Künstliche Intelligenz, kurz KI, ist eine Technologie, die Computer und Maschinen befähigt, menschliche Intelligenz und Problemlösungskompetenzen zu simulieren.
Allein oder in Kombination mit anderen Technologien (z. B. Sensoren, Geolokalisierung, Robotik) kann KI Aufgaben ausführen, die ansonsten menschliche Intelligenz oder Eingriffe erfordern würden. Digitale Assistenten, GPS-Navigation, autonome Fahrzeuge und generative KI-Tools (wie Open AIs Chat GPT) sind nur einige Beispiele für KI in den täglichen Nachrichten und unserem täglichen Leben.
Als Teilbereich der Informatik umfasst künstliche Intelligenz maschinelles Lernen und Deep Learning (und wird oft zusammen mit diesen genannt). Diese Disziplinen beinhalten die Entwicklung von KI-Algorithmen, die den Entscheidungsprozessen des menschlichen Gehirns nachempfunden sind und aus verfügbaren Daten „lernen“ können, um im Laufe der Zeit immer genauere Klassifizierungen oder Vorhersagen zu treffen.
Künstliche Intelligenz hat viele Hype-Zyklen durchlaufen, aber selbst für Skeptiker scheint die Veröffentlichung von ChatGPT einen Wendepunkt zu markieren. Das letzte Mal, als generative KI so groß im Kommen war, lagen die Durchbrüche in der Computer Vision, aber jetzt liegt der Sprung nach vorn in der natürlichen Sprachverarbeitung (NLP). Heute kann generative KI nicht nur menschliche Sprache, sondern auch andere Datentypen wie Bilder, Videos, Softwarecode und sogar molekulare Strukturen lernen und synthetisieren.
Die Anwendungen für KI wachsen jeden Tag. Aber während der Hype um den Einsatz von KI-Tools in Unternehmen Fahrt aufnimmt, werden Diskussionen über KI-Ethik und verantwortungsvolle KI von entscheidender Bedeutung. Mehr darüber, wie IBM zu diesen Themen steht, lesen Sie bitte unter Vertrauen in KI aufbauen .
Schwache KI – auch bekannt als enge KI oder Artificial Narrow Intelligence (ANI) – ist KI, die darauf trainiert ist und sich darauf konzentriert, spezifische Aufgaben auszuführen. Schwache KI treibt den Großteil der KI an, die uns heute umgibt. „Eng“ mag eine treffendere Bezeichnung für diese Art von KI sein, da sie alles andere als schwach ist: Sie ermöglicht einige sehr robuste Anwendungen wie Apples Siri, Amazons Alexa, IBM watsonx™ und selbstfahrende Fahrzeuge.
Starke KI besteht aus künstlicher allgemeiner Intelligenz (AGI) und künstlicher Superintelligenz (ASI). AGI, oder allgemeine KI, ist eine theoretische Form von KI, bei der eine Maschine eine dem Menschen gleiche Intelligenz besitzen würde; sie wäre sich ihrer selbst bewusst mit einem Bewusstsein, das die Fähigkeit hätte, Probleme zu lösen, zu lernen und für die Zukunft zu planen. ASI – auch bekannt als Superintelligenz – würde die Intelligenz und Fähigkeit des menschlichen Gehirns übertreffen. Während starke KI noch völlig theoretisch ist und heute keine praktischen Anwendungsbeispiele aufweist, bedeutet das nicht, dass KI-Forscher nicht auch ihre Entwicklung erforschen. In der Zwischenzeit sind die besten Beispiele für ASI vielleicht aus der Science-Fiction, wie HAL, der übermenschliche und abtrünnige Computerassistent in 2001: Odyssee im Weltraum.
Maschinelles Lernen und Deep Learning sind Subdisziplinen der KI, und Deep Learning ist eine Subdisziplin des maschinellen Lernens.
Sowohl Algorithmen für maschinelles Lernen als auch für Deep Learning verwenden neuronale Netze, um aus riesigen Datenmengen zu „lernen“. Diese neuronalen Netze sind programmierbare Strukturen, die den Entscheidungsprozessen des menschlichen Gehirns nachempfunden sind. Sie bestehen aus Schichten miteinander verbundener Knoten, die Merkmale aus den Daten extrahieren und Vorhersagen darüber treffen, was die Daten darstellen.
