Künstliche Intelligenz - KI

Teilweise wird KI sogar als Zentrum der vierten Revolution, also der Industrie 4.0 gesehen. Daher ist es für Unternehmen zwingend erforderlich sich mit diesem Themengebiet zu beschäftigen, denn der richtige Einsatz dieser Technologien kann zu entscheidenden Wettbewerbsvorteilen führen.

Zunächst sind für ein allgemeines Verständnis die Begriffe KI, Machine Learning und Deep Learning voneinander abzugrenzen. Der Sammelbegriff KI (engl. Artificial Intelligence / AI) beschreibt das Konzept, dass Maschinen unterschiedliche Problemstellungen verstehen und in Analogie zur menschlichen Intelligenz selbst interpretieren können. Darauf aufbauend entwickeln sie selbstständig Lösungskonzepte z. B. über eine Trial-and-Error-Methode, anstatt starre, vorgegebene Algorithmen (Rechenvorgänge) immer wieder auszuführen. KI wird also definiert als die Fähigkeit einer Maschine, kognitive Funktionen auszuüben, die wir mit dem menschlichen Verstand in Verbindung bringen, wie z. B. Wahrnehmen, Schlussfolgern, Lernen und Problemlösen. Beispiele für Technologien, die es der KI ermöglichen, Probleme zu lösen, sind Robotik und autonome Fahrzeuge, Computer Vision, Sprache und virtuelle Agenten. Systeme der KI bauen sich somit selbst ein Grundgerüst aus Erfahrungswerten auf und lernen auf dieser Basis dazu. Häufig wird dies mit dem Begriff der nachgeahmten Intelligenz bezeichnet, da es sich um die Nachbildung menschlichen Denkens handelt. 

Ein Unterbereich der KI ist das Machine Learning ("Maschinelles Lernen"). Ein System bzw. eine Maschine wird in die Lage versetzt, durch Algorithmen aus vorgelegten Daten zu lernen. Es ist zwischen den Lernstilen überwachtes, unüberwachtes und verstärkendes Lernen zu unterscheiden (diese werden später detailliert beschrieben). Dabei läuft diese Unterscheidung vor allem darauf hinaus, ob das System das zu erwartende Ergebnis vorweg mitgeteilt bekommt oder es vollständig, durch positives Feedback, richtiges Verhalten erlernt. Damit das System eigenständig lernen und Lösungen finden kann, ist ein vorheriges Handeln vom Menschen notwendig.

Deep Learning ist wiederum ein Teilbereich des Machine Learning und bedeutet, dass Lerneffekte durch künstliche Neuronale Netze erzielt werden. Diese Netze umfassen eine Vielzahl an Schichten aus hierarchisch verbundenen künstlichen Neuronen - mindestens eine Eingabe- und eine Ausgabeschicht, sowie mehr als eine "versteckte" dazwischen liegende Schicht. Künstliche Neuronen sind dabei Knotenpunkte, welche der Informationsverarbeitung dienen. Dabei spannen diese Ebenen von unterschiedlicher Komplexität auf. Diese Netze können alle Arten von Rohdaten verarbeitet, sobald sie als Zahlenvektoren kodiert sind. Das Deep Learning ist besonders zur Anwendung bei ungeordneten Datensätzen geeignet, da keine Clusterung durch den Menschen vorab erforderlich ist.

Wo besteht der Zusammenhang zu Big Data?
Für das Trainieren einer KI ist eine große Datenmenge mit entsprechender Qualität unverzichtbar. Big Data beschreibt eine Datenmenge, welche zu groß und zu komplex ist, um sie mit den traditionellen Datenverarbeitungsmethoden zu verarbeiten. Sowohl die Datenmenge als auch die Datenqualität der zu verarbeitenden Daten ist entscheidend für die Qualität der darauf aufbauenden KI-Lösungen.
Im Folgenden werden zentrale Aspekte der KI, des Machine Learning und des Deep Learning detailliert beschrieben.

