WiWiEn

Plattform zur Entwicklung KI-basierter Geschäftsmodelle

Überblick

KI erlebt einen großen Hype und es existieren teils zu hohe Erwartungen, unbegründete Befürchtungen und allgemeine Missverständnisse, die nicht der Realität entsprechen. In diesem Zusammenhang sollen in den nachfolgenden Lektionen Mythen zum Thema KI thematisiert und beseitigt werden. Dafür wird erklärt, was KI genau ist, was sie leistet, aber auch wo Grenzen dieser Technologie liegen.

Eine nüchterne Einordnung der Technologie hilft nicht nur bei der Entscheidung, ob sich eine Einführung lohnt, sondern soll das Verständnis fördern, wo und wie KI helfen kann.

Was ist KI?

Künstliche Intelligenz ist ein Teilgebiet der Informatik und bezieht sich auf die Fähigkeit von Maschinen, menschenähnliche Intelligenz nachzuahmen und bestimmte Aufgaben eigenständig zu erledigen. Insbesondere Fortschritte bei KI-Algorithmen, bei der Rechenleistung von Computern und in der Verfügbarkeit sehr großer Datenmengen hat zu einem stärkeren Durchbruch dieser Technologie geführt.

KI ist ein faszinierendes Gebiet, das Grenzen des Machbaren von Technologien verschiebt. Wird heute von Künstlicher Intelligenz gesprochen, sind damit meistens die Fortschritte auf dem Feld des Maschinellen Lernens gemeint. Maschinen können heute durch die Fortschritte in diesem Gebiet nicht nur Aufgaben ausführen, sondern sogar selbstständig dazulernen, sich anpassen und verbessern. Grenzen herkömmlicher Programmierung werden damit verschoben, da solche Systeme nun in der Lage sind, auf unbekannte Situationen zu reagieren. Diese Fähigkeit verspricht zahlreiche Potenziale und kann nicht nur genutzt werden, um bessere Unternehmensentscheidungen zu treffen, Prozesse, Produkte und Dienstleistungen zu optimieren und weiterzuentwickeln, sondern verspricht auch Verbesserungen in vielen Bereichen des Lebens wie in der Medizin.

Dennoch hat KI auch einige Grenzen und lässt sich nicht beliebig einsetzen.

Quellen

Starke vs. Schwache KI

Obwohl KI heute schon in der Lage ist, in bestimmten Gebieten bessere Ergebnisse zu erzielen als Menschen, weist sie noch keine menschenähnliche Intelligenz auf. Zwar können in einem Gebiet sehr gute Ergebnisse erzielt werden, die dabei verwendeten Fähigkeiten sind aber kaum auf andere Anwendungsfälle übertragbar. Zur Unterscheidung dieser Fähigkeiten haben sich die Begriffe schwache und starke KI etabliert.

Schwache KI kann nur bestimmte Aufgaben erledigen und wird bspw. zur Prozessoptimierung genutzt. Zwar liefert eine KI-Lösung hierbei erhebliche Verbesserungen und arbeitet teilweise schneller und zuverlässiger als Menschen, außerhalb dieses konkreten Anwendungsfalls sind die Fähigkeiten allerdings nicht übertragbar. Sollte es bspw. zu markanten Änderungen in einem Produktionsprozess kommen, könnte die KI keine weiteren zuverlässigen Ergebnisse liefern und muss erneut mit aktuelleren Daten trainiert und an die neue Umgebung angepasst werden. Eine KI-Lösung zur Bilderkennung könnte bspw. nicht zur Erkennung und Übersetzung von Sprache genutzt werden.

Starke KI hingegen besitzt eine menschenähnliche Intelligenz und könnte sich selbstständig in neue Themengebiete einarbeiten, auf völlig unbekannte Situationen in artfremden Kontexten reagieren und dabei kreativ neue Lösungswege planen und umsetzen. Solch eine KI ist heute nicht existent und eine Entwicklung und erfolgreiche Umsetzung ist bisher auch noch nicht absehbar.

Quellen

KI vs. Klassische Programmierung

KI hat das Paradigma der Programmierung maßgeblich verändert. Mussten Menschen bisher sämtliche real auftretende Probleme und Teilprobleme analysieren und die Problemlösungen im Code eines Programmes anhand von Regeln detailgetreu und vollständig abbilden, hat sich dieses Vorgehen mit der Entwicklung von KI gewandelt.

Bei der Programmierung einer KI haben Menschen weiterhin die Aufgabe Probleme genau zu analysieren. Im Kontrast zur klassischen Programmierung müssen daraufhin jedoch relevante Daten zur Lösung dieser Probleme sorgfältig identifiziert und aufbereitet sowie ein passender Algorithmus ausgewählt werden. „Den“ Algorithmus gibt es dabei nicht, für verschiedene Probleme eigenen sich auch bestimmte Algorithmen mehr oder weniger gut. Daten dienen dann zum Training des ausgewählten Algorithmus. Der Mensch wird nicht mehr benötigt sämtliche Regeln in Form eines Lösungsweges vollständig aufzustellen, stattdessen lernt eine KI anhand der bereitgestellten Daten selbstständig einen Lösungsweg.

