Künstliche Intelligenz – zwischen Hype und Realität

Fazit

Inhaltsverzeichnis

Sicherlich ist KI basierend auf Deep Learning nicht nur alter Wein in neuen Schläuchen, auch wenn die algorithmischen Grundlagen schon im letzten Jahrhundert gelegt wurden. So war es zur damaligen Zeit einfach nicht möglich, KI-Systeme mit der heutigen Qualität zu bauen. KI-Systeme können derzeit schon einen wertvollen Beitrag in vielen Bereichen liefern. Sie können helfen, in der Produktion die Produkte auf Fehler zu überprüfen, sie können bei der Spracherkennung im Call-Center und bei digitalen Assistenzsystemen unterstützen. Sie können Vorschläge in der Designphase machen oder Verträge einlesen, verstehen und validieren. KI-Systeme können sicherlich auch beim autonomen Fahren eine entscheidende Rolle spielen.

Diese Beispiele beschreiben aber alle sehr fokussierte Aufgaben im Sinne einer schwachen KI und in manchen Bereichen ist gewiss auch noch etwas Arbeit notwendig. Im Grunde gilt: Je fokussierter die Aufgabe ist, desto besser funktioniert die KI. Bei breit aufgestellten Aufgaben kann es durchaus zu interessanten Nebeneffekten kommen.

KI wird sehr wohl die Arbeitswelt und die Art, wie gearbeitet wird, verändern. Sie kann helfen, Effizienz zu steigern und Kosten zu reduzieren. Es werden sicherlich manche Tätigkeiten wegfallen, dafür werden neue entstehen. Maschinelles Lernen und Deep Learning helfen zurzeit, solche Aufgaben zu automatisieren, die vorher nicht umzusetzen waren, weil entweder die Daten fehlten oder die Rechenanforderungen zu hoch waren.

Allein die grundlegenden Funktionen von KI-Systemen, wie Computer Vision, NLP oder Robotik, lassen über neue Geschäftsmodelle und Möglichkeiten nachdenken. Für die werden dann aber vermutlich doch erst noch mal die Handwerker gebraucht.

Marcel Tilly
beschäftigt sich schwerpunktmäßig bei Microsoft mit den Themen Artificial Intelligence und IoT. Nebenbei spricht er auf Konferenzen, schreibt Artikel oder programmiert irgendwas in den Bereichen AI, ML oder auch IoT.

  1. Amir Rosenfeld, Richard Zemel, John K. Tsotsos; The Elephant in the Room, 1-12 (2018)
  2. Joy Buolamwini, Timnit Gebru; Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification: In Proceedings of the 1st Conference on Fairness, Accountability and Transparency (2018)
  3. Anh Nguyen, Jason Yosinski, Jeff Clune; Deep neural networks are easily fooled: High confidence predictions for unrecognizable images. In: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (2015)
  4. Sruti Bhagavatula, Lujo Bauer, Michael K. Reiter; Accessorize to a Crime: Real and Stealthy Attacks on State-of-the-Art Face Recognition. Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security – CCS’16 (2016)
  5. Moustapha Cisse, Yossi Adi, Natalia Neverova, Joseph Keshet; Houdini: Fooling Deep Structured Prediction Models (2017)
  6. Andrej Karpathy; The Unreasonable Effectiveness of Recurrent Neural Networks (2015)

(ane)