Welche Treiber sind für die starke Entwicklung der KI verantwortlich?
Die steigende Bedeutung der KI ist auf drei Haupttreiber zurückzuführen:

• Steigende Rechenleistung: Computer werden immer schneller und immer besser. Nicht zuletzt kam es so zur Bestätigung des Mooreschen Gesetzes, wonach sich Leistung und Speicherkapazität alle anderthalb bis zwei Jahre verdoppelt.

• Zunehmende Datenverfügbarkeit: Durch die zunehmende Vernetzung werden überall und zu jedem Zeitpunkt Daten generiert. Diese Daten können von KI-Systeme zum Lernen genutzt werden.

• Neuartige Algorithmen: Es werden immer ausgereiftere Algorithmen programmiert.

Schwache KI vs. starke KI
Grundsätzlich kann zwischen einer schwachen und einer starken Künstlichen Intelligenz unterschieden werden. Schwache KIs besitzen sogenannte Inselbegabungen und unterstützen den Menschen in einzelnen Bereichen. Die Einsatzbereiche von schwachen KIs nehmen stetig zu. Ein Beispiel dafür sind Navigationssysteme, welche den Menschen dabei unterstützen die schnellste Route zu finden, jedoch nicht gleichzeitig die Fahrtätigkeit selbst übernehmen. Starke KIs dagegen sollen eine umfassende Intelligenz mit eigenem Bewusstsein besitzen. Das bedeutet, sie sollen aus eigenem Antrieb handeln und Fähigkeiten in Form von Vernunft, Empathie, Emotionalität und Kreativität aufweisen. Ihre Existenz ist jedoch bis heute unbekannt.

Wo kann KI angewendet werden?
KI lässt sich in einer Vielzahl von Branchen und Bereichen einsetzen, z. B. in der Produktion, im Lager oder im Controlling. Sprach-, Gesichts- und Bilderkennung werden durch KI zunehmend möglich. Sie kann als Assistenzsystem zum Einsatz kommen, um bei der schnelleren und effizienteren Entscheidungsfindung zu unterstützen. Dafür kann eine KI Kerninformationen mithilfe von Data Mining und Process Mining extrahieren und große Datenmengen schnell auf relevante Informationen untersuchen. Dadurch wird die Analyse und Vorhersage für Handlungsempfehlungen verbessert. Prozesse werden durch KI automatisiert und somit beschleunigt.
Vier Anwendungsfelder lassen sich für den Einsatz unterscheiden:

1. Mustererkennung: Mittels Natural Language Processing und Natural Image Processing können Maschinen Texte in Wort und Schrift erkennen und umwandeln oder auch Bilder und Formen analysieren. Anwendungsbeispiele sind hierbei die Gesichtserkennung zur Einlasskontrolle.
2. Mustervorhersage: Diese Vorhersage ist eine Weiterentwicklung der Musterkennung und dient dazu, frühzeitig Veränderungen oder Bedarfe zu erkennen. Ein Beispiel ist dafür ist Predictive Maintenance, wodurch eine vorausschauende Wartung von Maschinen erreicht wird und eine Verkürzung von Wartungszeiten erzielt werden kann.
3. Experten-Systeme: Diese Computerprogramme sollen den Menschen bei komplexen Fragestellungen unterstützen und den Entscheidungsprozess beschleunigen. Dafür leiten die Systeme aus einer Datenbasis Handlungsempfehlungen ab.
4. Robotik: Roboter sind Technologien, welche den Menschen in besonders mechanischen und operativen Aufgaben unterstützen sollen.

Was sind die Voraussetzung für eine erfolgreiche Implementierung?
Um die vielfältigen Potentiale aus dem Einsatz einer KI ausschöpfen zu können, müssen verschiedene Voraussetzungen von Unternehmen erfüllt werden.

• Daten: Zum Trainieren einer Künstlichen Intelligenz ist die vorhandene Menge an qualitativen Daten entscheidend. Je mehr Daten zum Lernen zur Verfügung stehen, desto besser wird das System.