Dabei ist es sogar möglich, eine KI während des Betriebs anhand der zusätzlich generierten Daten weiter zu verbessern. Das bedeutet aber auch, dass KI-Modelle regelmäßig weiterentwickelt und gepflegt werden müssen, eine einmalige Erstellung ist oftmals nicht ausreichend.

Wie dabei vielleicht schon ersichtlich wird, müssen Daten in ausreichender Qualität und Menge vorhanden sein, denn sie sind die Grundlage zum Training der KI-Modelle. Somit hängt auch die Qualität der Ergebnisse maßgeblich von den genutzten Daten ab. Sollten im gewünschten Anwendungsgebiet keine Daten vorhanden sein, lässt sich eine KI-Anwendung auch nur sehr schwer einführen.

Quellen

KI und Statistik

Wie weiter oben erwähnt, basieren aktuelle Entwicklungen von KI vor allem auf Fortschritten des Maschinellen Lernens und den zugrundeliegenden Verfahren. Ergebnisse werden dabei nicht exakt vorhergesagt, sondern vorwiegend anhand von statistischen Verfahren durch das Erkennen von Mustern bestimmt. Bei Ergebnisse von KI-Lösungen sollte also beachtet werden, dass es sich nicht um exakte Ergebnisse handelt, die gewöhnlicherweise von Maschinen oder Programmen erwartet werden, sondern dass Ergebnisse mit einer bestimmten Wahrscheinlichkeit korrekt sind.

Mitarbeiter sollten also auch lernen, wie sie mit den Ergebnissen von KI-Modellen umgehen und nötige Schulungen erhalten. Die Güte der Ergebnisse hängt vom gewählten Verfahren und insbesondere den verwendeten Daten ab. Ein KI-Modell zur Erkennung von Buchstaben sagt bspw. mit einer bestimmten Wahrscheinlichkeit voraus, dass es sich um Buchstabe „A“ handelt.

In einer realen Umgebung können sich Eingangsdaten, wenn auch nur minimal, ändern, weshalb ggf. auch ein Modell während der Nutzung nachtrainiert werden muss. Im Gegensatz zu Laborbedingungen hat die Dynamik der realen Welt also auch einen Einfluss auf den fortwährenden Betrieb in bestimmten Anwendungsfällen.

Erschwerend kommt hinzu, dass der Lösungsweg und die zugrundeliegenden Regeln hin zu Ergebnissen nicht immer transparent nachvollzogen werden können. Hier wird von sogenannten Blackbox-Verfahren gesprochen, da nicht eingesehen werden kann, was sich in dieser „Box“ befindet. Problematisch kann hierbei sein, dass menschliche Muster verstärkt und damit verbundene Einflüsse nicht erkannt werden.

Quellen

KI und Ethik

Werden KI-Modelle bspw. mit Daten aus der betrieblichen Praxis verwendet, können sich in diesen Daten menschliche Verhaltensweisen wiederfinden, die auch von der KI übernommen werden. Neigt ein Finanzberater dazu, eher männlichen Personen Kredite zu gewähren, so würde auch die KI dieses Muster lernen und das Verhalten übernehmen. Ähnliches könnte sich auch in der Auswahl von Bewerbern im Recruiting-Prozess wiederfinden. Aufgrund der bereits erwähnten fehlenden Erklärbarkeit vieler KI-Modelle ist solch ein problematisches Verhalten vorher und auch im Betrieb nur schwer erkennbar.

Handelt es sich um auditpflichtige oder streng regulierte Prozesse, ist die Einsetzbarkeit solcher Modelle deshalb eingeschränkt. Hier muss sichergestellt werden, dass trotz kleiner Veränderungen der Eingangsdaten immer noch korrekte Ergebnisse geliefert werden.

In unkritischen Bereichen ist die fehlende Erklärbarkeit weniger relevant, denn dabei stehen belastbare Ergebnisse im Vordergrund der Anwendung. Der Weg dorthin, also nach welchen Regeln die Eingabedaten verarbeitet werden, ist meist weniger entscheidend, solange ausreichend gute Ergebnisse geliefert werden.

Eine KI an sich ist also neutral und nicht böswillig. Ethisch oder moralisch fragwürdige Ergebnisse sind meistens auf menschliche Muster in Daten zurückzuführen, weshalb die Einführung und der Betrieb von KI in solchen kritischen Bereichen genau kontrolliert werden sollte. Unter nachfolgender Verlinkung können Sie sich vertiefend zum rechtlichen Rahmen von KI-Anwendungen informieren.

Quellen

Weiterlesen: Verständnis für KI-basierte (S)GM entwickeln