Immer häufiger kommen Führungskräfte – auch jene ohne technische Ausbildung – in Kontakt mit künstlicher Intelligenz (KI) aufgrund von Automatisierung und Digitalisierung. Dies führt unter anderem dazu, dass Begriffe rund um das Thema KI häufig inflationär oder gar falsch verwendet werden. Im folgenden Glossar finden Sie wichtige Begriffe zum Thema künstliche Intelligenz, die Sie kennen sollten.
Zusammenfassung
Künstliche Intelligenz (KI) in der Praxis
Künstliche Intelligenz findet bereits heute in sämtlichen Bereichen im Alltag Anwendung:
- Suchmaschinen erleichtern den Umgang mit der im Internet vorhandenen Informationsflut,
- Analyse und Prognose von Aktienkursentwicklungen werden gelegentlich durch künstliche neuronale Netze unterstützt und
- Sprachassistenten oder der Gesichtserkennung begegnen wir täglich.
Künstliche Intelligenz gewinnt seit Jahren an Bedeutung und ermöglicht Unternehmen, profitabler zu wirtschaften sowie sich einen Wettbewerbsvorteil zu verschaffen.
DeepMind
Bei DeepMind handelt es sich um ein Unternehmen, das sich auf die Programmierung einer künstlichen Intelligenz spezialisiert hat. Das offizielle Unternehmensziel von DeepMind ist, Intelligenz zu verstehen. Im Gegensatz zu anderen künstlichen Intelligenzen hat DeepMind somit kein vordefiniertes Ziel und ist flexibler in der Anwendung für verschiedene Probleme.
AlphaGo und AlphaZero
Weltweit bekannt wurde DeepMind durch AlphaGo, ein Computerprogramm, das ausschließlich das Brettspiel Go spielt.
Obwohl beim Spiel Go allen Spielern jederzeit alle Regeln und Informationen bekannt sind und es keine Zufallskomponente wie etwa würfeln gibt, ist die Komplexität von Go ein Vielfaches höher als die von beispielswiese Schach. Nach jedem Zug alle möglichen Kombinationen von Spielzügen zu berechnen ist daher unmöglich. Go setzt eine gewissen (künstliche) Intelligenz voraus.
Im Oktober 2015 besiegte AlphaGo den mehrfachen Europameister Fan Hui. Es war damit das erste Programm, das unter Turnierbedingungen einen professionellen Go-Spieler mehrfach nacheinander schlagen konnte.
Im Jahre 2017 wurde eine verbesserte Version des Programms namens AlphaGo Zero veröffentlicht, welche das alte Programm 100 zu 0 schlug. Die Strategien von AlphaGo Zero wurden autonom erstellt. Interessant dabei: Die Lernphase von AlphaGo Zero dauerte nur drei Tage, während AlphaGo im Vergleich Monate veranschlagte.
Hieran sieht man nicht nur wie „intelligent“ Computerprogramme sein können, sondern ebenfalls wie schnell sich die Forschung und Entwicklung im Bereich der künstlichen Intelligenz weiterentwickelt. Vorgänge und Prozesse, die wir heute als topmodern ansehen, werden in fünf Jahren bereits „veraltet“ sein.
Es ist elementar für Unternehmen, die Augen offen zu halten, sich über neue Technologien und Prozesse zu informieren und diese so in Unternehmen einzusetzen, dass sie einen Mehrwert bringen.
Im Folgenden stellen wir einige, aus unserer Sicht wichtigen Begriffe im Zusammenhang mit dem Kernbegriff KI und auch den Begriff KI selbst vor.
Artificial Intelligence (AI) / Künstliche Intelligenz (KI)
AI steht für das englische „Artificial Intelligence“, zu Deutsch: Künstliche Intelligenz. AI ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst. Häufig wird in der Praxis versucht, bestimmte Entscheidungsstrukturen des Menschen nachzubilden und unter Umständen sogar durch Einsatz großer Datenmengen zu verbessern. Ziel der Programmierung ist es, ein Computer dazu zu befähigen eigenständig Probleme zu bearbeiten. KI findet man heute in sämtlichen Branchen, beispielsweise in der Medizin, dem Bankwesen oder dem Handel.
