Künstliche Intelligenz – Was steckt hinter dem Hype?

Künstliche Intelligenzen trifft man heutzutage immer häufiger an. In unserer FAQ klären wir die wichtigsten Fragen rund um KIs.

Lesezeit: 11 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 54 Beiträge

(Bild: vs148/Shutterstock.com)

Von
  • Jonas Mahlmann
  • Pina Merkert
  • Anna Kalinowsky

(This article is also available in English)

Künstliche Intelligenz (KI) wurde in den letzten Jahren eines der größten Hype-Themen der Computertechnik. Und das auch nicht ganz zu Unrecht: Von Sprachassistenten über selbstfahrende Autos bis zum Einsatz in der Industrie finden KIs bereits in vielen Lebensbereichen benutzt – und neue vielversprechende Anwendungen sollen in den nächsten Jahren noch folgen. Aber welche dieser Versprechen sind eigentlich wirklich gute Ideen und was ist nur Schall und Rauch? Was kann künstliche Intelligenz schon und was nicht? Und was ist an den Horror-Dystopien um allmächtige Superintelligenzen wirklich dran? Zusammen mit unserer Kollegin Pina Merkert, Redakteurin bei der c’t, erklären wir die wichtigsten Grundbegriffe und Fragen rund um das Feld der künstlichen Intelligenz.

Künstliche Intelligenz, Machine Learning und Neuronale Netze – was ist das eigentlich?

Eine künstliche Intelligenz (KI) ist ein Algorithmus, der Funktionen imitieren kann, die sonst einem menschlichen Gehirn zugeschrieben werden. Er ist also zum Beispiel lernfähig, kann selbstständig Muster aus Daten extrahieren und basierend darauf Probleme lösen. So kann eine KI dann zum Beispiel lernen, Hunde und Katzen zu unterscheiden, und die Tiere anschließend auf Bildern erkennen.

Das Feld der künstlichen Intelligenzen enthält eine Vielzahl von Algorithmen unterschiedlicher Gattungen. Die wohl bekannteste Art von KIs sind die sogenannten Machine-Learning-Algorithmen. Wie der Name bereits andeutet, können diese Algorithmen lernen und sich selbst an neue Daten anpassen. Damit sind sie nicht mehr von Entwicklern abhängig, die ihnen Schritt für Schritt vorgeben, wie ein Problem zu lösen ist.

Unter den Begriff Machine Learning fallen wiederum eine Reihe verschiedener Algorithmen mit diversen Anwendungsfällen. Hier sind zum Beispiel Support-Vektor-Maschinen oder K-Nearest-Neighbour-Algorithmen zu nennen. Die Platzhirsche unter den Machine-Learning-Algorithmen sind jedoch neuronale Netzwerke. Während andere Machine-Learning-Algorithmen nur schwer skaliert werden können, lassen sich neuronale Netzwerke nämlich immer größer und komplexer gestalten.

Ein neurales Netz kann man sich vorstellen wie eine große Anzahl kleiner Computer, die wie das Netzwerk von Synapsen im menschlichen Gehirn miteinander verbunden sind. Auf die Daten, die dem Netzwerk vorgelegt werden, wendet es auf verschiedenen Ebenen Mustererkennungen an. Funktioniert das Training wie es soll, werden die Muster von Schicht zu Schicht immer abstrakter und nützlicher, um Entscheidungen oder Vorhersagen zu treffen. Wie bei den Synapsen des Gehirns kann das Training Verbindungen zwischen einzelnen Neuronen des neuralen Netzes verstärken und andere Verbindungen schwächen. Das Netzwerk lernt so, dass bestimmte Verbindungen wichtig sind und kodiert das in seinen Parametern. Mit jedem weiteren Datenpunkt wird die KI dadurch immer präziser; die KI wird so „trainiert“.


Was ist der Unterschied zwischen starken und schwachen KIs?

Alle heutigen künstlichen Intelligenzen fallen unter die Bezeichnung schwache KI. Diese sollen häufig nur ein spezifisches Problem lösen; Aufgaben außerhalb ihres Zuständigkeitsbereiches können sie nicht erledigen. Sind in ihrem Anwendungsbereich damit recht beschränkt. Die Algorithmen haben trotzdem zwei große Vorteile: Zum einen sind manche KIs in ihrem speziellen Problemfeld deutlich präziser als Menschen, andere sind schneller und alle sind günstiger. Zum anderen müssen Entwickler die Problemlösung nicht von Hand programmieren. Stattdessen trainieren sie eine KI so mit einem Datensatz, dass das Ergebnis gleich gut ist, als wäre es von einem Menschen erstellt.

