Technologie

#AutonomousEverything

KI: Schlauer als der Mensch?

min Lesezeit
Tags: KünstlicheIntelligenz

Die künstliche Intelligenz – ein Buzzword und Trendthema. Aber was bedeutet KI eigentlich? Was kann sie heute und was in Zukunft leisten? Ein Überblick.
Arnold Schlegel, 14. Juni 2018
author_image
Arnold Schlegel ist Entwicklungsingenieur bei ZF und Experte für autonomes Fahren und künstliche Intelligenz.
Intelligente Fahrzeuge, hochentwickelte Roboter, denkende Maschinen: Was für viele futuristisch wirkt, ist beinahe schon ein alter Hut. Denn schon vor Jahrzehnten haben sich Menschen mit Künstlicher Intelligenz (KI) beschäftigt. Anfangs Mathematiker, später Software-Nerds und Spiele-Entwickler. Heute bewegt das Buzzword KI Staatspräsidenten und Regierungschefs. Aber woher kommt der Hype um die Künstliche Intelligenz? Und ist er überhaupt noch berechtigt?

Was ist Künstliche Intelligenz eigentlich?

Im Kern geht es bei Künstlicher Intelligenz darum, Maschinen mit kognitiven Fähigkeiten auszustatten, damit sie bestimmte Aufgaben besser lösen als Menschen. Genau darin liegt auch die wesentliche Neuerung – und eine Revolution. Denn im Verlauf der Geschichte war es bisher dem Menschen vorbehalten, Dinge zu analysieren und zu planen oder logische Schlüsse zu ziehen.
Daran änderten auch mehrere industrielle Revolutionen nichts. Von der Dampfmaschine bis zum modernen Industrieroboter: Es ging dabei immer nur um Mechanisierung oder Automatisierung. Die Maschinen übertrafen die menschliche Muskelkraft oder die Geschwindigkeit, Präzision und Konzentration des Menschen. Aber erst heute können Computer dank Künstlicher Intelligenz höchst komplexe Probleme besser bewältigen als der Mensch.

Die Zeit ist reif für die KI

Die Zeit ist reif für die KI

Künstliche Intelligenz ist möglich, weil momentan mehrere Entwicklungen zusammenfallen. Zu diesen zählen insbesondere die folgenden drei:
  • Zunahme der Rechenleistung von Computerprozessoren – eine Grundvoraussetzung für die komplexen und ressourcenhungrigen KI-Programme
  • Über die Cloud und hohe mobile Bandbreiten sind immense Datenmengen verfügbar. Dies ist wichtig, denn KI-Systeme spielen ihre Vorzüge vor allem aus, wenn es darum geht, Muster in großen Datenmengen zu erkennen.
  • Software-Entwickler können nun Programme schreiben, die ähnlich arbeiten wie das menschliche Gehirn, inklusive der Fähigkeit zu lernen, also das eigene Tun zu reflektieren und anzupassen.

Die Nadel im Heuhaufen der Big Data

Die Nadel im Heuhaufen der Big Data

Künstliche Intelligenz hat längst ihren Weg in unseren Alltag gefunden. So nutzen 56 Prozent der Deutschen bereits Sprachassistenten wie Amazons Alexa oder Apples Siri. Smartphones sind in der Lage zu erkennen, ob jemand zu Fuß oder im Auto unterwegs ist. Und dank intelligenter Algorithmen bieten Facebook, Twitter und Co. uns exakt die Informationen an, die uns interessieren.
Darüber hinaus könnten unterschiedlichste Berufszweige von den Big-Data-Analysen solcher KI-Assistenten profitieren – und tun es teils schon heute: Unternehmensberater, Ärzte bei der Analyse von MRT- und Röntgenbildern, Juristen bei der Suche nach Präzedenzurteilen und Steuerberater bei der Organisation von Klientenprofilen.
Der wesentliche Unterschied gegenüber der traditionellen Software-Welt besteht darin, dass KI-Systeme Entscheidungen treffen oder Fragen beantworten können, die thematisch nicht bereits in ihrem Code hinterlegt sind.

Erst dieses Abstrahieren – das Nutzen von Erfahrungen und das Finden von kreativen, neuen Möglichkeiten – verleiht ihnen jene kognitiven Fähigkeiten, die der Mensch längst hat. Der Algorithmus erlernt aus Daten Muster und zieht daraus Rückschlüsse, ohne einen definierten Zusammenhang zu kennen.

Deep Learning: Informationen scheibchenweise verstehen

Deep Learning: Informationen scheibchenweise verstehen

Eine Software, die auf diese Weise lernen kann, ist ähnlich aufgebaut wie die neuronalen Netze im menschlichen Gehirn. Dort bilden Synapsen die Knotenpunkte in einer engmaschig verbundenen Struktur. Deep-Learning-Algorithmen bestehen aus simulierten Knoten, die anders als im Gehirn in Schichten, sogenannten Layern, hintereinander angeordnet sind. Der Input durchläuft nacheinander die einzelnen Layer. So übernimmt jede Schicht bei der Verarbeitung spezielle Aufgaben. Bei der Bilderkennung beispielsweise verarbeitet die erste Schicht die Bildinformationen Pixel für Pixel, während die nächste auf die Analyse von Ecken und Kanten spezialisiert ist. Danach folgen schräge Linien oder runde Formen und so weiter. Erst am Ende wird der Gegenstand als „Baum“, „Katze“ oder „Straßenschild“ identifiziert. Die Anzahl der involvierten Knoten ist immens: Aktuelle KI-Systeme organisieren Milliarden künstlicher Neuronen in rund 30 Schichten.
Der Begriff Deep Learning bezieht sich auf die Tiefe dieser Schichtenstruktur. Deep-Learning-Algorithmen erlauben auch Rückkopplungs- und Korrekturschleifen und lassen sich besonders gut darauf spezialisieren, Muster oder Abweichungen in riesigen Datenmengen zu erkennen. Das macht sie beispielsweise für den Einsatz in Bilderkennungsprogrammen unschlagbar. Voraussetzung ist – neben einer enormen Rechenleistung – das Anlernen auf der Grundlage einer wahren Flut von Daten. Denn ein Algorithmus ist am Ende nur so gut wie die Daten, mit denen er trainiert wurde.

Die Welt als Anwendungsfeld für KI

Die Welt als Anwendungsfeld für KI

Das Training von KI-Systemen ist aber eine der großen Herausforderungen. Denn wie testet man ein System, das darauf ausgelegt ist, unvorhergesehene Probleme zu lösen? Virtuelles Training und Software-in-the-Loop-Methoden werden dazu beitragen, diese Hürde zu bewältigen. Dann könnten bald auch autonom fahrende Fahrzeuge die Anzahl der Verkehrsunfälle markant senken. Was das bedeutet und wo künstliche Intelligenz schon heute im Auto zum Einsatz kommt, lesen Sie hier im zweiten Teils unseres KI-Specials.