Was ist Künstliche Intelligenz?

Was haben zehn Millionen Videobilder gemeinsam? Menschliche Gesichter, menschliche Körper – und Katzen.
Vor einigen Jahren analysierten Forscher mithilfe eines Netzwerks aus 1000 Computern die Datenbanken der Videoplattform YouTube. Drei Tage untersuchte das Netzwerk Bilder nach wiederkehrenden Mustern, bis die Künstliche Intelligenz letztlich selber entschied, dass diese Bilderflut in unterschiedliche Kategorien einteilbar ist. Darunter: Katzen. Dass das Internet voller Katzen ist, war zwar keine neue Erkenntnis. Aber die Analyse bewies, dass Computer mittels riesiger Datenmengen und großer Rechenleistung selbstständig Antworten und Lösungen finden können. Ein Beweis für die Leistungsfähigkeit Künstlicher Intelligenz.

Video

Künstliche Intelligenz im Alltag
Wann spricht man von Künstlicher Intelligenz?
Sprachassistenten in Smartphones, Navigationssysteme in Autos oder die Gesichtserkennung von Foto- und Video-Apps: Immer mehr Menschen nutzen Künstliche Intelligenz. Aber nur wenige wissen genau, wie und wo Künstliche Intelligenz sie bereits heute im Alltag umgibt - und was sie eigentlich ausmacht.

Eine konkrete Antwort zu geben, ist schwierig, denn schon der Begriff "menschliche Intelligenz" ist nicht fest definiert. Geprägt wurde der Begriff „Künstliche Intelligenz“ 1956 vom Computerwissenschaftler John McCarthy auf einer Konferenz an der Dartmouth Universität.

Der wesentliche Unterschied von herkömmlichen Computerprogrammen zu Systemen mit Künstlicher Intelligenz ist, dass erstere nur das tun, was ihnen Menschen durch vorgegebene Verarbeitungsvorschriften (Algorithmen) beigebracht haben. Eine Künstliche Intelligenz lernt dagegen selbstständig und reagiert auf Aufgaben oder Probleme, unabhängig vom Menschen.
Was zunächst einfach klingt, ist ein bedeutender Unterschied. Denn während einfache Computerprogramme schlicht Serien von komplexen Wenn-Dann-Aufgaben verarbeiten, kann eine Künstliche Intelligenz dem menschlichen Gehirn in Form sogenannter Neuronaler Netzwerke nachempfunden sein. Diese ähneln der Funktionsweise von Neuronen und können sehr viele Informationen gleichzeitig verarbeiten. Die Netzwerke leiten Informationen über künstliche Synapsen weiter und sind in der Lage, durch sogenanntes Deep Learning zu lernen, indem sie gezielt trainiert werden. Wie ihr natürliches Vorbild, der Mensch, lernen sie aus der Erfahrung.
Wichtige Begriffe kurz erklärt
Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz. Durch maschinelles Lernen werden Computer in die Lage versetzt, in den ihnen gestellten Aufgaben und Problemen Muster und Gesetzmäßigkeiten zu erkennen. Es wird quasi künstliches Wissen aus Erfahrungen generiert. Voraussetzung dafür sind ausgewählte Handlungsanweisungen, sogenannte Algorithmen, sowie große Datenmengen.
Das Wort Algorithmus beschreibt grundlegend erst einmal nur ein Berechnungsverfahren. So lernt jedes Kind in der Schule Algorithmen kennen, wie es z. B. schriftlich ganze Zahlen addiert, multipliziert oder dividiert. Im Bereich der Informationstechnik beschreibt der Begriff eine Verarbeitungsvorschrift, die so präzise formuliert ist, dass eine Maschine ein bestimmtes Problem bzw. eine Aufgabe lösen kann. Die Anweisung oder Vorschrift muss eine endliche Anzahl einzelner Schritte haben, sie muss also irgendwann fertig werden. Nach dem Abschluss eines einzelnen Schrittes muss immer klar sein, welches der nächste Schritt ist.
Die erste Idee, die Leistung des Gehirns auf das Maschinelle Lernen zu übertragen, entstand bereits 1943. Der Neurologe Warren S. McCulloch und der Logiker Walter Pitts schlugen als Recheneinheiten künstliche Nervenzellen vor, die miteinander verbunden sind. Ihr biologisches Vorbild sind Nervenzellen des Gehirns. Neuronale Netzwerke sind Gruppen von Algorithmen, die ähnlich wie ein menschliches Gehirn aufgebaut sind, um wiederkehrende Muster zu erkennen und in sogenannte Modellgruppen zu ordnen. In einem künstlichen, neuronalen Netz werden viele Neuronen zusammengeschaltet, um wie in einem Gehirn komplexe Aufgaben zu lösen.
Deep Learning (Deutsch für tiefgehendes Lernen) ist ein Teilbereich des Maschinellen Lernens. Während klassische Algorithmen oft auf einfachen, mathematischen Formeln aufbauen, entwickeln sich Deep-Learning-Algorithmen eigenständig weiter bzw. erstellen eigenständig neue Modellebenen innerhalb eines Neuronalen Netzwerkes.
Mit dem Begriff Big Data fassen Experten zwei Aspekte zusammen: Zum einen beschreibt er die immer rasanter wachsenden Datenmengen, die durch die Nutzung digitaler Geräte entstehen. Zum anderen geht es um leistungsstarke Software-Lösungen und Computersysteme, mit denen Unternehmen die Informationsflut vorteilhaft und schnell verarbeiten können.
Verbessert KI unseren Alltag?
Damit intelligente Systeme unseren Alltag bereichern können, benötigen sie große Datenmengen. Big Data ist eine wichtige Voraussetzung für eine gut funktionierende KI. Denn durch die andauernde Daten-Analyse, beispielsweise von Benutzerdaten, lernen sie stetig dazu. Im Sport kann durch die Analyse biometrischer Daten ermittelt werden, wie sich das Training eines Sportlers auf seine Verletzungswahrscheinlichkeit auswirkt. Landwirte können den optimalen Zeitpunkt für die Bewässerung der Felder ermitteln. Städte nutzen Daten für das Energiemanagement. Die Medizin setzt KI ein, um Krankheiten zu erkennen und Behandlungen nachzuverfolgen.

Dass Künstliche Intelligenz zu unerwarteten Lösungen kommen kann, zeigte der für den Kurznachrichtendienst Twitter entwickelte Chat-Bot "Tay". Mit ihm wollten Entwickler testen, wie Künstliche Intelligenz im Alltag lernen kann. "Tay" wurde nach nur knapp 24 Stunden wieder abgeschaltet. Das Experiment, eine künstliche Intelligenz im Austausch mit Menschen lernen zu lassen, war gründlich schiefgegangen. Denn aus dem als Teenager konstruierten Chat-Bot war innerhalb weniger Stunden ein Internet-Troll voller Hass und Hetze geworden. Twitter-Nutzer hatten eine Schwachstelle im Bot erkannt und ihm damit negative Verhaltensweisen beigebracht.