Künstliche Intelligenz

Künstliche Intelligenz ist ein Teilgebiet der Informatik und basiert auf hochintelligenten AlgorithmenZiel ist es, Maschinen aus Erfahrungen lernen, verstehen und handeln zu lassen. Die Grundidee für die Künstliche Intelligenz legte der britsche Logiker, Mathematiker, Kryptoanalytiker  und  Informatiker Alan Mathison Turing bereits 1936. Mit seiner Turingmaschine, einem Berechenbarkeitsmodell, bewies er, dass Maschinen kognitive Prozesse ausführen können, wenn diese in mehrere Einzelschritte zerlegt und über Algorithmen dargestellt werden können. Heute unterteilt sich die Künstliche Intelligenz in mehrere Fachgebiete. Der Begriff „Künstliche Intelligenz“ geht hingegen auf den US-amerikanischen Informatiker John McCarthy zurück, der den Begriff erstmals 1956 auf der Dartmouth Conference mit dem Titel Dartmouth Summer Research Project on Artificial Intelligence nutzte. Die Dartmouth Conference war zugleich auch die Geburtsstunde der Künstlichen Intelligenz als akademisches Fachgebiet.

Sie planen ein Projekt im Bereich der Künstlichen Intelligenz und sind noch auf der Suche nach den passenden Experten? Mit unseren hochqualifizierten Spezialisten aus den Bereichen Informatik, Mathematik, Physik, Statistik, Datenmanagement und der Elektrotechnik bringen wir Ihr nächstes Projekt im Bereich der Künstlichen Intelligenz auf das nächste Level. Informieren Sie sich in diesem Zusammenhang auch über unser Leistungsspektrum in den Bereichen Arbeitnehmerüberlassung, Werk- und Dienstverträge.

Künstliche Intelligenz hält in immer mehr Branchen Einzug. Grund hierfür sind die großen Datenmengen, die im Rahmen der Digitalisierung manuell kaum noch zu stemmen sind und zugleich Chancen in sich bergen, die zur Optimierung von Produkten und zur effizienteren Gestaltung von Prozessen einen großen Beitrag leisten. Doch wie funktioniert Künstliche Intelligenz eigentlich und wie kann sie gewinnbringend eingesetzt werden? Diese Fragen beantworten wir im nachfolgenden Beitrag.

In Forschung und Entwicklung wird zwischen starker und schwacher Intelligenz unterschieden. Schwache Intelligenz begleitet uns bereits jetzt in unserem Alltag und ist z.B. in Sprachassistenten oder Chatbots integriert. Sie beschäftigt sich meist mit konkreten Anwendungsfällen. Starke künstliche Intelligenz hingegen existiert noch nicht und verfolgt das Ziel, einem dem Menschen gleichwertige Intelligenz zu entwicklen oder gar diese zu übertreffen.

Es gibt zwei Methoden, derer sich die Künstliche Intelligenz bedient. Das ist zum einen die neuronale und zum anderen die symbolische Künstliche Intelligenz.

Symbolische Künstliche Intelligenz

Die Symbolische Künstliche Intelligenz geht davon aus, dass menschliches Denken über eine logisch-begriffliche Ebene funktioniert. Wissen wird demnach über Symbole repräsentiert. Über Symbolmanipulation lernen Maschinen die Symbole auf Basis von Algorithmen zu deuten und zu verwenden. Die Informationen, die Maschinen benötigen, um zu lernen, werden über sogenannte Expertensysteme zur Verfügung gestellt, die die Informationen über logische Wenn-dann-Beziehungen sortieren. Indem Maschinen die Informationen aus den Expertensystemen mit ihrem Input vergleichen, lernen diese ständig hinzu. Der Nachteil dieses stark regelbasierten Ansatzes ist, dass Maschinen, die diese Methode der Künstlichen Intelligenz nutzen, nur schwer auf Ausnahmen, Variationen und unsicheres Wissen reagieren können und nur begrenzt zu selbstständigem Wissenserwerb fähig sind.

Neuronale Künstliche Intelligenz

Mitte der 1980er Jahre kam die neuronale Künstliche Intelligenz auf. Sie orientiert sich an den Strukturen des menschlichen Gehirns und der Funktionsweise der Nervenzellen. Ähnlich wie im menschlichen Gehirn ist bei der neuronalen Künstlichen Intelligenz das Wissen in kleinen Funktionseinheiten segmentiert, den sogenannten künstlichen Neuronen. Diese liegen in verschiedenen Schichten, sogenannten Layern, übereinander und sind hierarchisch miteinander verbunden. Die oberste Schicht, auch Inputschicht genannt, nimmt die Informationen von außen auf. Das können z.B. Daten über Patienten sein wie das Gewicht oder die Körpertemperatur. Die Informationen werden in Folge durch eine oder mehrere Zwischenschichten, die sogenannten Hidden Layer, gereicht. Je mehr Zwischenschichten es gibt, desto tiefer ist das neuronale Netz. In diesem Fall spricht man auch von Deep Learning. Erhält die Inputschicht eine neue Information, vergibt jedes Neuron in der Inputschicht einer durchfließenden Information ein zufälliges Gewicht und addiert einen sogenannten Neuron-spezifischen Bias-Term hinzu. Das Ergebnis wird dem nächsten Layer als Input weitergegeben. Die tiefste Schicht ist die Output-Schicht. Sie kennzeichnet den Endpunkt des Informationsflusses und enthält das Endergebnis der Informationsverarbeitung.