Maschinelles Lernen und Deep Learning unterscheiden sich in den Arten der verwendeten neuronalen Netze und dem Grad des menschlichen Eingreifens. Klassische Algorithmen des maschinellen Lernens verwenden neuronale Netze mit einer Eingabeschicht, einer oder zwei „versteckten“ Schichten und einer Ausgabeschicht. Typischerweise sind diese Algorithmen auf überwachtes Lernen beschränkt: Die Daten müssen von menschlichen Experten strukturiert oder beschriftet werden, damit der Algorithmus Merkmale aus den Daten extrahieren kann.
Deep-Learning-Algorithmen verwenden tiefe neuronale Netze – Netze, die aus einer Eingabeschicht, drei oder mehr (aber meist Hunderten) versteckten Schichten und einer Ausgabeschicht bestehen. Diese mehreren Schichten ermöglichen unüberwachtes Lernen: Sie automatisieren die Extraktion von Merkmalen aus großen, unbeschrifteten und unstrukturierten Datensätzen. Da kein menschliches Eingreifen erforderlich ist, ermöglicht Deep Learning im Wesentlichen maschinelles Lernen in großem Maßstab.
Generatives AI bezieht sich auf Deep-Learning-Modelle, die Rohdaten – sagen wir, die gesamte Wikipedia oder die gesammelten Werke von Rembrandt – nehmen und lernen können, bei einer Aufforderung statistisch wahrscheinliche Ausgaben zu „generieren“. Auf einer hohen Ebene kodieren generative Modelle eine vereinfachte Repräsentation ihrer Trainingsdaten und schöpfen daraus, um ein neues Werk zu schaffen, das den Originaldaten ähnelt, aber nicht identisch ist.
Generative Modelle werden seit Jahren in der Statistik zur Analyse numerischer Daten eingesetzt. Der Aufstieg des Deep Learning hat es jedoch ermöglicht, sie auf Bilder, Sprache und andere komplexe Datentypen auszuweiten. Zu den ersten KI-Modellen, die diese Crossover-Leistung vollbrachten, gehörten variationale Autoencoder oder VAEs, die 2013 eingeführt wurden. VAEs waren die ersten Deep-Learning-Modelle, die weit verbreitet für die Generierung realistischer Bilder und Sprache genutzt wurden.
„VAEs öffneten das Tor zum tiefen generativen Modellieren, indem sie die Skalierung von Modellen erleichterten“, sagte Akash Srivastava , Experte für generative AI am MIT-IBM Watson AI Lab. „Vieles von dem, was wir heute als generative AI betrachten, hat hier begonnen.“
Frühe Beispiele von Modellen, darunter GPT-3, BERT oder DALL-E 2, haben gezeigt, was möglich ist. In Zukunft werden Modelle auf einem breiten Satz unbeschrifteter Daten trainiert, die für verschiedene Aufgaben mit minimalem Fine-Tuning verwendet werden können. Systeme, die spezifische Aufgaben in einer einzigen Domäne ausführen, weichen breiten KI-Systemen, die allgemeiner lernen und über Domänen und Probleme hinweg arbeiten. Fundamentmodelle, die auf großen, unbeschrifteten Datensätzen trainiert und für eine Reihe von Anwendungen feinjustiert wurden, treiben diesen Wandel voran.
Was die Zukunft der KI betrifft, so wird in Bezug auf generative AI prognostiziert, dass Fundamentmodelle die KI-Einführung in Unternehmen drastisch beschleunigen werden. Die Reduzierung der Kennzeichnungsanforderungen wird es Unternehmen viel einfacher machen, einzusteigen, und die hochgenaue, effiziente KI-gesteuerte Automatisierung, die sie ermöglichen, bedeutet, dass weitaus mehr Unternehmen KI in einem breiteren Spektrum kritischer Situationen einsetzen können. Für IBM ist die Hoffnung, dass die Rechenleistung von Fundamentmodellen schließlich in einer reibungslosen Hybrid-Cloud-Umgebung jedem Unternehmen zur Verfügung gestellt werden kann.
Es gibt zahlreiche reale Anwendungen für KI-Systeme heute. Unten sind einige der gängigsten Anwendungsfälle aufgeführt:
Auch bekannt als automatische Spracherkennung (ASR), Computer-Spracherkennung oder Speech-to-Text, nutzt die Spracherkennung NLP, um menschliche Sprache in ein schriftliches Format zu verarbeiten. Viele mobile Geräte integrieren Spracherkennung in ihre Systeme, um Sprachsuche durchzuführen – zum Beispiel Siri – oder um die Barrierefreiheit beim Texten auf Englisch oder vielen weit verbreiteten Sprachen zu verbessern. Sehen Sie in unserer Fallstudie, wie Don Johnston IBM Watson Text to Speech genutzt hat, um die Barrierefreiheit im Klassenzimmer zu verbessern.