Machine Learning (ML) /
Maschinelles Lernen
Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen. Es wird quasi „künstliches Wissen“ aus Erfahrungen generiert. Die aus den Daten gewonnenen Erkenntnisse lassen sich mittels statistischer Verfahren verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden. Entscheidend ist die Vorbereitung und Strukturierung der Daten, denn maschinelles Lernen setzt eine definierte Zielgerade voraus.
Deep Learning
Deep Learning, oder auch: Mehrschichtiges, tiefes Lernen, bezeichnet eine spezielle Methode der Informationsverarbeitung. Die Funktionsweise ist in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert. Auf Basis vorhandener Informationen und des neuronalen Netzes kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen.
Deep Learning lehrt Maschinen das Lernen. Daraus resultierend ist die Maschine in der Lage, Prognosen oder Entscheidungen zu treffen. Entscheidungen werden bestätigt oder in einem neuen Anlauf aktualisiert. In der Regel greift der Mensch beim eigentlichen Lernvorgang nicht mehr ein.
Der Hauptunterschied zwischen Machine Learning und Deep Learning liegt darin, dass das Deep Learning in der Lage ist, unstrukturierte Informationen wie Texte, Bilder und Sprache in numerische Werte umzuwandeln. Diese extrahierten Informationen werden dann zur Mustererkennung oder zum weiteren Lernen verwendet. Klassisches Machine Learning, also bspw. anhand von Entscheidungsbaumverfahren, ist nicht in der Lage, diese unstrukturierten Daten sinnvoll zu verarbeiten.
Smart Factory
Eine Smart Factory steht im Zentrum der sogenannten Industrie 4.0. Im Idealfall stellt sie eine Produktions- und Fertigungsumgebung dar, die sich ohne menschliche Eingriffe selbst organisiert. Der Mensch muss in den eigentlichen Produktionsprozess nicht mehr eingreifen.
Basis der Smart Factory sind sogenannte cyber-physische Systeme und die intelligente Vernetzung von Maschinen und Produkten. Das Produkt selbst teilt die für die Fertigung benötigten Informationen der Smart Factory mit. Anhand dieser Informationen erfolgt die Steuerung der einzelnen Produktionsschritte bis zum gewünschten Endergebnis. In vielen Fällen findet eine drahtlose Kommunikation zwischen Produkten und Anlagen statt. Die Kommunikationsgrundlage bildet das Internet of Things (IoT).
Künstliche neuronale Netze (KNN)
Künstliche neuronale Netze stellen die Grundlage von KI dar, quasi deren Infrastruktur. KNN sind inspiriert durch das menschliche Gehirn und lassen sich für maschinelles Lernen und die künstliche Intelligenz einsetzen. Solche Netze bestehen aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie der Statistik, der Technik oder der Wirtschaftswissenschaften computerbasiert lösen lassen.
KNN sind prädestiniert für Anwendungen, bei denen nur geringes systematisches Lösungswissen vorliegt und eine große Menge von teils unpräzisen Eingabeinformationen zu einem konkreten Ergebnis verarbeitet werden müssen. Anwendungsbereiche sind beispielsweise die Spracherkennung oder die Bilderkennung. Wenn es sich um eine mehrschichtige hierarchische Struktur handelt, spricht man von Deep Learning.
Robotik
Robotik befasst sich mit dem Entwurf, der Konstruktion, dem Betrieb und der Nutzung von Robotern sowie Computersystemen für deren Steuerung, sensorische Rückkopplung und Informationsverarbeitung. Ein zentrales Einsatzgebiet von Robotern ist die Industrie 4.0, in welcher unter anderem Industrieroboter verwendet werden.