• IT-Infrastruktur: Eine funktionierende System-Landschaft mit einem IT-System, das einen Datenaustausch ermöglicht, ist eine weitere Grundvoraussetzung für eine erfolgreiche Implementierung.

• Algorithmen: Aufgrund der großen und oftmals unstrukturierten Datenmenge, kann es für Unternehmen schwierig sein, die Lösungen einer KI und ihren Weg dorthin nachzuvollziehen. Um eine breite Akzeptanz bei den Mitarbeitern erreichen zu können, müssen die Algorithmen transparent und nachvollziehbar sein.

• Expertise: Mitarbeiter, die mit der KI zusammenarbeiten sollen, müssen stetig geschult und weitergebildet werden. Nur so kann sichergestellt werden, dass die KI auch sinnvoll zum Einsatz kommt.

• Software: Die Software dient als Grundlage eines künstlich intelligenten Systems. Es muss jedoch nicht für jeden Anwendungsfall eine eigene Software programmiert werden. Für Unternehmen lohnt es sich vorhandene Softwarelösungen auf einen möglichen Einsatz hin zu untersuchen.

Ein Feld der künstlichen Intelligenz ist das maschinelle Lernen. Ein System bzw. eine Maschine wird in die Lage versetzt, durch Algorithmen aus vorgelegten Daten zu lernen, ohne explizit dafür programmiert worden zu sein. Dafür wenden die Computerprogramme statistische Methoden an. Zunächst werden sie mit Lerndaten bespielt, aus denen die selbstlernenden Algorithmen Muster und Gesetzmäßigkeiten erkennen, welche anschließend beispielweise durch einen Entscheidungsbaum abgebildet werden. Diese Ergebnisklassifizierug können die Systeme anschließend auf unbekannte Daten anwenden. Je mehr Bespieldaten zur Verfügung stehen, desto besser sind die Lösungsergebnisse.  Ziel ist es, Daten miteinander zu verknüpfen, daraus Zusammenhänge abzuleiten, Rückschlüsse zu erkennen und Vorhersagen zu treffen.

Welche Lernstile gibt es?
Grundsätzlich wird zwischen den drei Lernstilen überwachtes, unüberwachtes und bestärkendes Lernen unterschieden.

1. Überwachtes Lernen: Ein Algorithmus verwendet Trainingsdate, um das Verhältnis von den gegebenen Inputdaten zu dem ebenfalls gegebenen Output zu lernen z.B. bei der Erkennung von Buchstaben. Dem Programm werden Bilder von handschriftlichen Buchstaben und zusätzliche Informationen zugeführt. Auf Basis dieses Daten kann es dann handschriftlich geschriebene Texte erkennen.
2. Unüberwachtes Lernen: Ein Algorithmus untersucht Eingabedaten, ohne vorher ein konkretes Ergebnis über mögliche Muster zu erhalten. Dabei erkennt das System Muster, welche auch für den Programmierer unbekannt sind.
3. Bestärkendes Lernen: Ein Algorithmus lernt, eine Aufgabe zu bearbeiten, indem er das Ziel verfolgt seine Belohnungen zu maximieren, die er für seine Lösung erhält. Beispielsweise maximiert er seine Punkte, die er für eine Steigerung von Erträgen eines Investitionsportfolios erhält.

Wie lässt sich Machine Learning anwenden?
Durch maschinelle Lernverfahren können Unternehmen die Kundenzufriedenheit und daraus resultierend den eigenen Umsatz steigern, bei einer gleichzeitigen Kostenreduktion. Beispielsweise könnten durch Machine Learning Supportanfragen von Kunden automatisiert analysiert und ausgewertet werden. Merkmale aus Anfragen von bereits abgewanderten Kunden werden extrahiert und die neuen Anfragen daraufhin untersucht. So können besonders gefährdete Kunden zielgerichteter umsorgt werden, um ein Abwandern zu verhindern. Weitere Anwendungsfelder sind z.B. die Spamerkennung bei Mails oder auch die Bilderkennung bei Google.

