Erste Schritte mit künstlicher Intelligenz
Lernziele
Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:
- Erläutern grundlegender Konzepte der künstlichen Intelligenz
- Identifizieren der Herausforderungen, die eine Definition von künstlicher Intelligenz schwierig machen
- Beschreiben der Art von Aufgaben, die mit künstlicher Intelligenz durchgeführt werden können
Zeit, sich näher mit KI zu befassen
Künstliche Intelligenz (KI) ist schon seit vielen Jahren der Traum vieler Science Fiction-Autoren und -Fans. Die meisten Menschen haben sich jedoch nicht ernsthaft mit KI befasst, weil das immer etwas war, was in ferner Zukunft vielleicht passieren könnte. Wissenschaftler und Informatiker haben allerdings nicht auf die Zukunft gewartet, sondern hart daran gearbeitet, den Traum von der KI Wirklichkeit werden zu lassen. Und wie Sie wissen, sind wir tatsächlich schon mittendrin im Zeitalter der AI.
[In DreamStudio mit KI-generierte Bilder bei stability.ai. Die Aufforderung für das erste Bild lautete: "Nahansicht einer Person, die an einer mechanischen Schreibmaschine sitzt, gezeichnet im Stil von 2D-Vektorgrafiken in Comics." Die Aufforderung für das zweite Bild lautete: "Schauplatz ist ein Unterrichtsraum, im Hintergrund ist eine Tafel mit einer Skizze eines neuronalen Netzes zu sehen. Im Vordergrund sitzt ein Student, der am Computer tippt, gezeichnet im Stil einer 2D-Vektorgrafik in Comics. ]
Für viele ist KI bereits ein Teil des Berufs-, Schul- und Privatlebens, und dieser Teil wird mit der Weiterentwicklung der KI-Fähigkeiten ziemlich sicher anwachsen. Damit wir sinnvolle Gespräche über AI führen können, benötigen wir ein gemeinsames Vokabular und Kernkonzepte als solide Grundlage, auf der wir aufbauen können. Wenn Sie heute zehn Menschen bitten, künstliche Intelligenz zu definieren, erhalten Sie wahrscheinlich zehn verschiedene Antworten, die darauf basieren, wie sich KI auf das Leben des Befragten auswirkt. Bei diesem Badge untersuchen wir die aktuellen Möglichkeiten und Einsatzmöglichkeiten von KI.
Die Schwierigkeit, KI zu definieren
Beim Definieren von KI müssen wir uns zuerst einmal eingestehen, dass unser derzeitiges Bild von KI eventuell verzerrt ist. Dass KI in Science Fiction-Büchern und -Filmen meist als skrupelloses Etwas dargestellt wird, das die Welt erobern will, war hier auch nicht gerade hilfreich.
Doch Science Fiction ist nicht das einzige, was unsere Sicht auf KI verkompliziert. Ganz allgemein neigen wir Menschen dazu, uns selbst hoch einzuschätzen – wir sind der Maßstab, an dem alles andere gemessen wird. Wenn wir also von künstlicher Intelligenz sprechen, liegt es nahe, sie mit unserer eigenen Intelligenz und unseren Fähigkeiten zu vergleichen, zu lernen und Gelerntes umzusetzen. Das Problem ist, dass Menschen nicht die einzigen intelligenten Wesen sind, die es gibt. Tiere, von Krähen bis hin zu Kraken, setzen Werkzeuge und Problemlösungsstrategien ein, um komplexe Aufgaben zu bewältigen. Selbst Schleimpilze können Labyrinthe lösen, wenn sie genug Zeit haben.
Da wir jetzt begonnen haben, uns das breite Spektrum der Intelligenz im Tierreich vor Augen zu führen, sollten wir auch die große Vielfalt unserer eigenen menschlichen Intelligenz anerkennen. Vielleicht kennen Sie jemanden, der fantastisch vor Publikum sprechen kann, in Mathematik jedoch ein hoffnungsloser Fall ist. Oder jemanden, der es immer sehr genau spürt, wenn Sie etwas unsicher sind, aber bei der ersten Gelegenheit über einen Fußball stolpern würde. Der Punkt ist, dass unsere Intelligenz in vielen, speziellen Formen Ausdruck findet. So müssen wir auch künstliche Intelligenz betrachten. Es gibt bestimmte Arten von KI, die für bestimmte Aufgaben gut sind. Lassen Sie uns also nun künstliche Intelligenz definieren, indem wir uns ansehen, was KI heute leisten kann.
