Um die großen Datenmassen beherrschbar zu machen und Nutzen aus ihnen zu gewinnen, sind mehr als herkömmliche Analysewerkzeuge nötig. Obwohl das Phänomen schon seit vielen Jahrzehnten bekannt ist, gewinnt es erst im Big-Data-Zeitalter seine eigentliche Relevanz. 

Was ist neu an der jüngsten Euphorie rund um Künstliche Intelligenz, Machine Learning und Deep Neutral Networks? Um das zu verstehen, soll im Folgenden sowohl ein genauerer Blick auf KI und die einzelnen Methoden geworfen werden.

Was ist überhaupt Künstliche Intelligenz?

Künstliche Intelligenz (KI) wird im Allgemeinen als die Fähigkeit von Maschinen definiert, nicht nur mechanische Vorgänge zu beherrschen, sondern auch komplexe mentale Prozesse vollziehen zu können. Die Entwicklung im Bereich der Künstlichen Intelligenz ist bereits einige Jahrzehnte alt. Einer der in diesem Zusammenhang in der Regel genannten Ursprünge ist der Aufsatz von Alan Turing (1912-1954) „Computing Machinery and Intelligence“ aus dem Jahr 1950. Auch der nach ihm benannte „Turing-Test“ wird immer wieder als Kriterium angeführt, anhand dem beurteil werden kann, ob eine Maschine als wahrhaft „intelligent“ bezeichnet werden kann – doch dazu gleich noch mehr.

Warum gerade heute KI so interessant ist

Dass gerade in den letzten Jahren verstärkt über Künstliche Intelligenz gesprochen und sogar ihr Durchbruch gefeiert wird, hängt nicht mit einem vertieften wissenschaftlichen Verständnis von Künstlicher Intelligenz oder von der Entwicklung einer neuen Programmiersprache ab. Vielmehr hängt das hauptsächlich damit zusammen, dass die Rechenleistung von Hochleistungsprozessoren so gut geworden ist, dass viele Billionen Rechenoperationen pro Sekunde durchgeführt werden können. Zur Verdeutlichung: Der „konventionelle“ Prozessor im iPhone X schafft mehr als 600 Milliarden Rechenoperationen pro Sekunde. Gleichzeitig sind die Speichertechnologien so günstig geworden, dass große Mengen von Daten sehr schnell verarbeitet werden können. Diese Kombination aus Rechenleistung und Speicherplatz macht es möglich, Maschinen mit einem hohen Grad an Intelligenz auszustatten.

Zur Unterscheidung von „starker“ und „schwacher“ Künstlicher Intelligenz

Zu Beginn einer Auseinandersetzung mit Künstlicher Intelligenz muss aber zunächst eine weitere wichtige generelle Unterscheidung vorgenommen werden, die vor allem begrifflicher Natur ist. Oft wird zwar der Begriff „Künstliche Intelligenz“ verwendet, aber im Grunde genommen wird über zwei sehr unterschiedliche Dinge gesprochen. Es gibt zwei verschiedene Weisen, „Künstliche Intelligenz“ zu definieren: Eine „starke“ und eine „schwache“. Mit „starker KI“, die manchmal auch als „Superintelligenz“ bezeichnet wird, ist jene Form von Künstlicher Intelligenz gemeint, die den Turing Test besteht. Sie könnte also einen Menschen bei einer Versuchsanordnung – dem Turing-Test –, bei dem weder ein Sicht- noch eine Hörkontakt zu den Gesprächspartner vorhanden ist, davon überzeugen, dass sie eine menschliche Person ist, die ein bestimmtes Geschlecht imitiert.

Alternativen zum Turing-Test

Der Turing-Test ist nicht unumstritten und so gibt es daneben auch andere Versuche, eine starke KI zu definieren. Dabei wird vor allem betont, dass eine starke KI mindestens den Grad an Intelligenz von Menschen aufweisen müsse oder diese übertreffen müsse. Dabei wird angenommen, dass das menschliche Gehirn mit den unterschiedlichsten Aufgaben sehr gut zurecht kommt. Ähnliches muss für eine KI gelten. Diese kann dann als generell intelligent bezeichnet werden, wenn sie viele Aufgaben gleichermaßen gut beherrscht. Als „schwache KI“ wird hingegen das Vermögen definiert, einzelne kognitive Aufgaben mindestens ebensogut oder besser wie Menschen durchführen zu können.