Kollaborative Roboter oder Cobots (Abkürzung des englischen Begriffs „collaborative robot“) kommen eine immer größere Bedeutung zu. Herkömmliche Industrieroboter werden in immer mehr Bereichen der Industrie durch kollaborative Roboter ersetzt oder erweitert. Cobots kommen in Zusammenarbeit mit Menschen im Produktionsprozess zum Einsatz und sind dabei nicht mehr wie der typische industrielle Roboter durch Schutzeinrichtungen von Mitarbeitern getrennt. Kollaborative Roboter sind im Vergleich zu traditionellen Industrierobotern kompakter, flexibler einsetzbar und leichter zu programmieren.
Im privaten Bereich werden sogenannte Service-Roboter genutzt. Service-Roboter sind Maschinen, die Dienstleistungen direkt für Menschen erbringen. Dabei wird zwischen dem Einsatz für Privatpersonen und im professionellen Umfeld unterschieden. Im Privatbereich sind beispielsweise Staubsauger- oder Rasenmähroboter in Haushalten etabliert.
Graphics processing unit (GPU)
GPUs, zu Deutsch Grafikprozessoren, bestehen aus einer Vielzahl von Recheneinheiten (Shader) und setzen massiv auf Parallel Computing, weil sich 3-D-Berechnungen so schnell und effizient durchführen lassen. Das macht GPUs zur bevorzugten Hardware-Basis für künstliche neuronale Netze. Die Bezeichnung GPU wurde erstmals von Nvidia intensiv genutzt, um die 1999 erschienene Nvidia-GeForce-256-Serie zu vermarkten. Bis heute ist das Unternehmen Marktführer im Bereich der GPUs und der wertvollste Chipdesigner der Welt.
Central processing unit (CPU)
CPU, zu Deutsch meist Hauptprozessor oder zentrale Recheneinheit, ist für das schnelle Abarbeiten von sequenziellen Aufgaben optimiert – Parallel Computing ist praktisch das genaue Gegenteil. CPUs gab es bereits lang vor GPUs.
Somit bilden GPUs und CPUs die Grundlage für KI. Wie wichtig die Chips sind, zeigt sich anhand des derzeitigen Chipmangels, von welchem global tausende Unternehmen getroffen sind und welcher die Unternehmen Milliarden kostet. Halbleiterhersteller rechnen damit, dass es noch bis ins nächste Jahr, 2022, Engpässe geben wird. Die Kunden bestellen schlicht mehr als die Fabriken produzieren können.
Data Engineer, Data Scientist und Data Analyst
Obgleich sich die Bezeichnungen ähneln und sich die Aufgabengebiete überschneiden können, gibt es einige Unterschiede: Während Data Engineers an der Erstellung und Pflege kompletter Datenarchitekturen beteiligt sind, Data Scientists an deren komplexer Analyse, Organisation und Interpretation – sind Data Analysts wiederum meist darauf fokussiert, Muster in numerischen Daten zu finden und diese zu nutzen, um Unternehmen zu helfen, bessere Entscheidungen zu treffen. Weitere Informationen zu diesem Thema finden Sie in unserem Beitrag „Data Scientists: Neue, innovative Denker in Unternehmen“.
Fazit
Es gibt Unmengen an Begriffen im Zusammenhang mit dem Thema KI. Dabei ist sicherlich nicht wichtig, dass Sie alle diese Begriffe im Handumdrehen beherrschen, jedoch lohnt es sich nach und nach Wissen in diesem Bereich zu erarbeiten. KI ist keine Technologie mehr, die großen Konzerne vorenthalten ist. KI ist selbst für KMU von großer Bedeutung, um im internationalen Wettbewerb konkurrenzfähig zu bleiben und ein Themenfeld, dass uns stets begleiten wird.
Haben Sie weiterführende Fragen, Anmerkungen oder dürfen wir Sie weiter rund um das Themengebiet KI informieren? Melden Sie sich gern bei uns und wir beantworten Ihre Fragen!
