Bist du ein Mensch? 3   +   1   =  

AI, Smart Devices, Machine Learning, IoT… Die Liste der Buzzwords ist lang. Wir versuchen einmal die Begriffe AI und ML für euch einzuordnen.

Machine Learning ist zunächst mal der Prozess, in dem Computer wie Menschen lernen, also ohne explizite und regelbasierte Programmierung. Und: Mit der Zeit ihr Lernen durch Daten, Beobachtung, Interaktion mit ihrer Umwelt, Ableitungen und Vorhersagen immer weiter verbessern.

Artificial Intelligence und Machine Learning gehören zusammen, werden aber je nach Philosophie unterschiedlich bewertet. Für manche ist AI sogar nur ein Marketing-Buzzword und Machine Learning der real Deal.

AI ist der Überbegriff

Die vorherrschende Meinung ist eher, das Machine Learning ein Teil von AI ist. Der Begriff Artificial Intelligence ist dabei über 60 Jahre alt – zumindest gilt eine Konferenz in 1956 als Geburtsstunde der AI als akademischen Untersparte der Informatik . Dabei ist künstliche Intelligenz eine Verbindung von verschiedenen Algorithmen, wie Muster erkennen, Daten analysieren, Erfahrungen miteinander vergleichen (Machine Reasoning) und eben auch maschinelles Lernen.

Was sich in den vergangenen 62 Jahren geändert hat ist einerseits die massiv beschleunigte Computung Power um AI und zu betreiben. Und andererseits sind heute überhaupt erst die Daten vorhanden, aus denen künstliche Intelligenz etwas lernen kann. Und: Als Unterpunkt der Daten, sind die Sensoren heute so gut und günstig geworden, dass Maschinen ihre Umwelt beobachten und aus den Beobachtungen etwas ableiten zu können.

Dabei können Maschinen per se erstmal nichts verstehen. Sie können aber sehr schnell riesige Datenmengen gegen eine existierende Verständnisstruktur vergleichen. Das sind langweilige Aufgaben, die Menschen nicht besonders gerne und daher auch nicht über lange Zeit mit gleicher Qualität machen.

Das Beispiel Spiele

Spiele eignen sich deswegen so gut um künstliche Intelligenzen lernen zu lassen, weil sie zwei Dinge mitbringen:

  • ein festes Regelwerk
  • eine Menge an Daten von historischen Spiel-Partien
  • und wenn die Daten nicht da sind, lässt man die Maschine gegen sich selber spielen und erzeugt daraus die benötigten Daten

Kinder der Achtziger können sich noch an Matthew Broderick erinnern, der in WAR GAMES den Computer Joshua gegen sich selber so lange Tic Tac Toe spielen lässt, bis dieser schlussfolgert, dass das Spiel nicht zu gewinnen ist und deswegen den laufenden Countdown für den atomaren Erstschlag abbricht.

Heutzutage lernen die Maschinen Schach, bringen sich selber Go bei und schlagen den Weltmeister oder entwickeln meisterhafte Fähigkeiten im Civilization spielen.

Letzteres bringt Chris Boos seinen Maschinen als Testfeld bei und er war als Speaker auch auf der Hinterland of Things zu Gast.

Für Chris Boos gibt es 3 Typen von AI:

Narrow AI

Das ist die AI, die die meisten Unternehmen derzeit auf genau ihr Business Model oder Teile davon anwenden: Ein Algorithmus wird auf die Ausführung einer speziellen Aufgabe trainiert und kann dann auch nur das, dafür aber sehr effizient. Eine Maschine die auf Gewächshausmanagement und Tomaten züchten trainiert wird, versagt wenn sie plötzlich Bohnen züchten muss. Zumindest, wenn man ihr vorher nicht beibringt, das Bohnen nicht rot werden.

General AI

Tätigkeiten, die Menschen leicht fallen, wie laufen und sprechen z.B. fallen KIs schwer. Das was Menschen schwer fällt: Hohe Spezialisierungen auf Fachgebieten wie nichteuklitische Geometrie rechnen, können Maschinen wiederum relativ leicht. Je öfter diese AI genutzt wird, desto schneller und mehr kann sie auch dazu lernen.
Aber:
Auch wenn eine AI für ihre Insellösung über mehr Rechenpower verfügt als der Mensch, gibt es biologische und chemische Einflüsse, die in unserem Gehirn ablaufen, die sich (noch) nicht künstlich reproduzieren lassen.

