Künstliche Intelligenz – KI statt IQ

Maschinen sind längst mehr als leistungsstarke, aber letztlich tumbe Roboter. Maschinen lernen ständig dazu, genau wie intelligente Menschen – und sogar noch besser.

Bis heute gibt es noch keine einheitliche Definition von Intelligenz, doch die Experten arbeiten bereits mit voller Rechnerkraft voraus an der so genannten „künstlichen Intelligenz“, KI. Als Anwendungsbeispiel diente bisher meist der oft belächelte smarte Kühlschrank, doch inzwischen geht es um weit mehr als nice-to-have-Spielereien. KI berührt existenzielle Fragen, wie die Zukunft des eigenen Arbeitsplatzes oder ganzer Wirtschaftszweige. Mit künstlicher Intelligenz, intelligenten Maschinen und der zugrunde liegenden Technologie „Deep Learning“ hat praktisch jeder Mensch bereits heute oder in Kürze zu tun, bewusst oder unbewusst, freiwillig oder nicht.

[emaillocker id=1810]

Sind Maschinen auch nur Menschen?

Mit lernenden Maschinen verhält es sich ähnlich wie mit lernenden Menschen: Mit fleißigem Auswendiglernen kann ein Schüler zwar einen Schulabschluss schaffen, intelligent ist er damit aber noch nicht; ebenso wenig wie ein Computer, der dem Menschen an Geschwindigkeit und Präzision, zudem ermüdungsfrei, uneinholbar überlegen ist, sei es beim Berechnen einer Excel-Tabelle oder der nächsten Mondlandung, und der doch nur die von Menschen zuvor programmierten Regeln und Befehle abarbeitet. Bisher galt: Alles, was sich in Regeln formulieren und berechnen lässt, kann eine Maschine besser, schneller, präziser; Intelligenz dagegen sei den Menschen vorbehalten, denn nur sie können Erfahrungen machen und daraus lernen, Probleme erkennen, Lösungen erarbeiten, sich irren, es besser machen.

Aber inzwischen haben die Maschinen gelernt zu lernen und zwar auch in Bereichen, in denen sich homo sapiens bisher für unersetzbar hielt: natürlich gesprochene Sprache verstehen und sinnvoll damit kommunizieren, Emotionen erkennen und darauf reagieren. Intelligente Maschinen lernen wie Menschen durch Beobachten, Nachahmen, Trial and Error, und sie finden sogar eigene Lösungswege. Möglich machen dies vor allem leistungsstarke Deep-Learning-Systeme (s. Begriffserklärungen).

Was heißt das für die Arbeitswelt?

Um die Antwort vorwegzunehmen: „Wie sich die einzelnen Berufe genau entwickeln werden, kann heute niemand seriös prognostizieren“, meint Ulrich Walwei, der Vizedirektor des Instituts für Arbeitsmarkt- und Berufsforschung IAB. Dennoch existieren zahlreiche Untersuchungen zu dem Thema, die gelegentlich in reißerischen Schlagzeilen münden: „Die Jobfresser kommen“ (Spiegel online).

In den USA gelten 47 Prozent der Arbeitsplätze gefährdet, darunter Taxi-, Bus- und LKW-Fahrer – Stichwort „autonomes Fahren“ –, sowie Postboten, die zunehmend durch Logistik-Drohnen ersetzt werden können. Auf dem deutschen Arbeitsmarkt sind einer Studie der ING DiBa zufolge sogar 59 Prozent der Arbeitsplätze gefährdet, allen voran administrative Tätigkeiten und Berufe mit eher geringer bis mittlerer Qualifikation. Dagegen können Führungskräfte und Akademiker in wissenschaftlichen und kreativen Berufen mit geringerer Wahrscheinlichkeit durch maschinelle Kollegen ersetzt werden – während gleichzeitig am Deep-Learning-Horizont bereits Robo-Docs auftauchen, die Diagnosen stellen und Rezepte ausstellen. Die gerade heranwachsende Generation Z freut sich vielleicht bald auf marriage-online oder wird divorce-to-go nutzen und somit Standesbeamte, Rechtsanwältinnen und die Gerichte entlasten oder gar überflüssig machen – die Blockchain macht es möglich (siehe Innovation Insights 1 / 2017).

Programmierer gehen, Data Scientists kommen

Laut IAB können vor allem Fertigungsberufe jetzt oder in nächster Zukunft zu 70 Prozent automatisiert werden, ähnlich hoch sind die Zahlen für Berufe im Finanz- und Rechnungswesen. Sogar Berufe, die vor kurzem noch als Garant für sichere Arbeitsplätze galten, veralten inzwischen schneller als das neueste iPhone-Modell, denn gerade die IT- und naturwissenschaftlichen Berufe umfassen viele Routinetätigkeiten und haben daher ein hohes Substituierbarkeitspotenzial von mehr als 65 Prozent. Profitieren werden dagegen hoch spezialisierte IT- und Technikkräfte wie der Data Scientist – bis auf weiteres braucht es eben doch noch Menschen mit ihrer natürlichen Intelligenz, um der künstlichen Intelligenz ausreichend Schwungkraft auf den Weg zu geben, bis diese sich dann – vielleicht irgendwann – selbstständig weiterentwickeln kann. Ebenfalls profitieren wird der Dienstleistungsbereich, und es entstehen zahlreiche neue Aufgaben, die sowohl großes digitales Know-how erfordern als auch (noch) nicht digitalisierbare Kompetenzen wie Kreativität, Kommunikations- und Teamfähigkeit. Entwickelt werden derzeit Bagger, die ohne menschliches Zutun gefährliche Stoffe bergen, Drohnen, die aus der Luft einen Schlot inspizieren und polymorphe Roboter, die selbstständig Brücken, Kanalsysteme und Maschinen warten.

