Gekommen, um zu revolutionieren

Das Wichtigste gleich vorneweg: Künstliche Intelligenz ist kein kurzfristiger Hype, sondern wird langfristig vieles in Gesellschaft, Wirtschaft, Technologie – im Leben jedes einzelnen verändern. Das geht nicht zuletzt auch aus dem im März 2024 veröffentlichen „Tech Trends Report 2024“ des renommierten Future Today Institutes hervor.

So wird KI künftig nicht nur verstärkt im Gesundheitswesen, in der Bildung oder im Transport eine Rolle spielen. KI kann auch wirtschaftliches Wachstum vorantreiben, da Unternehmen durch KI ihre Produktivität erhöhen und Kosten senken können. Auch auf den Arbeitsmarkt werden sich „Intelligente Systeme“ massiv auswirken, und natürlich kann KI ebenso zur Bewältigung globaler Herausforderungen wie dem Klimawandel beitragen, indem sie effizientere Lösungen für Energieverbrauch und Ressourcennutzung bietet.

Damit ist „das Ende der Fahnenstange“ allerdings noch lange nicht erreicht, auf den Punkt gebracht lässt sich aber festhalten: Künstlicher Intelligenz wohnt eine enorme transformative Kraft inne, die bereits jetzt – und in Zukunft - weitreichende Auswirkungen hat. 

Was ist Künstliche Intelligenz? 

Zu Beginn sei aber einmal die ganz grundsätzliche Frage beantwortet: Was genau ist überhaupt „Künstliche Intelligenz“, wie wird sie definiert?

Vereinfacht erklärt ist sie ein Teilgebiet der Informatik, das sich mit der Schaffung von Systemen befasst, die menschenähnliche Intelligenz und Verhaltensweisen nachahmen können. KI-Systeme sind so konzipiert, dass sie Aufgaben ausführen, die normalerweise menschliche Intelligenz erfordern, wie zum Beispiel Sprachverständnis, Problemlösung, Bildanalyse und Entscheidungsfindung. Diese Systeme verwenden eine Vielzahl von Techniken, um Wissen zu erlangen und Eintrittswahrscheinlichkeiten zu berechnen, und sind in der Lage, sich durch Erfahrungen zu verbessern. 

Innerhalb der KI gibt es mehrere Unterdisziplinen, von denen Machine Learning (ML) eine der bedeutendsten ist. ML bezieht sich auf Methoden und Algorithmen, die es einem System ermöglichen, aus Daten zu lernen und sich im Laufe der Zeit zu verbessern, ohne explizit dafür programmiert zu werden. ML-Algorithmen analysieren große Datenmengen, identifizieren Muster und treffen Vorhersagen basierend auf diesen Mustern. Ein klassisches Beispiel für ML ist ein E-Mail-Spam-Filter, der lernt, unerwünschte Nachrichten zu erkennen und auszusortieren, basierend auf den Merkmalen der E-Mails, die zuvor als Spam markiert wurden. 

Deep Learning (DL) ist eine spezialisierte Unterkategorie des Machine Learnings, die auf künstlichen neuronalen Netzen basiert, die vom menschlichen Gehirn inspiriert sind. Diese Netzwerke bestehen aus mehreren Schichten von Neuronen, durch die Daten geleitet werden. Jede Schicht extrahiert dabei zunehmend abstraktere Merkmale der Eingabedaten. DL hat in den letzten Jahren aufgrund seiner Fähigkeit, sehr komplexe Probleme zu lösen, enorm an Bedeutung gewonnen. Es wird erfolgreich in Bereichen wie Sprach- und Bilderkennung und autonomem Fahren eingesetzt. Zum Beispiel nutzt die Gesichtserkennungstechnologie Deep Learning, um Gesichter auf Fotos oder in Videos mit hoher Genauigkeit zu identifizieren. 

Die Beziehung zwischen KI, ML und DL kann als hierarchisch betrachtet werden:

• KI ist das übergeordnete Feld, das das Ziel verfolgt, intelligente Maschinen zu entwickeln, menschliche Intelligenz nachzubilden und Prozesse zu automatisieren.
• ML ist ein spezifischer Ansatz innerhalb der KI, der auf der Idee basiert, dass Systeme aus Daten lernen können.
• DL wiederum ist ein Teilbereich des ML, der auf neuronalen Netzen mit vielen Schichten aufbaut, um besonders komplexe Aufgaben zu bewältigen. 

Ein anschauliches Beispiel für das Zusammenspiel dieser Techniken ist die Entwicklung autonomer Fahrzeuge. KI-Technologien ermöglichen es dem Fahrzeug, die Umgebung zu verstehen und Entscheidungen zu treffen. ML-Algorithmen helfen dem System, aus Erfahrungen zu lernen und die Entscheidungsprozesse zu verbessern. Deep Learning wird verwendet, um Echtzeit-Bilder der Fahrzeugumgebung zu analysieren und Objekte wie Fußgänger, andere Fahrzeuge und Straßenschilder präzise zu erkennen. 

Wie baut man eine KI? 

Die Entwicklung einer Künstlichen Intelligenz ist ein spannendes und komplexes Unterfangen, das verschiedene Disziplinen der Informatik und Mathematik vereint.