Deep Learning ist wiederum ein Teilbereich des Maschinellen Lernens und bedeutet, dass Lerneffekte durch Künstliche Neuronale Netze erzielt werden. Dabei kann im Vergleich zum traditionellen Maschine Learning eine größere Bandbreite an Daten verarbeitet werden. Hinzu kommt, dass eine geringere Datenaufbereitung durch den Menschen erforderlich ist und oft ein genaueres Ergebnis erreicht wird.

Was sind Künstliche Neuronale Netze?
Die Künstlichen Neuronalen Netze umfassen eine Vielzahl an Schichten - mindestens eine Eingabe- und eine Ausgabeschicht, sowie mehr als eine "versteckte" dazwischen liegende Schicht und sind an der Funktionsweise von menschlichen Nervenzellen orientiert. Dabei werden die Neuronen in Schichten, sogenannten Layern angeordnet und jedes Neuron ist mit jedem Neuron des folgenden Layers verbunden. Dabei entstehen Ebenen von unterschiedlicher Komplexität. Das heißt, wenn in der ersten Schicht ein Muster erkannt wird, dann wird in der zweiten Schicht ein Muster vom Muster erkannt. Bei Bildern könnte das beispielsweise in der ersten Schicht unterschiedliche Helligkeiten von einzelnen Pixeln und in der zweiten Schicht Formen und Kanten sein.
Besitzt ein solches Netz viele Schichten, so wird es als "Tief" bezeichnet, daher stammt der Begriff des "Deep Learning". Die Netze können alle Arten von Rohdaten verarbeitet, sobald sie als Zahlenvektoren kodiert sind.

Wo spielt Deep Learning eine Rolle?
Das Deep Learning ist besonders zur Anwendung bei ungeordneten Datensätzen geeignet, da keine Clusterung durch den Menschen vorab erforderlich ist und spielt eine enorme Rolle in der Entwicklung des autonomen Fahrens. Denn besonders im Bereich der Bilderkennung konnten durch Deep Learning Fortschritte erreicht werden.

Wie funktionieren Künstliche Neuronale Netze?
Künstliche Neuronale Netze simulieren ein Netzwerk aus verbundenen Neuronen, nach dem Abbild des menschlichen Gehirns. Die Netze lernen aus Erfahrungen, indem die Verbindungsstärke der Neuronenverbindung verändert wird. Durch dieses Vorgehen können sich Maschinen Fähigkeiten wie Sehen, Lesen, Sprechen und Schreiben antrainieren.

Welche Arten von Künstlichen Neuronalen Netzen gibt es?
Grundsätzlich existiert eine Vielzahl an unterschiedlichen neuronalen Netzwerken.
Im folgenden werden die vier gängigsten Arten einmal beschrieben:

1. Perzeptron: Dies ist die ursprüngliche Grundform und beinhaltet nur ein einziges Neuron (Perzeptron) mit anpassbaren Gewichtungen und einem Schwellenwert. Inzwischen wird darunter jedoch eine Kombination verstanden und in zwei Varianten unterschieden. Einmal das einlagige Perzeptron, wobei lediglich eine Ein- und eine Ausgabeschicht und keine dazwischen liegende Schicht existiert. Und andererseits das mehrlagige Perzeptron entsprechend dem oben beschriebenen Aufbau.
2. Feedforward Netze: Informationen werden ab der Eingabeschicht über die Zwischenschichten bis zur Ausgabeschicht lediglich in eine Richtung ("vorwärts") weitergeleitet.
3. Rekurrente Netze: Es bestehen zusätzliche Verbindungen zwischen den Schichten, sodass Informationen auch rückwärts geleitet werden können oder auch Schichten mehrfach durchlaufen werden.
4. Convolutional Neural Network: Diese neuronalen Netzwerke werden überwiegend zur Mustererkennung eingesetzt und bestehen typischerweise aus fünf Schichten. Jede Schicht erhöht dabei die Präzision zur Mustererkennung.