Die wichtigsten Arten von KI-Fähigkeiten
Derzeit gibt es noch keine KI, die alles kann. Diese Idee, die als allgemeine KI bezeichnet wird, liegt noch in der Zukunft. Stattdessen haben wir im Laufe der Jahre spezialisierte KI-Systeme entwickelt, die auf bestimmte Aufgaben ausgelegt sind. Die Aufgaben, die sie erfüllen, lassen sich in der Regel eine der folgenden, breitgefassten Kategorien zuordnen.
Sprachverarbeitung
Am 30. November 2022 lautet das Wort des Tages von Merriam-Webster quiddity (Deutsch: Wesen). Diejenigen, die dieses Wort lernten, konnten ihre vielleicht allerwichtigste Fähigkeit verbessern: die Kommunikationsfähigkeit. Am gleichen Tag wurde der Welt ChatGPT präsentiert, eine künstliche Intelligenz, die ihre eigene Kommunikationsfähigkeit unter Beweis stellte. GPT steht für Generative Pre-trained Transformer und auf die Veröffentlichung von ChatGPT sind viele weitere GPTs gefolgt, von denen einige auf bestimmte Arten der Sprachverarbeitung spezialisiert sind, wie etwa Journaling, Codierung oder Finanzanalyse. GPTs sind darauf ausgelegt, Alltagssprache zu interpretieren und sinnvoll darauf zu reagieren. Sie beantworten beispielsweise Fragen, schreiben Geschichten oder wissenschaftliche Arbeiten, fassen Informationen zusammen oder führen komplexe Berechnungen durch. In der Branche spricht man hier von Verarbeitung natürlicher Sprache (auch Natural Language Processing (NLP) genannt).
Grundlage von NLP ist das Wissen, wie Wörter zusammen verwendet werden, sodass KI die Absicht hinter den Wörtern erschließen kann. Vielleicht möchten Sie ein Dokument aus dem Englischen ins Deutsche übersetzen. Oder Sie möchten eine kurze Zusammenfassung einer langen wissenschaftlichen Abhandlung erhalten. Auch das kann KI leisten.
NLP revolutioniert die Arbeitsweise in fast allen Branchen. Beispielsweise können KI-Agenten, die natürliche Sprache interpretieren können und mit Schlussfolgerungsfähigkeiten ausgestattet sind, Chatbots und Copiloten im Kundensupport schnell ersetzen. Aufforderungen in natürlicher Sprache werden häufig zum Generieren von Code verwendet, wodurch Unternehmen unzählige Stunden an Software- oder Anwendungsentwicklung einsparen können. Vertriebsmitarbeiter nutzen NLP, um Accountübersichten anzufordern, Vertriebs-E-Mails zu generieren oder sogar Entwürfe für Präsentationen beim Kunden zu erstellen.
NLP ist einer der am schnellsten wachsenden Bereiche der generativen KI, einer Unterkategorie der KI, die aus Wörtern einzigartige Bilder, Klänge, Code und natürlich andere Wörter macht. NLP und generative KI sind so bahnbrechende Technologien, dass wir ganze Badges zu den Themen "Verarbeitung natürlicher Sprache – Grundlagen" und "Generative KI – Grundlagen" erstellt haben. Sehen Sie sich diese Badges an, wenn Sie hier fertig sind.
Numerische Vorhersagen
Haben Sie sich in letzter Zeit eine Wettervorhersage angesehen? Die Prognose hilft Ihnen bei der Entscheidung, ob Sie einen Regenschirm mitnehmen sollten. Der Mensch erstellt zwar schon seit Tausenden von Jahren Wettervorhersagen, doch KI-Modelle können dies besser als alle bisherigen Methoden.
Mit einer guten Vorhersage lassen sich alle möglichen Fragen beantworten. Wird dieser Kunde sein Abonnement möglicherweise verlängern? Besteht bei Ihnen das Risiko für eine Krankheit? Wird das Stromnetz heute Abend stark belastet? Welcher Sneaker-Stil wird in dieser Saison am beliebtesten?
