Kaum ein anderes Thema hat in den letzten Jahren mehr an Bedeutung gewonnen als Künstliche Intelligenz (KI). Von der wissenschaftlichen Forschung über rasant wachsende Entwicklerfirmen bis hin zur Berichterstattung in nahezu allen Medien: Künstliche Intelligenz ist inzwischen omnipräsent und wird aus ganz unterschiedlichen Perspektiven beleuchtet und diskutiert.
Anders als im Falle des einen oder anderen Tech-Trends handelt es sich jedoch bei Künstlicher Intelligenz nicht nur um ein weiteres Modewort aus der digitalen Welt. Sie wird seit Mitte des 20. Jahrhunderts erforscht und entwickelt sich nun vor unseren Augen zu einer Revolution, die unsere Art und Weise zu arbeiten, zu kommunizieren und Entscheidungen zu treffen, grundlegend verändern wird – und dieser Veränderungsprozess ist bereits in vollem Gange.
Doch was verbirgt sich eigentlich hinter dem Begriff der Künstlichen Intelligenz – und wie intelligent sind diese Systeme wirklich? Wir zeigen es Ihnen. In diesem Artikel haben die Digital-Experten von SEMINAR INSTITUT eine kurze Einführung in das Themengebiet für Sie zusammengestellt.
Was ist Künstliche Intelligenz? Ein Definitionsversuch
Künstliche Intelligenz ist eine Technologie, die Computer dazu befähigt, komplexe Probleme zu lösen, indem sie Muster erkennen, Entscheidungen treffen und aus Erfahrung lernen. Letztendlich sind KI-Systeme darauf ausgerichtet, menschliche Intelligenz nachzuahmen und zu automatisieren. Beispiele hierfür sind Algorithmen, die Entscheidungen treffen oder Muster in großen Datenmengen erkennen.
Allerdings lässt sich menschliche Intelligenz nicht einfach als Software ‚nachbauen‘, denn Neurowissenschaftler, Kognitionsforscher und Psychologen wissen nach wie vor nicht genau, wie unser Gehirn als Ganzes funktioniert, wie genau wir lernen, urteilen und auf neue Ideen kommen. Künstliche Intelligenz ahmt menschliche Intelligenz also nach, indem sie Algorithmen und Techniken verwendet, die entwickelt wurden, um bestimmte (Teil-)Aufgaben zu lösen. Obwohl KI-Systeme manche Ergebnisse menschlicher Intelligenz reproduzieren können, entspricht ihre Funktionsweise bislang nicht der des menschlichen Verstandes. Das ist einer der Gründe dafür, Künstlicher Intelligenz trotz ihrer beeindruckenden Ergebnisse abzusprechen, dass sie wirklich etwas versteht.
Systeme auf Basis Künstlicher Intelligenz unterscheiden sich jedoch deutlich von herkömmlichen Programmen oder Algorithmen. Während Letztere gewöhnlich festgelegten Regeln folgen, ist Künstliche Intelligenz in der Lage, aus Erfahrungen zu lernen und sich an veränderten Input – also an veränderte Umgebungen und neue Erfahrungen – anzupassen. Dadurch können KI-Systeme ihre Leistung im Laufe der Zeit verbessern und inzwischen sogar Aufgaben bewältigen, für die sie nicht speziell programmiert wurden.
Was ist im Bereich Künstliche Intelligenz bereits möglich – und was nicht?
Viele KI-Systeme, die in den letzten Jahrzehnten entwickelt wurden, erzielen beeindruckende Ergebnisse, haben aber auch klare Grenzen. Das liegt vor allem an den folgenden drei Eigenschaften, die bislang die meisten Systeme, die auf Künstlicher Intelligenz basieren, teilen:
1. Domain-Spezifität: Viele Systeme sind auf bestimmte Aufgabenbereiche spezialisiert. Eine KI zur Bilderkennung kann z. B. darauf trainiert werden, Katzenbilder von Hundebildern zu unterscheiden, sie kann aber weder Sprache erkennen noch Spreadsheets analysieren.
2. Kontextualisierungsmängel: In der menschlichen Kommunikation wird ein Teil der Informationen über den Kontext vermittelt. Diesen Kontext zu deuten, fällt Künstlicher Intelligenz jedoch schwer. Infolgedessen scheitern z. B. Chatbots oft daran, den Kontext eines Gesprächs zu erfassen und angemessen auf neuen Input zu reagieren.
3. Eingeschränkte Transferfähigkeit: Künstliche Intelligenz, die für eine bestimmte Aufgabe trainiert wurde, kann ihre Fähigkeiten nicht immer auf ähnliche Aufgaben übertragen. So ist es z. B. möglich, dass ein KI-basiertes Bilderkennungsprogramm zwar Pferde erkennt, jedoch keine Zebras.
In der Theorie rund um Künstliche Intelligenz führen diese Grenzen zur Unterscheidung zwischen schwacher und starker KI. Schwache KI ist auf die Lösung spezifischer Aufgaben beschränkt (z.B. Bilderkennung oder Sprachverarbeitung) während starke KI in der Lage wäre, ein breites Spektrum komplexer Probleme zu lösen und im Zuge dessen den Nachweis menschenähnlicher Intelligenz zu erbringen. Starke Künstliche Intelligenz in diesem Sinne ist bislang hypothetisch und technisch noch nicht umsetzbar – wir kennen Sie nur aus der Science-Fiction, wo sie oftmals als Gefahr dargestellt wird.
