Intelligente Zukunft? – Grundlegendes zum Thema KI

»Fortschritt funktioniert nicht ohne Veränderung und wer nicht in der Lage ist seine Meinung zu ändern, verändert gar nichts.«

Zitat von George Bernard Shaw

 

Das trifft mit Bestimmtheit auf das Thema Digitalisierung zu. Dabei machen die deutschen Unternehmen keine schlechte Figur, wie eine Studie aus der zweiten Jahreshälfte, durchgeführt von IDC im Auftrag von Workday, ergeben hat [1]. Die Arbeitsumgebungen und Prozesse in deutschen Organisationen werden zunehmend digital.

 

»The next big thing«, die künstliche Intelligenz, ist der nächste logische Schritt auf der Reise in die Arbeitswelt von morgen, die eigentlich schon längst begonnen hat. Tatsächlich ist die Idee der künstlichen Intelligenz nicht neu. KI-Forschung gibt es seit Jahrzehnten und diskrete Anwendungen von KI sind schon vor Jahren in Bereichen von Wirtschaft und Verwaltung aufgetaucht. In den letzten Jahren hat eine Verschmelzung von Technologie- und Branchenentwicklungen die Innovation von Big Data Analysis (BDA) und KI in die Gänge gebracht. Diese Fortschritte beinhalten:

  • die breite Nutzung von Geräten und Diensten, die große Datenmengen generieren, wie Smartphones, Sensoren, angeschlossene Geräte und interaktive Online-Dienste;
  • Sinkende Kosten für die Datenspeicherung;
  • das Aufkommen des Cloud Computing, das jedem, der über eine Breitbandverbindung und eine Kreditkarte verfügt, enorme Computerleistung zur Verfügung stellt; und
  • schnelle Fortschritte bei der Datenanalyse-Software.

 

Die sogenannte Big Data Analytics (BDA), also die Verwendung von Datensätzen, um umsetzbare Erkenntnisse zu gewinnen, und künstliche Intelligenz (KI) – wobei Computer menschliches Verhalten simulieren, einschließlich der Entscheidungsfindung – verändern unsere Welt schnell und sind zwei Seiten einer Medaille. Beide durchdringen praktisch alle Wirtschaftsbereiche und verändern beispielsweise Gesundheitswesen, Transport, Logistik, Unterhaltung, Bildung, Landwirtschaft und Finanzen. Im Alltag können diese Technologien helfen, ein gesünderes Leben zu führen, indem sie Schritte und den Kalorienverbrauch zählen und die Herzfrequenz der Nutzer anzeigen. Sie haben die Art und Weise, wie Menschen pendeln, revolutioniert. Sie erfüllen Wünsche mit Dienstleistungen, die auf zahlreichen Plattformen personalisierte Musik- und Videoempfehlungen parat haben. Sie erkennen Abweichungen in Daten, um Bankbetrug zu verhindern und Geld zu schützen – und vieles mehr.

 

Heute beginnen Organisationen jeder Größenordnung, BDA und KI im gesamten Unternehmen einzusetzen, um die Fertigung zu rationalisieren, den Kundenservice zu verbessern, Lieferketten zu straffen, die Einstellung und Bindung von Mitarbeitern zu verbessern sowie die Effizienz und Produktivität zu steigern.

 

Höchste Zeit, sich einmal mit Schlüsselbegriffen aus diesem Bereich auseinander zu setzen und für etwas mehr Klarheit zu sorgen:

Big Data

Da wäre zunächst Big Data: Das Big-Data-Phänomen ist ein grundlegendes Element der aktuellen Fortschritte in der BDA-, KI- und Computeranalytik. Der Begriff bezieht sich normalerweise auf große Datensätze, strukturiert oder unstrukturiert, die analysiert werden, um Muster, Trends und Assoziationen aufzudecken, die bei der Analyse von kleineren oder einheitlicheren Datensätzen unsichtbar bleiben.

Big Data Analyse

Der nächste Schritt besteht dann in der sogenannten großen Datenanalytik: Die Big Data Analyse (BDA) bezieht sich auf die Analyse von Big Data unter Verwendung von ausgeklügelten Algorithmen, um die menschliche Entscheidungsfindung zu unterstützen. Die Analyse von Datenpools kann sofortige und nützliche Erkenntnisse liefern, verborgene Zusammenhänge aufdecken und somit Einzelpersonen und Unternehmen ermöglichen, bessere Entscheidungen zu treffen. Im Gegensatz zu KI (unten beschrieben) beinhaltet BDA normalerweise keine automatisierte Entscheidungsfindung.

