Künstliche Intelligenz

Künstliche Intelligenz (KI) ist einer der wichtigsten Trends in der Digitalisierung und hält in immer mehr Branchen Einzug. Viele Unternehmen setzen KI bereits in der Entwicklung, Produktion oder Verwaltung ein. KI-Anwendungen sind auch kaum noch aus dem alltäglichen Leben wegzudenken. Von der Suche nach dem schnellsten Weg zur Arbeit, der automatischen Steuerung eines Smart-Home-Systems oder die Auswahl der nächsten Streaming-Serie. KI-Algorithmen machen unser Leben in vielerlei Hinsicht leichter.

Bereits Mitte des 20. Jahrhunderts wurden erste Algorithmen entwickelt, die nicht mehr, wie bisherige Methoden, auf der Abarbeitung von festen Regeln beruhten, sondern durch Wiederholung selbst „lernten“, Probleme zu lösen. Daraus ergab sich ein großes Potenzial, da fortan auch Aufgaben gelöst werden konnten, deren Lösungswege nicht durch konkrete Regeln abbildbar sind.

Ein weit verbreiteter Vertreter von KI-Modellen sind neuronale Netze. Vorbild für diese Modelle ist das menschliche Gehirn mit seinen zahlreichen Verbindungen, die in einem neuronalen Netz durch sogenannte Schichten und Parameter abgebildet werden. Um eine Aufgabe zu lösen, wird das neuronale Netz mit Daten „trainiert“. Ziel ist dabei, dass das Netz anschließend auch auf unbekannten Daten zur gewollten Schlussfolgerung kommt. So wird beispielsweise ein neuronales Netz mit Bildern, auf denen verschiedene Objekte zu sehen sind, sowie der Bezeichnung der jeweiligen Objekte „angelernt“. Ergebnis ist dann ein KI-Modell, das in beliebigen Bildern Objekte richtig klassifiziert.

Typische Anwendungsgebiete von Künstlicher Intelligenz sind neben der Bilderkennung die Analyse von Texten und gesprochenem Wort mit dem sogenannten „Natural Language Processing“ (NLP) oder die Vorhersage von bestimmten Szenarien. Die Branchen, in denen KI heute schon eingesetzt wird, sind vielfältig. Sprachgesteuerte Systeme erleichtern die Bedienung im Produktionsumfeld, Ärztinnen und Ärzte werden bei der Erkennung und Klassifizierung von Tumorzellen auf digitalisierten Gewebeschnitten unterstützt und im Bereich Predictive Maintenance reduzieren KI-Modelle manuelle Wartungsarbeiten durch eine verbesserte Prognose des Verschleißes von Maschinenbauteilen.

Zahlen und Fakten

  • 69% der deutschen Unternehmen sind der Meinung, dass KI die wichtigste Zukunftstechnologie darstellt.
  • Es wird erwartet, dass KI-basierte Lösungen im produzierenden Gewerbe ein zusätzliches Wertschöpfungspotenzial von 30 Mrd. Euro ermöglichen.
  • Das deutsche Bruttoinlandsprodukt soll durch den Einsatz von KI bis zum Jahr 2030 um 11,3% steigen.

Quellen:

Bitkom (2021): Künstliche Intelligenz. Wo steht die deutsche Wirtschaft?

Bundesverband Digitale Wirtschaft e.V. (2021): KI-Monitor 2021

PwC (2019): Künstliche Intelligenz in Unternehmen

Herausforderungen

Reines Expert:innenwissen ist für den erfolgreichen Einsatz von KI in der Regel nicht ausreichend. Bei der Auswahl und Optimierung des passenden KI-Modells muss Domänenwissen aus dem Anwendungsbereich mit Spezialwissen zum maschinellen Lernen kombiniert werden. Anwendende Unternehmen verfügen oft nicht über letzteres, KI-Entwickler:innen fehlt meist ersteres. Daher ist eine kollaborative Entwicklung von KI-Lösungen entscheidend für die Hebung des wirtschaftlichen Potenzials.

Daneben ist die Qualität der Ergebnisse eines KI-Modells stark von den Daten abhängig, die für das Training genutzt werden. So kann ein Ungleichgewicht in den Daten (Bias) zu unerwarteten und falschen Ergebnissen führen. Es gilt, einen derartigen Bias frühzeitig zu identifizieren, um diesen beseitigen zu können. Jedoch kommt dabei eine weitere Herausforderung, die der Einsatz von KI-Modellen mit sich bringt, zum Tragen. Die Modelle sind oft nur schwer nachvollziehbar. Selbst KI-Expert:innen können aufgrund der Komplexität nicht immer Gründe für die Entscheidungen nennen. Erklärungswerkzeuge können dabei helfen, Modelle nachvollziehbarer zu gestalten und die Entscheidungsgrundlage zu plausibilisieren.

Eine weitere gesellschaftliche Herausforderung stellt die Akzeptanz von KI-Algorithmen dar, weil für das Training auf sehr viele und große Datenbestände zugegriffen wird, die, je nach Anwendung, Informationen zu Bürger:innenn, Patient:innen, Arbeitnehmer:innen oder Verkehrsteilnehmer:innen enthalten können. Hier lässt sich mit Datensparsamkeit und der Anonymisierung von Personendaten Vertrauen in den Datenschutz bei KI herstellen.