Ulrich Walwei jedenfalls dämpft allzu dramatische Zukunftsszenarien: „Digitalisierung heißt nicht Massenarbeitslosigkeit“. Auf ZEIT online schreibt er im Mai 2016: „Aus heutiger Sicht ist ein massiver Rückgang der Arbeitskräftenachfrage infolge der Digitalisierung eher unwahrscheinlich. Arbeitsplatzverluste … werden voraussichtlich an anderer Stelle durch neue Arbeitsplätze ausgeglichen.“

Klar ist, dass man die KI längst nicht mehr weglächeln kann mit dem Hinweis auf den Sinn und Unsinn smarter Kühlschränke. Start-ups entstehen, praktisch täglich, wie neue Synapsen in einem lernenden Gehirn, die die unendlichen Möglichkeiten der KI in konkrete Anwendungen übersetzen und neue Produkte, Dienstleistungen und Geschäftsmodelle entwickeln.

KI Start-ups aus Deutschland und der Schweiz

EyeEm, Berlin

Auf der Foto-App EyeEm kann jedes der 20 Millionen Mitglieder (Stand Juni 2017, laut Homepage) seine Fotos verkaufen. Dafür sind die passenden Stichworte und eine aussagekräftige Beschreibung wichtig. Ein neuronales Netzwerk hat anhand von Millionen Bildbeispielen gelernt, Objekte auf Fotos richtig zu identifizieren und die Bilder korrekt zu beschriften.

TwentyBN, Berlin

Das Unternehmen „Twenty Billion Neurons“ entwickelt Deep-Learning-Lösungen für deutsche Industrieunternehmen, zum Beispiel für die Entwicklung selbstfahrender Autos, hocheffizienter Sprach-, Bild- und Videoanalysen, für Dialogsysteme und medizinische Diagnostik – also für alle Anwendungen, bei denen Daten auf intelligente Art und Weise analysiert werden sollen.

TerraLoupe, München

Das Start-up hat sich auf die Auswertung von Luftbildern und Satellitenfotos spezialisiert. Genutzt werden die Auswertungen beispielsweise von Versicherungen oder Kartenanbietern, die präzise Angaben über die Art der Bebauung benötigen. www.terraloupe.com

Parlamind, Berlin

Die KI-Anwendung des Start-ups analysiert E-Mails und andere Nachrichten von Kunden und gibt den Servicemitarbeitern Antwortvorschläge. Basis dafür sind einige Millionen Konversationen, die mit Deep Learning ausgewertet wurden. Das System versteht bisher mehr als 200 unterschiedliche Kontaktgründe und lernt permanent dazu.

Parquery, Zürich

Das Spin-off der ETH Zürich entwickelt Smart City Technologien speziell für verkehrsbelastete (Innen)städte. Smart Parking liefert Belegungsinformationen von Parkplätzen in Echtzeit als Grundlage für eine optimale Parkplatzverwaltung.

Starmind, Küsnacht

Starmind entwickelt selbstlernende Deep-Learning-Systeme für Firmen. Es ist eine Art Zentralgehirn aller Mitarbeiter, um das gemeinsame Wissen optimal für Fragen und Problemlösungen anzuwenden. Die Entwicklungn von Starmind beruhen auf der Arbeit an virtuellem Hirngewebe und selbstlernenden neuronalen Netzwerken.

 

Begriffe, kurz erklärt

Künstliche Intelligenz (KI, auch Artificial Intelligence genannt, AI) ist ein Teilgebiet der Informatik, das Maschinen dazu befähigen will, menschliches, intelligentes Verhalten nachzuahmen (dass Menschen sich keineswegs immer intelligent verhalten, steht auf einem anderen Chip).

Künstliche neuronale Netze: Schichten künstlicher Neuronen, die ähnlich miteinander verbunden sind wie Nervenzellen. Künstliche neuronale Netze sind eine Basis für maschinelle Lernverfahren nach dem Vorbild der Nervenzellenvernetzung im Gehirn.

Deep Learning bedeutet, den künstlichen neuronalen Netzen beizubringen, in Informationen Muster zu erkennen, sie zu klassifizieren und einzuordnen. Jede Information und jede Entscheidung wird beim Deep Learning abschließend nochmals hinterfragt. Bestätigt sich die Annahme, bekommt eine Informationsverknüpfung eine wichtigere Bedeutung, wird sie revidiert, bekommt sie eine neue, unbedeutendere Verknüpfung. So entwickelt sich mit der Zeit ein immer intelligenteres System, wie es auch im Gehirn des Menschen geschieht – im Idealfall.

[/emaillocker]