Künstliche Intelligenz

Die Königsdisziplin ist dann gewissermaßen die künstliche Intelligenz: KI wird allgemein als Technologie verstanden, mit der Computer intelligentes menschliches Verhalten simulieren können. Wie die BDA sind viele KI-Technologien heutzutage auf komplexe Algorithmen angewiesen, um riesige Datensätze zu analysieren, anhand derer sie Muster erkennen und daraus Schlüsse und Schlussfolgerungen ziehen können. Im Gegensatz zu BDA erfordern die meisten Anwendungen der KI jedoch die Schulung von Computern, um bestimmte Aufgaben automatisiert auszuführen. KI-Anwendungen können beispielsweise entscheiden, wann selbstfahrende Autos Kurven fahren sollen, wann Thermostate eingestellt oder Pflanzen gewässert werden sollen. Auf diese Weise können KI-Technologien nicht nur die menschliche Entscheidungsfindung beeinflussen, sie können zum Teil auch selbst Entscheidungen treffen und anstelle von Menschen aktiv werden. Im Gegensatz dazu liefert die BDA Erkenntnisse, die Entscheidungsträgern helfen, zu analysieren, zu beantworten und zu handeln. Sie sind jedoch nicht selbst Entscheidungsträger.

Algorithmen

Die Basis von allem sind Algorithmen. Sie bilden die Rechenprozesse, die BDA, KI und viele verwandte Technologien überhaupt antreiben. In ihrer einfachsten Form stellen Algorithmen eine Reihe von Schritt-für-Schritt-Anweisungen dar, denen Computer folgen, um eine bestimmte Aufgabe auszuführen. Algorithmen werden für Berechnung, Datenverarbeitung und automatisiertes Denken verwendet und machen so erst technologische Lösungen möglich, die die Wahrnehmung, das Lernen und die Entscheidungsfindung verbessern; damit am Ende der Mensch bei der Lösung komplexer Probleme unterstützt werden kann. Tatsächlich verwenden alle der in diesem Beitrag erwähnten Technologien Algorithmen zur Informationsverarbeitung.

Maschinelles Lernen

Dann gibt es noch das maschinelle Lernen/Machine Learning. Maschinelles Lernen bezieht sich auf KI-Algorithmen, die sich in Reaktion auf ihre eigene Ausgabe ändern – vielleicht besser als »Computerprogramme, die sich mit Erfahrung automatisch verbessern« zu bezeichnen. Maschinelle Lernsysteme erkennen oftmals schwer zu entdeckende Beziehungen in Daten, die ansonsten leicht übersehen werden. Die meisten maschinellen Lernansätze sind nicht darauf beschränkt, aus gegebenen Eingaben eine einzige Vorhersage zu erstellen; stattdessen produzieren sie oft probabilistische Ergebnisse und bieten eine Reihe von wahrscheinlichen Vorhersagen mit zugehörigen Schätzwerten für die Unsicherheit an.

Deep Learning/neurale Netzwerke

Zum Schluss noch einen kurzen Blick auf Deep Learning/neurale Netzwerke: Deep Learning ist eine Teilmenge des maschinellen Lernens. Auch als mehrschichtige neurale Netzwerke bekannt, ist dies ein Prozess, der von der Verwendung von Schichten nichtlinearer algorithmischer Prozesse abhängt, um Muster zu finden oder Daten zu klassifizieren. Obwohl dieser allgemeine Ansatz eine Vielzahl unterschiedlicher Techniken umfasst, besteht das Schlüsselmerkmal darin, dass beide ein geschichtetes oder gestuftes Design verwenden, bei dem die Ausgaben der vorherigen Schicht als Eingaben für die nächste verwendet werden.

 

Bei all den technischen Erklärungen darf jedoch nicht vergessen werden, dass diese Technologien keine autonome Kraft sind, die außerhalb menschlicher Kontrolle liegt: Entwickler, Benutzer, Verbraucher und politische Entscheidungsträger – sie alle haben die Macht und die Pflicht zu bestimmen, wie sich diese Technologien entwickeln, wie sie eingesetzt werden sollen, und müssen dabei über alle Bereiche hinweg mit großer Sorgfalt beleuchten, wie sie sich auf Menschen und Gesellschaften auswirken können.

Hette Mollema

 

Hette Mollema leitet seit November 2018 die Workday Alps-organization (Austria and Switzerland). Zuvor kümmerte er sich von 2011 an um den Aufbau der Workday Benelux Organisation.
Hette verfügt über mehr als zwei Jahrzehnte Erfahrung in Vertrieb und operativer Führung. Bevor er zu Workday kam, war er in Vertriebs- und Vertriebsmanagementfunktionen bei Hyperion Solutions und PeopleSoft tätig. Er begann seine Karriere im Rechnungswesen bei Ernst & Young.
Hette hat einen Bachelor-Abschluss in Betriebswirtschaft der HES (Hogeschool voor Economische Studies) Amsterdam.

 

[1] https://drive.google.com/file/d/11pnGE2yRg4AQH7JZbzf2Vz-GEcZWfXth/view

 


 

Künstliche Intelligenz: Die meisten Menschen würden sich nicht von Robotern operieren lassen

Datenberge besser nutzbar machen – Wie künstliche Intelligenz und maschinelles Lernen helfen können

Künstliche Intelligenz nicht zum Datenschutz-Sünder werden lassen

Künstliche Intelligenz im Energiehandel: Werden menschliche Energiehändler bald überflüssig?

Deutsche Verbraucher erhoffen sich durch künstliche Intelligenz bessere Karrierechancen