Wolters Kluwer Deutschland

4 Dinge, die Sie über Artificial Intelligence wissen sollten

Im ersten Teil unserer Serie haben wir aufgezeigt, wieso sich Artificial Intelligence auf einem Hype-Höhepunkt befindet.

Hier sind vier Dinge, die Sie über AI wissen sollten.

Es gibt nicht die eine, „wahre“ Definition von Artificial Intelligence

Wikipedia definiert AI als „Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens befasst“. Da es aber weder eine einheitliche Definition von menschlicher Intelligenz gibt, noch eine gemeinhin anerkannte Methode, diese zu messen, existieren auch viele unterschiedliche Definitionen und Interpretationen für AI.

Außerdem ist AI in diverse Philosophien und Gattungen unterteilt – jede davon mit eigenen Überzeugungen darüber, was und was nicht mit AI möglich ist, und wie man AI-Probleme am besten angeht. 

AI ist eine Sammlung von Technologien – keine monolithische Sache

Bei Wolters Kluwer umfasst AI typischerweise Machine Learning, Verarbeitung natürlicher Sprache (also Maschinen, die Texte „lesen“ können), Sprach- und Bilderkennung, robotergesteuerte Prozessautomatisierung, Predictive Analytics und seit neuestem auch Deep Learning. Dabei ist jedoch der jeweilige Mix aus diesen Technologien, die unser Unternehmen in seinen Expertenlösungen verwendet, einzig und allein davon abhängig, ob es die richtigen Werkzeuge sind, um ein spezielles Kundenproblem zu lösen.

Es gibt noch viele weitere AI-Technologien wie beispielsweise AI-optimierte Hardware, Robotics und Biometrics. Für andere Unternehmen mag daher AI etwas anderes bedeuten: einen anderen Mix aus Technologien oder gar ein spezieller Fokus auf ein einziges Gebiet wie Machine Learning oder Deep Learning.

AI-Fachbegriffe können mehrdeutig sein

Es gibt wenig Konsens bezüglich einiger Fachbegriffe. Cognitive Computing beispielsweise (wie in Gartners Hype Cycle) wird oft als Marketing-Sprech bezeichnet. Es wird dennoch in der Medizin immer mehr nahezu zu einem Synonym für AI. Microsoft verwendet den Begriff hingegen wieder in einem anderen Kontext. Auch wenn Themen wie Machine Learning, Deep Learning und Cognitive Computing oft sehr eng mit AI in Verbindung gebracht werden, sind sie letztendlich Teilbereiche, aber keine Synonyme für AI.

Darüber hinaus gibt es auch viele semantische Fallen. Der Ausdruck „künstliche neurale Netze“ („artificial neural networks“) etwa bezieht sich auf ein Computersystem, das im Deep Learning verwendet wird. Manchmal spricht man davon, dass diese neuralen Netze Daten genauso transportieren wie das menschliche Gehirn. Das stimmt so nicht. Zum einen sind neurale Netze nur sehr entfernt durch die Struktur des Gehirns und seine Arbeitsweise inspiriert. Zum zweiten transportiert das Gehirn Informationen oder Daten nicht und ist auch definitiv kein Computer. Andrew Ng, einer der führenden Praktiker im Deep Learning, sagt dazu: „Diese Analogie lässt die Menschen denken, wir bauen künstliche Gehirne, die wie das menschliche Gehirn funktionieren. Die Realität sieht ehrlicherweise so aus, dass wir beinah überhaupt keine Ahnung davon haben, wie das menschliche Gehirn arbeitet. Folglich haben wir noch weniger Ahnung davon, wie wir einen Computer bauen sollten, der wie ein menschliches Gehirn arbeitet.“

Nicht jede AI ist gleich

Wie Jerry Kaplan in der MIT Technology Review feststellt, hat AI generell ein PR-Problem. Trotz atemberaubender Berichte sind die Errungenschaften, über die in den Massenmedien berichtet wird, nicht etwa der Beweis großartigen Fortschritts, sondern Geschichten „zusammengeschustert aus einer Wundertüte einzelner Werkzeuge und Techniken“, von denen manche wirklich AI sind und manche nicht. So reicht die Bandbreite von AI in den Medien von Robotern im Terminator-Style bis hin zu Zahnbürsten.

Wenn man das berücksichtigt, dann sollten wir uns nun ansehen, wie intelligent die heutige AI tatsächlich ist. Das erfahren Sie in Teil 3 unserer Serie.

Teil 1 Teil 3