Laut einer McKinsey-Studie könnten etwa 30 Prozent der Aufgaben in 62 Prozent aller Berufe durch künstliche Intelligenz (KI) automatisiert werden, wobei KI bloß ein Sammelbegriff für verschiedene Formen des maschinellen Lernens ist. Wie man die Technologie sinnvoll einsetzt und wie sich die Modelle unterscheiden, erläutert Expertin Viola Ganter von Optimal Systems. [...]
Künstliche Intelligenz (KI) ist ein Oberbegriff für verschiedene Konzepte. Die Definition variiert je nach Branche und Forschungsbereich. Wikipedia beschreibt künstliche Intelligenz als ein System, das seine Umgebung in Form von Daten „wahrnimmt“ und menschliche Mechanismen der Verarbeitung und Entscheidungsfindung nachahmt, um mit dieser Umgebung zu interagieren. Die Bereiche der künstlichen Intelligenz reichen vom Befolgen einfacher logischer Regeln bis hin zur Ausführung kreativer Aufgaben. Geschäftsanwendungen im Bereich der KI basieren meist auf maschinellem Lernen, weshalb die Begriffe künstliche Intelligenz und maschinelles Lernen im Wirtschaftskontext häufig synonym verwendet werden. Deep Learning ist eine Form des maschinellen Lernens. Beide sind eine Form der künstlichen Intelligenz.
Was ist maschinelles Lernen?
Maschinelles Lernen (ML) ist eine spezielle Art von KI, die auf ihre Umgebung reagiert, ohne dass für jede neue Situation eine eigene Regel erforderlich ist. Im Grunde ist ML eine mathematische Funktion (oder mehrere). Das Ziel dieser Funktion ist es, auf der Grundlage von Eingabedaten stochastische Vorhersagen zu treffen. Ein Algorithmus lernt, wie er die beste Vorhersage machen kann, indem er die Parameter der Funktion an die Eingabedaten anpasst. Um eine vereinfachte Analogie zu verwenden: Stellen Sie sich vor, ein kleines Kind lernt den Begriff „Vogel“. Am Anfang wird es vielleicht jedes beliebige Tier als „Vogel“ bezeichnen. Nach einer Weile wird das Kind jedoch gelernt haben, darauf zu achten, ob das betreffende Tier Federn, einen Schnabel oder ein hohes Zwitschern hat. Es wird gelernt haben, dass diese Merkmale wichtig sind, um die Wahrscheinlichkeit zu bestimmen, dass ein Tier ein Vogel ist. Andere Faktoren, wie z. B. die Frage, ob es Augen hat oder nicht, sind für diese Bestimmung weniger wichtig. Maschinelles Lernen funktioniert auf ähnliche Weise.
Was ist Deep Learning?
Deep Learning basiert auf einem Modell des maschinellen Lernens, das als „künstliche neuronale Netze“ bezeichnet wird. Auch hier ist der Kern eine mathematische Funktion – oder genauer gesagt, mehrere Funktionen, die nebeneinander angeordnet sind und eine Ebene von „Neuronen“ bilden. Deep Learning stützt sich auf Netzwerke mit sogenannten „versteckten Ebenen“, d.h. mehrere Levels von Neuronen, die zwischen der Eingabe- und der Ausgabe-Ebene angeordnet sind. Die Idee hinter künstlichen neuronalen Netzen ist es, den Entscheidungsprozess menschlicher Gehirnzellen zu simulieren: Je nach Input entscheidet jedes Neuron, ob es eine Ja- oder Nein-Antwort gibt, die dann in die Entscheidungsfindung anderer Neuronen einfließen kann. Diese Kombination kleiner Mikro-Entscheidungen führt zu einem unglaublich leistungsstarken Lernprozess und bildet die Grundlage für viele der bekannteren Beispiele von KI, wie z. B. Smart Speaker oder soziale Roboter.
Maschinelles Lernen oder Deep Learning – was kann mehr?
Sowohl maschinelles Lernen generell als auch Deep Learning im Speziellen haben ihre eigenen Vorzüge und Schwächen. Deep Learning ist in der Lage, komplexe Aufgaben zu bewältigen, die kreative Problemlösungsfähigkeiten erfordern; es ist jedoch sehr rechenintensiv. Andere Techniken des maschinellen Lernens (z. B. Clustering-Algorithmen und Support-Vektor-Maschinen) sind schlanker in der Implementierung und Ausführung. Die Aufgaben, die sie erfüllen können, sind begrenzt. Für Mustererkennungs- und Kategorisierungsaufgaben können sie jedoch sehr leistungsstarke Werkzeuge sein, die sich problemlos in eine Vielzahl von Softwarearchitekturen integrieren lassen.
Fazit
Es gibt viele Arten von künstlicher Intelligenz. Einige davon sind leichtgewichtige, einfach zu implementierende Algorithmen, die dennoch ein großes Potenzial zur Optimierung von Geschäftsprozessen haben. Andere basieren auf datenintensiven, komplexen neuronalen Netzen, die hoch skalierbare Umgebungen wie etwa die Content-Services-Plattform yuuvis Momentum erfordern. Da sie aber inzwischen selbst bei kreativen Aufgaben übermenschliche Leistungen erbringen können, lohnt es sich, ein Auge auf sie zu haben. Zweifellos werden sie die Art und Weise, wie wir in Zukunft Informationsmanagement in Unternehmen betreiben, grundlegend verändern.
*Die Autorin Viola Ganter ist Senior Content Managerin bei Optimal Systems.
Be the first to comment