Online-virtuelle Agenten und Chatbots ersetzen menschliche Agenten entlang der Customer Journey. Sie beantworten häufig gestellte Fragen (FAQ) zu Themen wie Versand oder geben personalisierte Ratschläge, verkaufen Produkte quer oder schlagen Größen für Benutzer vor, wodurch sich die Art und Weise verändert, wie wir über Kundenbindung über Websites und Social-Media-Plattformen hinweg denken. Beispiele hierfür sind Messaging-Bots auf E-Commerce-Seiten mit virtuellen Agenten , Messaging-Apps wie Slack und Facebook Messenger sowie Aufgaben, die normalerweise von virtuellen Assistenten und Sprachassistenten erledigt werden. Sehen Sie in unserer Fallstudie, wie Autodesk Inc. IBM watsonx Assistant genutzt hat, um die Reaktionszeiten der Kunden um 99 % zu beschleunigen.
Diese KI-Technologie befähigt Computer und Systeme, aussagekräftige Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben abzuleiten, und kann basierend auf diesen Eingaben Maßnahmen ergreifen. Diese Fähigkeit, Empfehlungen auszusprechen, unterscheidet sie von Bilderkennungsaufgaben. Angetrieben von neuronalen Faltungsnetzen findet Computer Vision Anwendung im Foto-Tagging in sozialen Medien, in der radiologischen Bildgebung im Gesundheitswesen und bei selbstfahrenden Autos in der Automobilindustrie. Sehen Sie in unserer Fallstudie, wie ProMare IBM Maximo genutzt hat, um einen neuen Kurs für die Ozeanforschung festzulegen.
Adaptive Robotik agiert auf Basis von Informationen von Internet-of-Things-(IoT)-Geräten sowie strukturierten und unstrukturierten Daten, um autonome Entscheidungen zu treffen. NLP-Tools können menschliche Sprache verstehen und auf das reagieren, was ihnen gesagt wird. Prädiktive Analytik wird auf Nachfragereaktivität, Bestands- und Netzwerkoptimierung, vorbeugende Wartung und digitale Fertigung angewendet. Such- und Mustererkennungsalgorithmen – die nicht mehr nur prädiktiv, sondern hierarchisch sind – analysieren Echtzeitdaten und helfen Lieferketten, auf maschinell generierte, erweiterte Intelligenz zu reagieren, während sie gleichzeitig sofortige Sichtbarkeit und Transparenz bieten. Sehen Sie in unserer Fallstudie, wie Hendrickson IBM Sterling genutzt hat, um Echtzeittransaktionen voranzutreiben.
Die Wettermodelle, auf die sich Meteorologen verlassen, um präzise Vorhersagen zu treffen, bestehen aus komplexen Algorithmen, die auf Supercomputern laufen. Machine-Learning-Techniken verbessern diese Modelle, indem sie sie anwendbarer und präziser machen. Sehen Sie in unserer Fallstudie, wie Emnotion IBM Cloud genutzt hat, um wetterabhängige Unternehmen zu befähigen, proaktivere, datenbasierte Entscheidungen zu treffen.
KI-Modelle können große Datenmengen durchkämmen und untypische Datenpunkte innerhalb eines Datensatzes entdecken. Diese Anomalien können das Bewusstsein für fehlerhafte Geräte, menschliches Versagen oder Sicherheitsverletzungen schärfen. Sehen Sie in unserer Fallstudie, wie Netox IBM QRadar genutzt hat, um digitale Unternehmen vor Cyberbedrohungen zu schützen.
Die Idee einer „Maschine, die denkt“ reicht bis ins antike Griechenland zurück. Aber seit dem Aufkommen der elektronischen Datenverarbeitung (und im Vergleich zu einigen der in diesem Artikel besprochenen Themen) umfassen wichtige Ereignisse und Meilensteine in der Evolution der künstlichen Intelligenz die folgenden:
1950: Alan Turing veröffentlicht Computing Machinery and Intelligence (Link führt zu einer externen Website von ibm.com) . In diesem Papier stellt Turing – berühmt dafür, den deutschen ENIGMA-Code im Zweiten Weltkrieg geknackt zu haben, und oft als „Vater der Informatik“ bezeichnet – folgende Frage: „Können Maschinen denken?“ Von dort aus bietet er einen Test an, der heute als „Turing-Test“ bekannt ist und bei dem ein menschlicher Prüfer versuchen würde, zwischen einem Computer und einer menschlichen Textantwort zu unterscheiden. Obwohl dieser Test seit seiner Veröffentlichung viel Kritik erfahren hat, bleibt er ein wichtiger Teil der Geschichte der KI sowie ein fortlaufendes Konzept innerhalb der Philosophie, da er Ideen rund um die Linguistik nutzt.
