1. Einleitung

Seit den 1950er Jahren beschäftigt sich die wissenschaftliche Gemeinschaft eingehend mit dem Thema künstliche Intelligenz. Die anfängliche Begeisterung wurde durch die mangelnde Rechen- und Speicherkapazität eingedämmt, um künstliche Intelligenz in der Praxis einzusetzen. Dies hat sich jedoch in den letzten Jahren signifikant verändert. Dank dem enormen technologischen Fortschritt können große Datenmengen (Big Data) erhoben, gespeichert, analysiert und mithilfe von Algorithmen dessen Struktur und zusammenhänge ermittelt und ausgewertet werden. Daher ist es kein Zufall, dass das Thema künstliche Intelligenz ein heiß begehrtes Thema in der wissenschaftlichen Welt ist. Auch Unternehmen sind an effizienten und intelligenten Anwendungen interessiert. Durch den technologischen Wandel entstehen wieder neue Fragestellung mit denen sich Experten und Datenschutzbeauftragte auseinandersetzen müssen wie beispielsweise mit ethischen und regulatorischen Problemen.[1]

Wenn heute über künstliche Intelligenz gesprochen wird, gibt es unterschiedliche Auffassungen wie dieser Begriff zu verstehen ist, manchmal sind auch allgemeiner kognitive Systeme gemeint. Künstliche Intelligenz bedeutet, dass sowohl Computer und als auch Maschinen kognitive Fähigkeiten wie „Lernen“ und „Probleme lösen“ erlernen und in diesem Sinne autonom handeln können. Schwache (weak) künstliche Intelligenz ist ein Begriff, der die Fähigkeit beschreibt, künstliche Intelligenz zur Steuerung eines definierten und strukturierten Prozesses zu verwenden. Der Vorteil ist, dass diese Prozesse schneller und genauer ausgeführt werden können und weniger fehleranfällig sind. Starke (strong) künstliche Intelligenz hingegen, erlernt ein autonomes Verhalten, dass auch von sich selbst lernen und unabhängig entwickeln kann. Das Machine Learning ist ein Bereich der künstlichen Intelligenz. Der wichtigste Bestandteil bei der Entwicklung einer künstlichen Intelligenz sind die Daten, mit denen das Modell gefüttert wird. Ohne die heutigen Datenmengen könnten keine KI-Anwendung entwickelt werden. Jedoch muss bei der der Entwicklung auf die Qualität der Daten geachtet werden und diese folglich gewährleistet sein. Dies kann über verschiedene Data Analysis aus dem Bereich der Data Science sichergestellt werden.[2]

1.1 Forschung in Deutschland

Das Bundesforschungsministerium investiert seit vielen Jahren in die Forschung der künstlichen Intelligenz. Die heute erzielten Fortschritte und das Potenzial für die Schaffung lassen sich teilweise auf diese Finanzierung zurückführen. Bereits 1988, mit der Einrichtung des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI), wurde die frühe KI-Forschung zum sichtbaren Schwerpunkt. Deutschland verfügt zusammen mit den Forschungseinrichtungen der Frauenhofer-Gesellschaft, der Max-Planck-Gesellschaft und der Helmholz-Gesellschaft über ein starkes wissenschaftliches Umfeld im Bereich der künstlichen Intelligenz. Diese wissenschaftlichen Einrichtungen sind durch eine enge Kooperation mit der Industrie verbunden.[3]

2. Hauptteil

Künstliche Intelligenz wird grundsätzlich in starke und schwache KI unterteilt. Obwohl schwache künstliche Intelligenz in einem begrenzten Bereich die menschliche Intelligenz erreichen kann oder übertroffen hat, wird starke künstliche Intelligenz in allen Bereichen mindestens dasselbe Niveau wie das menschliche Gehirn sein. Bis es aber zu einem Einsatz der starken KI kommt, benötigt es noch viel mehr Rechenleistung. Daher wird es in den kommenden Jahren voraussichtlich nicht zum Einsatz der starken KI kommen.