Damit das System lernen kann, wird sehr häufig die Methode des sogenannten Supervised Learning eingesetzt, bei dem das System anhand von Beispielen, echten Input-Output Datenpaaren, lernt. Dabei errechnet das neuronale Netz ein Ergebnis aufgrund der eingegangenen Input-Daten. Infolge gleicht das System das Ergebnis mit dem des Beispiel-Datensatzes ab und berechnet die Größe der Abweichung. Die Abweichung wird erneut in das neuronale Netz gespeist und das Gewicht sowie der Bias-Term so bestimmt, dass die Abweichung kleiner wird. Je öfter eine Abgleichung erfolgt und je mehr Beispiele ein System bekommt, desto besser kann es lernen und dem eigentlichen Ziel näherkommen für das das System aufgesetzt wurde.

Die künstliche Intelligenz gliedert sich in drei wesentliche Teilbereiche, die sich wiederum in jeweils 4 Teildisziplinen unterscheiden.

Handeln

Das Teilgebiet „Handeln“ umfasst die Sprachverarbeitung und Wissensrepräsentation und teilt sich in die Fachgebiete Natural Language Processing, Expertensysteme, Predictive Analytics und Robotik auf.

Natural Language Processing: Natural Language Processing, auch bekannt als Computerlinguistik (CL) oder linguistische Datenverarbeitung (LDV) versucht auf Basis von Algorithmen Computer dahingehend zu befähigen, dass sie menschliche Sprache verstehen und interpretieren können. Auf diese Weise soll eine Kommunikation auf Augenhöhe zwischen Mensch und Computer erzielt werden. Die Übersetzungsfunktion von Google ist ein Beispiel für den Einsatz von Natural Language Processing.

Expertensysteme: Expertensysteme sind Computerprogramme, die Lösungen und Handlungsempfehlungen durch Künstliche Intelligenz ableiten. Voraussetzung dafür ist eine Wissensbasis, in der menschliches Wissen über Wenn-dann-Beziehungen für Computer verständlich aufbereitet ist. Expertensysteme werden z.B. in der Therapie zur automatischen Entwöhnung von Beatmungspatienten eingesetzt oder auch zur Vorhersage von Erdbeben oder von Hochwasser.

Predictive Analytics: Unter Predictive Analytics wird eine Methode verstanden, die auf Grundlage von historischen Daten Prognosen für zukünftige Ereignisse geben kann. Predictive Analytics findet sowohl in der Versicherungsbranche als auch im Bereich der Meteorologie oder des Marketings Anwendung.

Robotik: Die Robotik beschäftigt sich mit der Konstruktion, dem Betrieb und der Nutzung von Robotern sowie deren Steuerung, sensorische Rückkopplung und Informationsverarbeitung. Künstliche Intelligenz kommt in diesem Zusammenhang zur Planung, Ausführung und Überwachung von Roboteraktionen zum Einsatz.

Wahrnehmung

Der Teilbereich der „Wahrnehmung“ untergliedert sich in die Disziplinen Bildverarbeitung, Spracherkennung, Texterkennung und Gesichtserkennung.

Bildverarbeitung: Bei der Bildverarbeitung werden Signale verarbeitet, die in Form von Bildern oder Videos repräsentiert werden. Mit dem zusätzlichen Einsatz von Künstlicher Intelligenz kann die Bildverarbeitung zum Beispiel in der Dermatologie bei der Hautkrebsdiagnostik unterstützen.

Spracherkennung: Die Spracherkennung beschäftigt sich damit, Computern die gesprochene Sprache näherzubringen. Beispiele dafür sind Sprachassistenten wie Alex oder Siri, die automatische Spracherkennung bereits einsetzen.

Texterkennung: Die Texterkennung ist als Äquivalent zur Spracherkennung zu verstehen und wird bereits in Form Chatbots eingesetzt.

Gesichtserkennung: Bei der Gesichtserkennung kann über bestimmte Programme erreicht werden, Personen anhand bestimmter Merkmale auf digitalen Bilder zu identifizieren. Anwendungsbeispiele bei denen die Gesichtserkennung bereits eingesetzt wird ist z.B. beim Entsperren von Smartphones oder bei Einlasskontrollen an Flughäfen.

Lernen

Der dritte Teilbereich der Künstlichen Intelligenz ist der des „Lernens“ mit den Fachdisziplinen Tiefgehendes Lernen, Maschinelles Lernen, Verstärkendes Lernen und Crowd Sourcing.

Maschinelles Lernen: Die Technologie des maschinellen Lernens „lernt“ über hochkomplexe Algorithmen aus einer großen Datensammlung. Je mehr Daten vorhanden sind, umso mehr lernt die Technologie hinzu. Aufgaben müssen so nicht mehr zusätzlich programmiert werden.