Eine starke KI hingegen wäre ein Algorithmus, der sich wie ein Mensch als Ganzes verhält. Die KI ist dann nicht mehr auf die Anwendung bei einem spezifischen Problem beschränkt, sondern kann alle Aufgaben erfüllen, die ein Mensch ausführen kann – und das mindestens genauso gut oder deutlich besser. Diese Form einer KI gibt es in der Realität bisher noch nicht. Die Forschung verfolgt zwar das Ziel einer starken KI, derzeit ist sie jedoch noch mindestens Jahre, vermutlich eher Jahrzehnte davon entfernt.


Seit wann gibt es künstliche Intelligenz?

Erste Anfänge im Bereich der KI gab es bereits Mitte des 20. Jahrhunderts, wenngleich die damaligen Algorithmen deutlich weniger groß und komplex waren als heutige. Schon zu der Zeit ging man davon aus, dass künstliche Intelligenzen einen aussichtsreichen Bereich der Informatik bilden könnten. Aufgrund von Schwierigkeiten bei der Optimierung der Algorithmen kam es jedoch um die 1970er-Jahre zu einem „KI-Winter“, in dem vergleichsweise wenig Geld in Forschung investiert wurde. Erst in den 1980er-Jahren wurde das Feld der künstlichen Intelligenzen aufgrund der Erfindung der sogenannten Backpropagation wieder mehr erforscht. Seitdem entwickelte sich das Forschungsfeld enorm schnell.


Wo werden KIs bereits eingesetzt? Und wo können sie zukünftig noch genutzt werden?

Künstliche Intelligenzen werden heute bereits in vielen Bereichen des Lebens eingesetzt. Mit einigen kommen Privatpersonen unmittelbar in Kontakt, zum Beispiel mit Bilderkennungen, die automatisch Fotos durchsuchen und sortieren können, Chat Bots oder Sprachmodellen in Sprachassistenten. Wenn Sie mehr über die spannende Funktionsweise von Sprachmodellen erfahren möchten, sehen Sie sich gerne diesen interessanten c’t-Artikel an.

In vielen Fällen bekommen Konsumenten von der Anwendung von KIs aber gar nicht viel mit: Wenn ein Unternehmen zum Beispiel die Kreditwürdigkeit von Personen von KIs bestimmen lässt oder künstliche Intelligenzen in der Industrie fehlerhafte Produkte und Ausreißer in Systemen erkennen. Weitere interessante und erstaunliche Anwendungsfälle von künstlicher Intelligenz in der Industrie lesen Sie in diesem Artikel.

In den kommenden Jahren wird die größte Neuerung im Bereich der künstlichen Intelligenzen, die Privatpersonen betrifft, wohl selbstfahrende Autos sein. Das Steuern von Autos ist eine anspruchsvolle Herausforderung für KIs, da sie die Fahrzeuge lenken und in Echtzeit auf Hindernisse und Gefahren reagieren können müssen.


Was kann künstliche Intelligenz (noch) nicht?

Der größte Schwachpunkt von künstlichen Intelligenzen ist, dass die Algorithmen nicht denken wie Menschen. KIs greifen auf automatisierte Statistik zurück, um Muster in Daten zu erkennen und basierend darauf zu handeln. Das kann in vielen Fällen genauso gut oder sogar besser funktionieren, als wenn ein Mensch die gleiche Aufgabe übernimmt. Manchmal bringt diese Art des „Denkens“ aber auch Nachteile mit sich.

Das lässt sich am besten an einem Beispiel erkennen: Eine KI wurde darauf trainiert, Hunderassen zu identifizieren. Die Entwickler überprüften anschließend, wie die künstliche Intelligenz bei der Unterscheidung vorgeht und stellten fest, dass sie bei Schlittenhunden lediglich die weißen Pixel in einem Bild zählte – weil Huskys i.d.R. im Schnee fotografiert werden und es für die KI einfacher war, die Umgebung auf Schnee hin zu analysieren, als die Form eines Schlittenhundes zu erkennen. Ein solcher Fehler würde einem Menschen nicht unterlaufen.

Bei der Erkennung von Hunderassen ist das harmlos. Kritischer wird es allerdings, wenn beispielsweise ein selbstfahrendes Auto Hindernisse erkennen soll. Erkennt das Auto Menschen oder Objekte falsch oder sogar gar nicht, können dadurch schwere Unfälle entstehen.

Menschen sind zudem im Vorteil, wenn man ihnen ein Objekt beschriebt und sie sich dieses vorstellen sollen. Während wir wenig Probleme haben, unvollständige Beschreibungen in unserer Vorstellung zu ergänzen, tun sich künstliche Intelligenzen hierbei nach wie vor sehr schwer. Sie können zwar mitunter fotorealistische Bilder basierend auf der Beschreibungen erzeugen. Werden sie allerdings gefragt, Teile des Objekts darzustellen, die nicht in den Trainingsdaten enthalten waren, erzeugen sie oft bizarre Ergebnisse. Weitere überraschende Einschränkungen künstlicher Intelligenz werden in diesem c’t-Artikel erläutert.