Häufig werden KI-Prognosen in Form eines Wertes zwischen 0 (wird nicht eintreten) und 1 (wird definitiv eintreten) angegeben. Numerische Vorhersagen umfassen mehr als nur Prozentwerte: Sie können jeden beliebigen numerischen Wert prognostizieren, z. B. auch Euro-Beträge. Vielleicht möchte Ihr Unternehmen eine Prognose der Umsätze im nächsten Quartal erhalten oder die optimale Preisgestaltung für Ihren neuesten Service herausfinden: Widget+. Und als Verbraucher wirken sich die Arten numerischer Vorhersagen wahrscheinlich bereits auf Sie aus, und zwar in größerem Maß als Ihnen bewusst ist. Nehmen wir eine Auslandsreise als Beispiel: Die Preise für Flugtickets, Hotelzimmer, Mitfahrgelegenheiten und Reiseversicherungen werden wahrscheinlich alle von KIs so festgelegt, dass Angebot und Nachfrage perfekt aufeinander abgestimmt sind.
[[In DreamStudio mit KI-generiertes Bild stability.ai. Die Aufforderung lautete "Nahansicht eines freundlichen Roboters, der ein Taxi fährt, gezeichnet im Stil von 2D-Liniengrafiken." ]
Klassifizierungen
Ist ein Hot Dog ein belegtes Brötchen? Diese Frage hat zu unzähligen Stunden freundschaftlicher philosophischer Debatten darüber geführt, wie wir Dinge klassifizieren. In der Realität kann es jedoch um viel mehr gehen. Um welche Pflanze handelt es sich hier? Ist sie essbar oder giftig? Ist diese E-Mail legitim oder ein Phishing-Versuch? Die Klassifizierung ist oft der erste Schritt bei einer bestimmten Handlung – deshalb ist diese Fähigkeit auch unglaublich wertvoll.
Es ist daher nicht verwunderlich, dass Informatiker hart daran gearbeitet haben, eine KI zu entwickeln, die Daten gut klassifizieren kann. Die Erkennung von Pflanzen und Phishing-E-Mails ist nur die Spitze des Eisbergs. Finanzinstitute müssen betrügerische Transaktionen erkennen. Mediziner müssen Krankheiten diagnostizieren. Soziale Medienplattformen wollen bösartige Kommentare erkennen. All dies sind Beispiele für Klassifizierungsprobleme. KI kann im Prinzip einen ersten Klassifizierungsversuch unternehmen, den Fachleute dann als Ausgangsbasis für die Weiterentwicklung verwenden können.
Oft erledigen KI-Klassifikatoren die Aufgabe genauso gut oder sogar besser als Menschen. Allerdings sind die meisten Klassifikatoren nur für eine bestimmte, eng umrissene Aufgabe geeignet. Eine KI, die extrem gut darin ist, Phishing-E-Mails zu erkennen, täte sich also bei der Klassifizierung echter Fische mit Sicherheit sehr schwer.
Roboternavigation
Einige KIs zeichnen sich durch ihre Fähigkeit aus, in einer sich verändernden Umgebung zu navigieren. Im Fall des autonomen Fahrens beinhaltet dies die ganz reale Navigation. KI-gestützte Autos sind auch schon ziemlich gut in der Lage, die Spur zu halten und auf der Autobahn einen sicheren Abstand zum vorausfahrenden Fahrzeug einzuhalten. Sie reagieren auf Verkehrsmuster in Städten, Kurven, Luftverwirbelungen von Sattelschleppern und plötzliches Abbremsen.
KI, die sich an wechselnde Umgebungsbedingungen anpassen kann, findet in der Praxis vielfältige Anwendung. Unternehmen müssen zum Beispiel täglich Produkte herstellen und zu ihren Kunden bringen. Die Geschwindigkeit wird dabei von einer Vielzahl von Marktbedingungen beeinflusst: Materialverfügbarkeit, Produktionskapazität, vorhandene Bestände, Transportkosten und sogar das Verkehrsaufkommen in Echtzeit. KI kann die Lieferkette optimieren, auch wenn sich die Bedingungen ändern.
