entscheidungsfindung selbst zu verbessern.

Einiges deutet darauf hin, dass angesichts bisheriger  Erfahrungen mit KI-Technologien an stabilen und vertrauten Umgebungen gearbeitet werden sollte. Dies könnten beispielsweise sein:

• Automatisierung von standardisierten Abläufen wie Backoffice-, Verwaltungs- und Supportprozessen. Hierzu kann mit Hilfe von "Robotic Process Automation" das Erkennen von Mustern in Daten und deren Interpretation gefördert werden.
• Einbindung von Mitarbeitenden und Kunden mit Hilfe von Chatbots mit natürlicher Sprachverarbeitung, intelligenten Agenten und maschinellem Lernen.
• Entwicklung von fortschrittlichen Maschinen, welche komplexere Aufgaben übernehmen. Hierzu gehören beispielsweise kognitive Fähigkeiten, welche Emotionen erkennen und damit Prozesse steuern.

Die Anzahl von Aufgaben, welche durch KI-Systeme autonom und ohne weitere Überwachung durchgeführt werden können, wird mit hoher Wahrscheinlichkeit zunehmen. Wie können Menschen und künstliche Intelligenzen miteinander agieren? Dazu scheint die intensive Auseinandersetzung mit kritischen Erfolgsfaktoren wichtig. KI wird durch Big Data neu belebt und leistungsfähiger als je zuvor. Doch während der technologische Fortschritt unbegrenzt ist, stossen die Anwendungen auf Engpässe und ganz neue Hindernisse. 

Im Quelldokument dieses Beitrags "International Journal of Information Management. Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda sind dazu 12 Thesen formuliert. Diese möchte ich hier in der Originalform wiedergeben:

1. Defining AI can be difficult, so it is necessary and beneficial to re-define the concept of AI and related terms to reflect the changing nature of AI development and applications in the era of Big Data.
2. Measuring the benefit of AI and ist impact is very difficult, but possible. Therefore, there is a need to develop and test theoretically sound and practically feasible AI impact indicators to measure ist benefits.
3. It is necessary to theorise the use of AI and its impact on decision making, therefore an integrated conceptual framework is needed to provide a systematic understanding of AI for decision making.
4. AI can play multiple roles in decision making, but AI will be mostly accepted by human decision makers as a decision support/augmentation tool rather than as the automation of decision making to replace them.
5. The ergonomic design of AI systems is important for their success, but the ergonomic issues are different between supporting, augmenting, replacing, or automating systems.
6. AI systems performance for decision making can be refined and improved by deep learning while the systems are in use by decision makers.
7. AI users’ personal traits and knowledge and understanding of AI will significantly affect the use and success of AI.
8. There are a set of critical factors that will significantly affect AI’s success for decision making.
9. There is a necessity to fully understand the synergy of AI and Big Data and its implications for AI research and practice.
10. The acceptance of AI for decision making can be affected by different cultures and personal values.
11. The acceptance and successful application of AI for decision making may result in a change of culture in organisations and in individual behaviour.
12. Government plays a critical role in safeguarding the impact of AI on society.