Künstliche Intelligenz ist nicht gleich künstliche Intelligenz. Es gibt nicht die eine KI, die uns Menschen Aufgaben abnimmt und lernt, wie ein Mensch zu denken und zu entscheiden. Vielmehr gibt es innerhalb der künstlichen Intelligenz Teilgebiete, die auf unterschiedlichen Ansätzen basieren. Wir geben heute einen Überblick über diese Teilbereiche und erklären die Methoden, die dort angewendet werden.
Künstliche Intelligenz: Diese Teilgebiete gibt es
- Machine Learning
- Deep Learning
- Natural Language Processing
- Knowledge Representation
Machine Learning – selbstlernende IT-Systeme
Machine Learning (ML) ist eines der größten und wichtigsten Teilgebiete der KI. Häufig wird KI sogar mit diesem Teilbereich gleichgesetzt – aus dem einfachen Grund, dass ML-Systeme am häufigsten in Unternehmen zum Einsatz kommen. Machine Learning Systeme werden nicht klassisch programmiert und regelmäßig angepasst, um auf dem neusten Stand zu sein. Vielmehr lernen sie auf Basis von Daten, Muster selbst zu erkennen und Probleme zu lösen. Klassische Beispiele für ML-Systeme sind personalisierte Werbung oder die Empfehlungen für passende Filme und Serien bei Streamingdiensten. Diese IT-Systeme werden zu Beginn auf Standardangaben programmiert und dann durch die Nutzer mit Daten gefüttert – beispielsweise, indem sie einen Actionfilm schauen. Im Anschluss daran kann das System passendere Vorschläge machen. Unternehmen ziehen hieraus den Vorteil, ihre Inhalte besser an potenzielle Kunden vermarkten zu können. Ihre Werbung wird beispielsweise direkt an die passende Zielgruppe ausgespielt, sodass der Streuverlust gering bleibt.
Beispiele für ML-Systeme:
- Personalisierte Werbung
- Film- oder Serienempfehlungen
- Autonomes Fahren
Deep Learning & künstliche neuronale Netze – das menschliche Gehirn vereint mit Big Data
Bei Deep Learning handelt es sich um ein Teilgebiet des Machine Learnings. Während der Mensch bei ML-Systemen noch in den Lernprozess des Systems eingreifen kann, lernt es mit der Deep Learning Methode komplett eigenständig auf Basis von großen Datenmengen und künstlichen neuronalen Netzen. Bei künstlichen neuronalen Netzen handelt es sich um abstrakte Modelle des menschlichen Gehirns, in denen einzelne Neuronen sich bei neuem Wissen so miteinander verknüpfen, dass Entscheidungen auf ihre Richtigkeit geprüft werden können. Deep Learning Systeme treffen eigenständige Entscheidungen und können aufgrund der Analyse großer Datenmengen hinterfragen, ob diese Entscheidungen richtig waren und sie für die Zukunft anpassen. Eingesetzt wird diese Technologie in komplexeren KI-Systemen wie der Sprach- oder Gesichtserkennung.
Beispiele für DL-Systeme:
- Spracherkennung wie Siri oder Alexa
- Gesichtserkennung
- Digitale Assistenz
Natural Language Processing & Generation – künstliche Sprache
Menschen können sich mit Computern unterhalten und Sprachsteuerung ist zum Alltag geworden – das ist das Ziel von Natural Language Processing (NLP). Natürliche Sprache soll maschinell verarbeitet werden. Das bedeutet konkret, dass Computer oder Roboter sich mit uns Menschen wie andere Menschen verständigen können. Systeme wie Amazon Alexa zeigen den Fortschritt in diesem Bereich – sie verstehen inzwischen mehr als einfache Sprachbefehle, eine natürliche Unterhaltung ist jedoch noch nicht möglich. Auch diese Systeme lernen durch die Analyse großer Datenmengen. So erkennen sie Muster und können diese in zukünftigen Gesprächen anwenden. Werden eigene Texte durch KI-Systeme verfasst, handelt es sich dabei um Natural Language Generation. Diese Methode wird heute bei simplen Berichten wie dem Wetterbericht eingesetzt, steckt aber noch in den Kinderschuhen.
Beispiele für NLP:
- Siri und Alexa
- Spam-Filter im Mailprogramm
- Autokorrektur
Knowledge Representation – logisches Denken entwickeln
Mehr als beim NLP lernen KI-Systeme mit der Knowledge Representation Methode (KR). Hierbei geht es nicht nur darum, natürliche Sprache zu erkennen und zu lernen, sondern die Denkvorgänge von Menschen zu verstehen und eigenständig anzuwenden. Bei Machine oder Deep Learning lernen Systeme durch Daten, die sie selbst sammeln oder die ihnen zugespielt werden. Knowledge Representation Systeme sollen lernen, ohne etwas ausprobieren zu müssen – sie sollen durch logisches Denken eine Antwort auf ihre Frage finden. Ein Beispiel für den Einsatz von Knowledge Representation ist der Google Knowledge Graph. Durch diese Wissensdatenbank wird der Suchalgorithmus weiter verbessert. Ein alltägliches Beispiel ist das Wissen, dass eine Tasse zerspringt, wenn sie auf den Boden fällt. Menschen wissen, dass das passiert, ohne es ausprobieren zu müssen – KI muss das erst lernen.
Beispiele für KR:
- Computerunterstützte Wartung
- Google Knowledge Graph
- Übersetzungsprogramme
Künstliche Intelligenz und ihre Teilgebiete: zahlreiche Möglichkeiten und Fragen
Es gibt zahlreiche unterschiedliche Ansätze, aus denen KI-Systeme lernen und sich weiterentwickeln können. Sie können von Daten lernen, sich selbst verbessern und anhand ihrer Erfahrungen Entscheidungen treffen. Dennoch sind wir noch weit von einer starken künstlichen Intelligenz entfernt. Bis KI-Systeme wissen, dass sie existieren und menschliche Emotionen lesen und nachempfinden können, wird noch viel Forschungsarbeit notwendig sein. Unternehmen profitieren jedoch schon heute von den bisherigen Entwicklungen rund um künstliche Intelligenz – besonders im Marketing und im Vertrieb kommen Machine Learning Systeme zum Einsatz, die Interessenten zu ihnen passende Produkte vorschlagen können. KI ist Teil unseres Alltags geworden – ohne, dass wir viel davon merken.