Super AI

Mit dem letzten Satz zur General AI sind wir auch bei der allumfassenden Super AI wie wir sie bisher nur aus Science Fiction kennen: Beispielsweise ein Rechner der sagt „Ich liebe Dich“ und das auch so meint. Laut Chris sind wir hiervon noch meilenweit entfernt.

Eine besonders schöne Analogie fürs Business zeichnete Chris so: BWLer haben Ziele. Techies haben Probleme, die sie lösen wollen. Techies gehen dann erstmal zwei Schritte zurück und betrachten ihr Problem wie einen Zauberwürfel, den sie lösen wollen und probieren rum. BWLer machen Pläne. Die dann ständig angepasst werden müssen. Techies schreiben Programme.

Diese Programme können dann millionenfach ausgeführt werden. Ohne Zusatzkosten. Durch AI werden diese Programme nun genauso flexibel nutzbar wie Pläne.

Hier könnt ihr den Talk von Chris auf der Hinterland noch einmal anschauen:

Was bedeutet AI denn für die Menschheit?

Das Schreckensszenario der vernichteten Arbeitsplätze wird immer gerne im Zuge von AI angeführt. Und auch Chris Boos ist sich recht sicher, dass massiv Arbeitsplätze wegfallen werden, je mehr einfache und repetetive Aufgaben von Maschinen übernommen werden.

Aber:

Deswegen geht uns ja nicht die Arbeit an sich aus. Kreative Lösungen finden ist die Kernkompetenz des Menschen. Felder, die das besonders nötig haben werden sind: Klimawandel, Health & Medizin, Energieversorgung, Pflege, Lehren und Lernen. Da bleibt noch genug Arbeit für uns Menschen übrig.

AI erzeugt Automatisierung im Sinne von: Eine Maschine macht, was sonst ein Mensch macht. So entstehen Freiräume für den Menschen, um das Morgen zu erfinden und seine Kreativität einzusetzen.

Wie sehen andere Experten die Entwicklung von AI?

Dieses Video ist eine sinnvoll investierte Stunde, denn hier sitzen 10 der weltweit wichtigsten Experten zum Thema Artificial Intelligence auf einem Panel zusammen:

Interessant und pragmatisch ist vor allem Elon Musks Sicht, der einerseits immer wieder vor einer Super-Intelligence warnt und gerade erst auf der SXSW wieder sagte:

‘Mark my words — A.I. is far more dangerous than nukes’

Rein von der technischen Perspektive aus, sieht Musk vor allem 2 wichtige Punkte, um die man sich bei AI Gedanken machen muss:

  1. Input und v.a. Output zum menschlichen Gehirn müssen schneller werden
  2. Über AI muss demokratisch entschieden und sie muss auch demokratisch zugänglich gemacht werden

Praktische Tipps zum eigenen Einsatz von AI:

Vor den Tech-Giganten wie Google, Apple, Facebook müssen wir in Deutschland laut Chris Boos übrigens gar keine Angst haben. Denn viele Unternehmen wollen gar nicht mit den großen zusammen arbeiten, sondern viel lieber mit kleineren Expertenunternehmen, bei denen sie sicher sein können, dass ihre Daten dort nicht als Asset genutzt werden.

Schaut in eurem Geschäftsmodell – egal ob Startup oder Traditionsunternehmen – wo die großen Hebel liegen. Insbesondere die Hebel, die helfen, Daten besser zu nutzen. Analysiert welche Prozesse, Systeme und Infrastrukturen dazu gehören. Dann erkennt ihr vermutlich schon die low hanging fruits oder sogar die Kürbisse, die bereits am Boden liegen. Nehmt Daten, die ihr bereits habt und fangt an, damit zu lernen. Erste

Baut kleine, simple Projekte, die bestenfalls schon von Anfang an profitabel sind und baut dann Schritt für Schritt auf euren Erkenntnissen, gewonnenen Daten und Algorithmen weitere profitable Projekte auf.

Blick in die Zukunft

Ob ihr es nun Machine Learning oder Artificial Intelligence nennen wollt:

Wir sind gerade dort, wo das Internet in den Neunzigern war. „Am Anfang des Anfangs“ wie Kevin Kelly gerne sagt. Und die Entwicklung, die das Web in den letzten 20 Jahren gemacht hat, wird nichts im Vergleich zu dem sein, wo AI in weiteren 20 Jahren steht.

Wichtig ist: Jedes Unternehmen sollte sich der Möglichkeiten und Anwendungsfälle bewusst sein, die AI im eigenen Business einnehmen kann.

Dive Deeper

Artikelbild: Marius Masalar on Unsplash