Tiefgehendes Lernen: Tiefgehendes Lernen, auch als Deep Learning bekannt, ist ein Teilbereich des Maschinellen Lernens, das auf neuronalen Netzen, Computerprogramme, die mehrere Knotenebenen verwenden, Muster erkennen und menschenähnliche Entscheidungen treffen, basiert und sich am menschlichen Gehirn orientiert. Über das neuronale Netz und auf Basis von enorm großen Datenmengen kann das System Erlerntes mit neuen Inhalte verknüpfen und so Prognosen und Entscheidungen treffen und diese hinterfragen. Beispiele, in denen Deep Learning bereits eingesetzt wird, sind zum Beispiel autonom fahrende Fahrzeuge.

Verstärkendes Lernen: Verstärkendes Lernen, auch als Reinforcement Learning bekannt, ist eine Methode des Maschinellen Lernens. Die Besonderheit dieser Methode ist, dass sie auf einem Belohnungssystem beruht. So erlernt die Maschine eigenständig, welche Aktion die beste ist. Die Datenbasis erfolgt durch ausführliche Trial-and-Error-Abläufe innerhalb eines Simulationsszenarios. Verstärkendes Lernen wird z.B. bei der Ampelschaltung genutzt.

Crowd Sourcing: Crowd Sourcing ist auch als Human Computation bekannt und bezeichnet das Lösen solcher Aufgaben durch eine Vielzahl an Anwendern, die alleine durch Künstliche Intelligenz nicht lösbar sind. Das Konzept des Crowd Sourcings weißt in diesem Zusammenhang darauf hin, dass es trotz Künstlicher Intelligenz immer noch menschliches Zutun benötigt.

Die Einsatzgebiete von KI sind äußerst vielfältig. Sie finden sowohl im digitalen Umfeld als auch in Prozessen der physischen Welt Einsatzmöglichkeiten. Beispiele für den Einsatz von KI in digitalen Prozessen sind z.B. Chatbots, textbasierte Dialogsysteme, die in der Lage sind, selbständig zu lernen und eigenständig Antworten aus Gesetzmäßigkeiten abzuleiten. Chatbots werden häufig im Kundensupport des eCommerce eingesetzt. Im Einzelhandel sowie in der Logistik kann KI darüber hinaus zur Optimierung des Warenbestands eingesetzt werden, um Out-of-Stock Raten zu reduzieren und Umsatz und Gewinn zu steigern. Auch Privathaushalte sind zunehmend mit KI-basierter Technologie in Kontakt. Beispiele hierfür sind Produktempfehlungen, die Nutzer über E-Mail, Social-Media-Kanäle oder das Web mit personalisierten Inhalten ansprechen oder persönliche Sprachassistenten, wie Alexa oder Siri, die über Spracherkennung Anweisungen umsetzen können.

Eingebettet in physische Prozesse kann KI aber auch in Form von Robotern zum Einsatz kommen, um z.B. für den Menschen gesundheitsschädliche oder gefährliche Aufgaben wie das Schweißen oder Lackieren zu übernehmen oder Tätigkeiten umzusetzen, bei denen besonders viel Präzision gefragt ist. Auch beim Autonomen Fahren, dem Technologietrend in der Automobilbranche kommt Künstliche Intelligenz zum Einsatz. Über Deep Learning werden Fahrzeuge zukünftig lernen, ihre Umwelt zu verstehen und für mehr Sicherheit und Komfort sorgen. 

Die Integration von KI ermöglicht es Unternehmen, Produkte und Services an die Bedürfnisse ihrer Kunden anzupassen, Erfahrungen zu personalisieren und damit einen klaren Wettbewerbsvorteil zu erzielen. Zugleich verlangt KI von Unternehmen aber auch ein Umdenken, eine präzise Planung und qualifizierte Fachkräfte.

Unsere Experten zeichnen sich durch eine fundierte Ausbildung und Erfahrung im Bereich der Künstlichen Intelligenz aus. Sie verfügen über fachspezifisches Know-how in der Programmierung und Weiterentwicklung von Algorithmen, dem Training der KI sowie der Analyse bestehender Daten und Prozesse. Um die passenden Experten für Ihr Projekt zu finden, verschaffen wir uns einen umfassenden Überblick über Ihr Projekt. In diesem Zusammenhang interessiert uns, über welche Tools, Erfahrungen, Qualifikationen oder Sprachkenntnisse unsere Experten verfügen sollten. So können wir sicherstellen, dass unsere Spezialisten KI-Lösungen entwickeln, die Ihren Qualitätsanforderungen entsprechen.

Im Anschluss gehen unsere Talent Scouts und Account Manager auf die Suche nach den passenden Kandidaten. Dazu nutzen wir verschiedene Kanäle und Netzwerke. Eine proaktive und vorausschauende Kandidatenansprache sowie unser globales Netzwerk an Technik- und IT-Experten kommen uns dabei zu Gute. Sie interessieren sich für unsere Recruiting-Expertise? Mehr dazu können Sie hier erfahren.