Doch während starke KI noch eine Zukunftsvision ist, wird schwache KI bereits in zahlreichen Wirtschafts- und Lebensbereichen eingesetzt. Wer sich schon in den 2000er Jahren (oder gar den 90ern) mit Spracherkennungs- und Diktierprogrammen auseinandergesetzt hat, weiß den Fortschritt sicher zu schätzen. Moderne Programme funktionieren nahezu fehlerfrei, können mit undeutlicher Aussprache, Pausen, Störgeräuschen, seltenen oder fachsprachlichen Wörtern und so ziemlich jeder anderen Eventualität umgehen, sodass am Ende ein sauberer Text vorliegt. Gleiches gilt für Bild- und Texterkennungsprogramme.
In den letzten Jahren trat allerdings eine besondere Form Künstlicher Intelligenz in den Vordergrund. Überall lasen und hörten wir plötzlich von GPTs, LLMs und dem, was laut vielen Experten eine der größten technologischen Revolutionen auslösen könnte: Generative KI.
Was ist generative KI?
Generative Künstliche Intelligenz unterscheidet sich von anderen KI-Systemen dadurch, dass sie in der Lage ist, neue Inhalte zu erzeugen, anstatt „nur“ vorhandene Muster zu erkennen oder Entscheidungen anhand vorgegebener Regeln zu fällen. Diese Form von Künstlicher Intelligenz basiert auf sogenannten generativen Modellen, die verschiedene Techniken nutzen – darunter neuronale Netzwerke und probabilistische Modelle – um Daten zu generieren, die von menschlichen Erzeugnissen kaum noch (und teilweise gar nicht mehr) zu unterscheiden sind.
Zum Beispiel kann generative Künstliche Intelligenz Bilder im Stil berühmter Maler und Grafiker erstellen, realistische Darstellungen menschlicher Gesichter erzeugen, Videoaufnahmen von Sprechern in Echtzeit mit einer identisch klingenden, übersetzten Tonspur ausstatten und Texte verfassen, in denen ein bestimmter Datensatz journalistisch aufbereitet wird. Large Language Models (LLMs) sind in Unterhaltungen inzwischen nur noch mithilfe gezielter ‚Trick-Fragen‘ von Menschen zu unterscheiden.
Theoretische und technische Grundlage der generativen Künstlichen Intelligenz ist das Maschinelle Lernen (englisch Machine Learning), das es Programmen erlaubt, durch Input zu lernen, ohne explizit damit programmiert werden zu müssen. Ein häufig verwendetes Verfahren zur Umsetzung generativer KI ist das sogenannte Generative Adversarial Network (GAN), das aus zwei neuronalen Netzwerken besteht, dem Generator und dem Diskriminator. Der Generator erzeugt Daten, während der Diskriminator versucht, zwischen echten und generierten Daten zu unterscheiden.
Durch dieses Katz-und-Maus-Spiel verbessern sich beide Netzwerke kontinuierlich, was zu immer realistischeren Ergebnissen führt. Weiter verbessern lässt sich der Output generativer Künstlicher Intelligenz durch Reinforcement Learning with Human Feedback (RLHF). Dabei wird die KI mithilfe von Supervised-Learning-Techniken durch menschliches Feedback trainiert und gezielt parametrisiert.
Trotz ihrer beeindruckenden Fähigkeiten hat aber auch generative Künstliche Intelligenz ihre Grenzen. Die vielleicht wichtigste besteht darin, dass generative Künstliche Intelligenz Input und Output nicht wie ein Mensch versteht. Obwohl beispielsweise die Antworten von ChatGPT in einer Unterhaltung oftmals überzeugend wirken, fehlt es den bisherigen KI-Systemen an echtem Verständnis für den Kontext oder den Sinn der Inhalte.
Dadurch entstehen bisweilen abwegige, unpassende oder sinnlose Outputs, sogenannte Halluzinationen. Dies geschieht übrigens bei Text- und Bilderzeugung – denken Sie z. B. an die vielfingrigen Kreationen früher Versionen von Midjourney oder Dall-e). Eine abfällige Bezeichnung für Lage Language Models (LLMs) wie GPT4, Llama oder Claude lautet daher „Stochastic Parrot“ – demnach plappern diese KI-Systeme menschliche Sprache anhand probabilistischer Methoden lediglich nach, ohne sie auch nur im Geringsten zu verstehen. Ob diese Beschränkungen prinzipiell weiterbestehen oder zukünftig überwunden werden, ist umstritten.
KI im Unternehmen? Wir zeigen Ihnen, wie – mit Weiterbildungen und Business Coaching von SEMINAR-INSTITUT
Vom Service-Chatbot bis hin zur hochbeschleunigten Datenanalyse durch intelligente Systeme: Wenn auch Sie herausfinden möchten, welches Potenzial Künstliche Intelligenz für die Arbeitsabläufe in Ihrem Unternehmen birgt, dann finden Sie in unserem unserem Themenkreis Digitalisierung ein ganz besonderes Weiterbildungs-Highlight. Die SI+ Version unseres Seminars „Künstliche Intelligenz im Unternehmen“ verbindet aktuelles Know-how zum Thema KI mit individuellem Consulting. Unsere Digitalexperten zeigen Ihnen, in welchen Bereichen Ihres Unternehmens Künstliche Intelligenz zum Einsatz kommen könnte, um bestehende Prozesse zu optimieren, Mitarbeiter zu entlasten oder vielleicht sogar vollkommen neue Geschäftsideen zu entwickeln.
Für Fach- und Führungskräfte, die sich für die Chancen der Künstlichen Intelligenz in ganz bestimmten Abteilungen interessieren, empfehlen wir außerdem einen Blick in unsere Aufbauseminare. Digitale Synergien – auch unter Einsatz KI-basierter Systeme – spielen u.a. in unseren Seminaren „Controlling Aufbau“ und „Organisation Aufbau“ eine zentrale Rolle.