1956: John McCarthy prägt den Begriff „künstliche Intelligenz“ auf der allererste KI-Konferenz am Dartmouth College. (McCarthy sollte später die Programmiersprache Lisp erfinden.) Später in demselben Jahr erstellen Allen Newell, J.C. Shaw und Herbert Simon den Logic Theorist, das allererste laufende KI-Softwareprogramm.
1967: Frank Rosenblatt baut den Mark 1 Perceptron, den ersten Computer auf Basis eines neuronalen Netzes, das durch Versuch und Irrtum „lernte“. Nur ein Jahr später veröffentlichen Marvin Minsky und Seymour Papert ein Buch mit dem Titel Perceptrons , das sowohl zum Meilensteinwerk über neuronale Netze als auch, zumindest für eine Weile, zu einem Argument gegen zukünftige Forschungsprojekte zu neuronalen Netzen wird.
1980er Jahre: Neuronale Netze, die einen Backpropagation-Algorithmus verwenden, um sich selbst zu trainieren, werden in KI-Anwendungen weit verbreitet.
1995 : Stuart Russell und Peter Norvig veröffentlichen Artificial Intelligence: A Modern Approach (Link führt zu einer externen Website von ibm.com), das zu den führenden Lehrbüchern beim Studium der KI wird. Darin befassen sie sich mit vier potenziellen Zielen oder Definitionen von KI, die Computersysteme auf der Grundlage von Rationalität und Denken vs. Handeln unterscheiden.
1997: IBMs Deep Blue schlägt den damaligen Schachweltmeister Garry Kasparov in einem Schachmatch (und Rückkampf).
2004 : John McCarthy schreibt ein Papier mit dem Titel What Is Artificial Intelligence? (Link führt zu einer externen Website von ibm.com) und schlägt eine oft zitierte Definition von KI vor.
2015: Baidus Minwa-Supercomputer verwendet eine spezielle Art von tiefem neuronalen Netz, ein sogenanntes konvolutionales neuronales Netz, um Bilder mit einer höheren Genauigkeitsrate als der durchschnittliche Mensch zu identifizieren und zu kategorisieren.
2016: Das Programm AlphaGo von DeepMind, angetrieben von einem tiefen neuronalen Netz, schlägt Lee Sedol, den Go-Weltmeister, in einem Match über fünf Spiele. Der Sieg ist angesichts der enormen Anzahl möglicher Züge im Laufe des Spiels bedeutsam (über 14,5 Billionen nach nur vier Zügen!). Später kaufte Google DeepMind für gemeldete 400 Millionen USD.
2023 : Ein Aufstieg großer Sprachmodelle, oder LLMs, wie ChatGPT, bewirkt eine enorme Veränderung in der Leistung der KI und ihrem Potenzial, Unternehmenswert zu schaffen. Mit diesen neuen generativen KI-Praktiken können Deep-Learning-Modelle mit riesigen Mengen an rohen, unbeschrifteten Daten vortrainiert werden.
Setzen Sie KI in Ihrem Geschäft ein – mit der branchenführenden KI-Kompetenz und dem Lösungsportfolio von IBM an Ihrer Seite.
Erfinden Sie kritische Arbeitsabläufe und Abläufe neu, indem Sie KI hinzufügen, um Erlebnisse, Echtzeit-Entscheidungsfindung und den Geschäftswert zu maximieren.
KI verändert das Spiel für die Cybersicherheit, indem sie massive Mengen an Risikodaten analysiert, um Reaktionszeiten zu beschleunigen und unterbesetzte Sicherheitsoperationen zu unterstützen.
Erfahren Sie, wie Sie das Modellauswahl-Framework verwenden, um das Fundamentmodell für Ihre geschäftlichen Anforderungen auszuwählen.
Greifen Sie auf unseren vollständigen Katalog mit über 100 Online-Kursen zu, indem Sie noch heute ein Einzel- oder Mehrplatz-Abonnement für digitales Lernen erwerben, mit dem Sie Ihre Fähigkeiten über eine Reihe unserer Produkte hinweg zu einem günstigen Preis erweitern können.
IBM watsonx Assistant wurde als Customers’ Choice im Gartner Peer Insights ‚Voice of the Customer‘-Bericht 2023 für Enterprise Conversational AI Platforms ausgezeichnet
Passende Leistung: KI-Marketingagentur