Und vergessen wir nicht die Roboter! Selbst ein einfacher Staubsauger-Roboter kann Treppen und Stühlen ausweichen. In größerem Maßstab werden viele Fertigungsstraßen mit Robotern ausgestattet, die mit der Zeit immer schneller und effizienter werden. Dieselben Roboter können sich ohne kostenintensive Neuprogrammierung an Änderungen bei der Produktionsmethode anpassen. Und die Wissenschaft arbeitet gerade an Rettungsrobotern, die sich in Katastrophengebieten, z. B. in einem eingestürzten Gebäude, bewegen können. Eine Roboter-Raupe, die sich durch winzige Spalten zwängen kann, könnte eingeschlossenen Menschen Hilfe und Hoffnung bringen.
KI-Modelle und neuronale Netze
Eine Unterhaltung über KI ist erst vollständig, wenn KI-Modelle und neuronale Netze angesprochen werden. KI-Modelle sind vergleichbar mit superintelligenten Computerprogrammen, die aus Beispielen lernen. Nehmen wir an, Sie entdecken Vogelbeobachtung als neues Hobby. Je mehr echte Vögel, Bilder von Vögeln, Vogelgesänge, Vogelnamen, Lebensräume und Gewohnheiten von Vögeln Sie kennenlernen, desto genauer können Sie verschiedene Vögel erkennen und wissen, wo Sie sie wahrscheinlich finden. Ähnlich wie bei Ihrem neuen Hobby lernt ein KI-Modell Muster und trifft Entscheidungen und Vorhersagen, indem es große Datenmengen analysiert. Wenn es einmal trainiert wurde, kann das Modell Aufgaben ausführen, die sowohl auf dem bereits Gelernten als auch auf dem weiterhin Gelernten basieren.
Neuronale Netze sind wichtige Werkzeuge für das Trainieren von KI-Modellen. Neuronale Netze sind eine Mischung aus Knoten, Ebenen, Gewichtungen, Verzerrungen und jeder Menge Mathematik. Zusammen ahmen diese Komponenten unsere eigenen organischen neuronalen Netze nach. Jedes neuronale Netz ist sorgfältig auf eine bestimmte Aufgabe abgestimmt. Vielleicht ist es gut darin, Regen vorherzusagen, vielleicht kategorisiert es besagte Vögel oder vielleicht hält es Ihr Auto auf der Autobahn in der Mitte der Fahrspur. Ganz gleich was ihre Aufgabe ist, neuronale Netze sind ein wichtiger Bestandteil dessen, was KI magisch erscheinen lässt. Und jetzt wissen Sie auch ein wenig darüber, wie diese Magie funktioniert.
Ursprünglich wurden neuronale Netze entwickelt, damit Maschinen Probleme wie Menschen lösen können, heute ermöglichen sie künstlicher Intelligenz, komplexe Beziehungen zwischen Eingabedaten und Ausgabeklassifizierungen zu erkennen. Mit anderen Worten, sie ermöglichen Computern zu lernen, welche Variablen und Werte für Menschen wichtig sind, wenn sie ein Ziel zu erreichen versuchen. Dies ist für AI-Technologie von entscheidender Bedeutung, denn es ist die Grundlage für die Verknüpfung menschlicher Bedürfnisse – schneller arbeiten, weniger Fehler machen, die Arbeitslast reduzieren – mit datengestützten Lösungen wie Agenten, die Antworten auf Aufforderungen in natürlicher Sprache geben. Dank neuronaler Netze können komplexe AI-Modelle zum Beispiel erkennen, dass ein Kunde versucht, sein Passwort zurückzusetzen, auch wenn er im Laufe der Interaktion keine bestimmten Schlüsselwörter oder -begriffe verwendet.
Zusammenfassung
Künstliche Intelligenz ist die Fähigkeit eines Computers, Fertigkeiten zu praktizieren, die typischerweise mit menschlicher Intuition, Schlussfolgerung und Argumentation verbunden sind. Viele dieser Fertigkeiten lassen sich grob in Kategorien wie numerische Vorhersagen und Sprachverarbeitung einordnen, die Einzug in unser Leben halten, da KI unsere geschäftlichen Anwendungsfälle, Bildungsanforderungen und industriellen Zwecke unterstützt.