Bislang hat keine KI den Turing-Test zweifelsfrei bestanden und die zahlreichen KI-Lösungen, dienen in der Regel einem ganz bestimmten Zweck. Zwar kann IBMs KI mit dem Namen Watson sowohl so programmiert werden, dass er bei einer Quiz-Show teilnehmen und gewinnen kann. Es ist allerdings ebenso möglich, ihn so zu trainieren, dass er bei der medizinischen Diagnose von MRT-Aufnahmen und der Interpretation von Röntgenbildern helfen kann. Beides kann „er“ aber nicht zur gleichen Zeit.

Mensch vs. Maschine: Was ist Intelligenz?

Auch die Frage „Was ist Intelligenz“ wird nicht oft genug in Zusammenhängen wie diesen gestellt. Dabei ist es durchaus relevant, sich vor Augen zu führen, welche Aspekte von dem, was als Intelligenz verstanden wird, durch Künstliche Intelligenz abgedeckt werden kann. Intelligenz lässt sich unter zahlreichen Gesichtspunkten betrachten. Als emotionale, kognitive oder als soziale Intelligenz. Sie lässt sich aber auch unter dem Aspekt des Bewusstseins diskutieren. Unabhängig vom Stellenwert der einzelnen Komponenten dürfte evident sein, dass menschliche Intelligenz sehr viel mehr Facetten hat. Die bloße Fähigkeit zur Bewältigung von intellektuellen und kognitiven Prozessen macht uns nicht zu intelligenten Wesen. Der Vergleich Mensch-Maschine in Bezug auf den Begriff „Intelligenz“ hinkt auch noch in einer anderen Hinsicht. Der Lösungsweg einer KI ist ein grundlegend anderer als der eines intelligenten Menschen.

Eine KI nutzt eine enorme Rechenpower, um in kürzester Zeit gigantische Datenmengen zu durchforsten. Beispielsweise, um Muster in medizinischen Daten zu erkennen, die auf eine Krebserkrankung hinweisen. Ein Arzt, der dieselbe Aufgabe lösen muss, geht nicht im Geiste alle Fälle und alle Referenzen durch, um schließlich zu einem Ergebnis zu kommen. Vielmehr nutzt er Heuristiken, Erfahrung, Abstraktion und regelhaftes Wissen, um schließlich zu einer Einschätzung zu kommen. Es soll hier nicht gesagt werden, dass das eine besser oder schlechter als das andere ist. Es ist aber wichtig festzustellen, dass es sich um grundlegend verschiedene Herangehensweisen handelt. Und auch etwas anderes gehört zur Wahrheit. Ist ein intelligenter Algorithmus erst einmal trainiert, kann er bestimmte Aufgaben oft sehr viel besser bewältigen als Menschen.

Künstlich neuronale Netzwerke, Deep Learning und Machine Learning

Der eben im Nebensatz erwähnte Aspekte, dass intelligente Algorithmen „trainiert“ werden müssen, ist zentral. Ganz im Gegensatz zu als anderen Computerprogrammen handelt es sich bei KI-Software nicht um „Out-of-the-box-Lösungen“. Sie werden nicht einmal erstellt und können dann in der Folge wie andere Software immer wieder angewendet werden. Vielmehr handelt es sich um lernfähige Algorithmen, die zunächst trainiert werden müssen und im Laufe ihrer Anwendung immer besser werden. Das macht auch den Charme von bestimmten Geräten und Maschinen aus. Dank Machine Learning werden beispielsweise die Kameras in Smartphones von Google permanent verbessert. Sie lernen mit der Zeit zu verstehen, was auf Bildern zu sehen ist und nehmen entsprechend Optimierungen vor.

Dabei gibt es unterschiedliche Lernmethoden wie „künstlich neuronale Netzwerke“, „Deep Learning“ oder „Machine Learning“, um nur die derzeit wichtigsten zu nennen. Auch Machine Learning lässt sich wiederum nochmal nach Lernmethoden unterscheiden. Einerseits in solche Algorithmen auf Basis eines Trainings-Sets selbst optimieren können. Andererseits in solche, bei denen Programmierer beziehungsweise Anwender dem Programm ein Feedback geben, ob bestimmte Ergebnisse richtig sind oder nicht. Je nachdem wie das Feedback ausfällt, kann ein intelligentes Programm Anpassungen für die Zukunft vornehmen. So kann es im Lauf der Zeit immer bessere Antworten geben. Ein entscheidender Aspekt, wenn es darum geht, die Anwendbarkeit und das Potenzial von KI einzuschätzen.