Tipp: Noch mehr Hintergründe dazu, wie es in den nächsten Jahren in der KI-Forschung weitergehen soll und wie die derzeitigen Grenzen von KIs überwunden werden können, lesen Sie hier.


Werden in der Zukunft Berufe durch künstliche Intelligenz ersetzt?

Wie bei jeder Industriewende wäre es naiv anzunehmen, dass durch künstliche Intelligenzen zukünftig keine Arbeitsplätze wegfallen werden. Unsere Kollegin Pina Merkert schätzt die Gefahr, dass große Mengen von Vollzeit-Stellen durch KIs ersetzt werden, allerdings als eher gering ein. Sie hält es für viel wahrscheinlicher, dass einfache, repetitive Teile eines Jobs zukünftig von KIs übernommen werden, während Menschen weiter die anspruchsvolleren Tätigkeiten ausführen. Gleichzeitig dürften durch KIs neue, hochqualifizierte Arbeitsplätze entstehen. Menschen müssen die Algorithmen programmieren, überwachen und warten.

Hauptsächlich dürften KIs aber Aufgaben übernehmen, die derzeit noch gar nicht bearbeitet werden. Zum Beispiel könnte das die Moderation von Kommentaren auf großen Websites betreffen: Während es heute nur schwer möglich ist, alle veröffentlichten Kommentare auf einer Website händisch durchzusehen, könnte in der Zukunft eine KI alle Kommentare auf Beleidigungen oder unangebrachte Bemerkungen prüfen.


Was sind die Risiken von künstlicher Intelligenz?

In Hollywood-Filmen sieht man KIs oft als bösartige Superintelligenzen, die die Menschheit auslöschen möchten. Tatsächlich fürchten einige Forschende eine solche Entwicklung: Sie sprechen dabei von einer Singularität. Das ist eine starke KI, die durch unzählige Schritte der Selbstverbesserung (deutlich) intelligenter wurde als Menschen.

Eine Singularität bleibt nach Einschätzung unserer Kollegin Pina Merkert aber wohl auf absehbare Zeit weiter Science-Fiction. Jedoch bringen schon heutige KIs ihrer Ansicht nach Gefahren mit sich – besonders, wenn sie falsch angewendet werden.

So könnte sich ein Bias (d.h. eine Verzerrung) in den Trainingsdaten einer KI auf ihre Funktionsweise auswirken. Soll eine KI zum Beispiel Job-Bewerbungen vorsortieren, würde es auf dem Papier Sinn ergeben, diese mit Trainingsdaten früherer Bewerbungsprozesse zu füttern – denn die bereits angestellten Personen sollten ja eigentlich die qualifiziertesten gewesen sein. In der Realität muss das aber nicht unbedingt der Fall gewesen sein: Die Entscheidung für oder gegen Bewerbende könnte auch durch Diskriminierungen beeinflusst worden sein, beispielsweise aufgrund des Geschlechts oder der Hautfarbe. Diese Bias werden sich dann auch in den Entscheidungen der KI widerspiegeln. Man erschafft gewissermaßen aus Versehen eine sexistische oder rassistische KI, auch wenn das vom Unternehmen gar nicht gewünscht ist.

Weiterer Nachteil ist, dass selbst die Entwickler einer künstlichen Intelligenz nur bedingt nachvollziehen können, wie die KI zu einem Ergebnis gekommen ist. Setzt ein Unternehmen eine KI für Entscheidungsprozesse ein, kann es unter Umständen nicht genau kommunizieren, warum genau eine Entscheidung wie getroffen wurde.

Außerdem lassen sich künstliche Intelligenzen – wie jede Technik – auch für bösartige Zwecke missbrauchen. Zum Beispiel könnte man KIs, die eigentlich Kommentarspalten auf Beleidigungen oder Volksverhetzung durchsuchen sollten, in einem Überwachungsstaat einsetzen, um Regierungskritik zu erkennen und zu löschen.

Zuletzt verweist unsere Kollegin darauf, dass jede Technik, auf die man sich verlässt, die aber nicht richtig funktioniert, gefährlich sein kann. Beispielhaft dafür stehen wieder selbstfahrende Autos: Die KI, die das Fahrzeug steuert, sollte ausreichend Trainingsdaten gesammelt haben, um mit allen Gefahren des Straßenverkehrs umgehen zu können. Das gestaltet sich bei Ausnahmesituationen wie Unfällen allerdings schwierig, denn von ihnen lassen sich nur schwer Trainingsdaten sammeln.

(anka)