• Zunächst muss klar sein, welches Problem gelöst werden soll und welche Ziele dabei verfolgt werden.
• Dann sucht man nach passenden Daten, sammelt sie, bereinigt sie und teilt sie in verschiedene Gruppen für Tests auf. Man wählt ein Modell aus, das gut zum Problem passt, wie zum Beispiel „Entscheidungsbäume“, „neuronale Netze“ oder „Support Vector Machines“.
• Das Modell wird dann mit den gesammelten Daten trainiert und mit anderen Daten getestet, um es zu verbessern. Danach wird es auf seine Robustheit geprüft und gegebenenfalls weiter optimiert.
• In der letzten Phase wird das Modell in eine Anwendung eingebaut und in der realen Welt verwendet, wobei seine Leistung ständig überwacht wird.
• Schließlich muss das Modell regelmäßig aktualisiert werden, um sicherzustellen, dass es weiterhin genau und zuverlässig arbeitet. 

Agents, AGM und LLM – was steckt dahinter? 

Als ob Künstliche Intelligenz als solche nicht schon sehr komplex wäre, kommen in diesem Zusammenhang auch noch Begriffe ins Spiel, die beim ersten Lesen oder Hören natürlich Rätsel aufgeben. Agents, Artificial General Intelligence und Large Language Models klingen aber durchaus komplizierter als sie sind. Was steckt hinter den mächtig klingenden Begriffen? 

Agents sind spezifische KI-Systeme oder softwaregesteuerte Programme, die für bestimmte Aufgaben entwickelt wurden. Sie sind spezialisiert und können Aufgaben innerhalb ihres vorgegebenen Bereichs effizient und zuverlässig ausführen. Was sie nicht können: über ihren vorgegebenen Rahmen hinaus selbstständig lernen oder sich an geänderte Gegebenheiten anpassen.

Mit Agents haben wir alle längst tagtäglich zu tun, auch wenn wir es bisher vielleicht nicht wussten, dass sie dahinterstecken. Chatbots funktionieren beispielsweise teilweise so oder auch Empfehlungssysteme sowie Roboter, die in der Industrie bestimmte Tätigkeiten ausführen. Agents sind kostengünstiger und schneller zu entwickeln als intelligentere Systeme, sie können schrittweise weiterentwickelt werden und so ihre Effizienz und ihre Fähigkeiten steigern.

AGIs (Artificial General Intelligence) sind eine ganz andere Dimension: Sie können intellektuelle Aufgaben verstehen und sie können lernen. AGIs besitzen eine menschenähnliche Intelligenz und kognitive Fähigkeiten. Was das heißt? Zum Beispiel, dass AGIs aus Erfahrungen lernen können. Dass sie eine Vielzahl von Aufgaben verstehen, lernen und ausführen können, und damit ganz ähnlich arbeiten wie unser Gehirn. Sie sind nicht in eine starre Programmierung gepresst, sondern passen sich an Situationen und Aufgaben an. AGIs sind allerdings noch Zukunftsmusik und es gibt keine existierenden Beispiele für AGI. 

LLM (Large Language Models) schließlich haben wir alle in der einen oder anderen Form schon ausprobiert. Das sind fortschrittliche maschinelle Lernmodelle, die auf große Textdatensätze trainiert werden und in der Lage sind, menschenähnliche Texte zu generieren. Chat GPT beispielsweise ist eine solche Anwendung, die ein breites Verständnis von Sprache hat und eine große Zahl von sprachbezogenen Aufgaben ausführen kann. Eine Hochzeitsrede, die Weihnachtsansprache, ein Reklamationsschreiben? Chat GPT liefert innerhalb von Minuten – und die Ergebnisse können sich durchaus sehen lassen. LLMs sind also flexibler und haben breitere Anwendungsmöglichkeiten als spezifische Agents, sie sind aber immer noch beschränkt auf die Verarbeitung und Generierung von Text. 

Wie geht es weiter? Und was kommt noch? 

In den nächsten Jahren werden wohl die spezialisierten Agents weiter die größte Rolle spielen. In Bereichen wie dem Gesundheitswesen, dem Finanzsektor, bei Transport und Logistik sparen Agents unheimlich viel Zeit und Ressourcen. Automatisierte Kundenservices, smarte Heimgeräte und die schon erwähnten Chatbots begegnen uns jetzt schon auf Schritt und Tritt und werden in Zukunft noch häufiger auftauchen.

AGIs könnten mit ihrer Fähigkeit, zu lernen und innovative Lösungen für komplexe Probleme zu finden, ebenfalls vieles revolutionieren. Manchem mag jetzt Goethes Zauberlehrling in den Sinn kommen. Ja, wir werden als Gesellschaft Grenzen definieren und Regeln aufstellen müssen, wenn uns unsere eigenen Entwicklungen nicht überrollen sollen. Das Rad allerdings dreht sich mit Sicherheit weiter – und zwar nach vorne und nicht zurück. Aber wie immer gilt, dass Angst ein schlechter Ratgeber ist. Besser also auf den Laufenden bleiben, Entwicklungen kritisch beobachten und gekonnt nutzen.