2.1 Schwache KI

Systeme, die sich auf die Lösung spezifischer Anwendungsprobleme konzentrieren, werden als schwache künstliche Intelligenz bezeichnet. Unter Zuhilfenahme komplexer mathematischer Kalkulationen und dem Einsatz von Computern wird eine schwache künstliche Intelligenz umgesetzt, die speziell für entsprechende Anforderungen entwickelt und optimiert wurden. Das resultierende System kann sich in sogenannten Trainingsphasen selbst optimieren. Ein schwaches KI-System reagiert auf einer oberflächlichen Ebene der Intelligenz und erhält kein tieferes Verständnis für die Problemlösung. Sie dient einzig allein nur dazu, dass definierte Aufgaben auf eine bestimmte Art und Weise bewerkstelligt werden. Umgekehrt beruht schwache künstliche Intelligenz auf Methoden, mit denen Probleme gelöst werden können. Sie scheint intelligent zu sein, aber es steckt nur eine schwache künstliche Intelligenz dahinter. Grundlegend kann in einfachen Worten zusammengefasst werden: Eine schwache künstliche Intelligenz ist nichts anders als eine komplexe mathematische Berechnung, die mithilfe von Algorithmen und großen Datenmengen vorgebebene Problemstellungen löst.

2.1.1 Beispiele für schwache KI

Künstliche Intelligenz wird bereits in vielen Bereichen eingesetzt:

· Programme, die von einem Computer geführt werden (z. B. gegen den Computer Schach spielen)

· Spracherkennung

· Individuelle Aussteuerung von Werbung

· Automatisierte Übersetzung

Die meisten dieser Systeme stammen von großen Softwareherstellern (Google, IBM, Microsoft, Apple usw.). Jedoch entstehen immer mehr Start-Ups die, die KI-Anwendungen entwickeln und vertreiben.

2.2 Starke KI

Das Ziel leistungsfähiger künstlicher Intelligenz (auch Superintelligenz oder Englisch: strong AI oder einfach AI) besteht darin, die gleichen intellektuellen Fähigkeiten von Menschen zu erreichen oder zu übertreffen. Leistungsstarke künstliche Intelligenz reagiert nicht mehr nur passiv, sondern spielt eine intelligente und flexibel Rolle. Stand heute ist es noch nicht möglich, leistungsfähige künstliche Intelligenz zu entwickeln. Auch die Diskussionen darüber, ob eine solche superintelligente Entwicklung überhaupt möglich sei, geht weiter. Momentan sind sich die meisten Forscher einig, dass eine strong AI entwickelt werden kann , aber die Forscher sind sich nicht einig, wann es so weit ist.[4]

2.2.1 Eigenschaften einer starken KI

Grundsätzlich kann man zusammenfassen, dass eine starke künstliche Intelligenz die folgenden Eigenschaften aufweisen muss, um als solch eine wahrgenommen zu werden:

Entscheidungsfähigkeit auch bei Unsicherheit
Planungs- und Lernfähigkeit
Fähigkeit zur Kommunikation in natürlicher Sprache
Kombinieren aller Fähigkeiten zur Erreichung eines übergeordneten Ziels
Logisches Denkvermögen

Allerdings ist noch sehr umstritten, welche Eigenschaften eine starke künstliche Intelligenz aufweisen muss und in welch einem Umfang eine starke künstliche Intelligenz ihr eigenes Bewusstsein und die Rolle von Empathie, Selbstbewusstsein, Gedächtnis und Weisheit in der Rolle in Bezug auf die oben genannten Attribute verwirklichen kann. Zum Beispiel wird spekuliert, dass die Superintelligenz kein wirkliches Einfühlungsvermögen hat, sondern es nur simulieren kann, um schneller oder besser Ziele zu erreichen.

2.3 Machine Learning

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Mithilfe des maschinellen Lernens können IT-Systeme Muster und Gesetze identifizieren und Lösungen entwickeln, die auf vorhandenen Daten und speziell entwickelte Algorithmen basieren. Künstliches Wissen entsteht aus Erfahrung. Das aus den Daten gewonnene Wissen kann verallgemeinert und in neuen Problemlösungen oder zur Analyse bisher unbekannter Daten verwendet werden. Die Daten müssen so präpariert werden, dass sie optimal auf den Use Case aufgearbeitet und vorbereitet werden. Der Algorithmus wird anschließend mit dem Datensatz gefüttert. Dieser erkennt dann in der sogenannten Trainingsphase Muster, Verbindungen und Strukturen in den Daten. Nach dieser Trainingsphase werden die Ergebnisse mit speziellen Evaluationsmetriken auf deren Korrektheit überprüft. Abschließend werden diese Ergebnisse ausgegeben.

Nochmal die Schritte von Anfang bis Ende, die ein maschinelles Lernsystem mit sich bringt:

· Relevante Daten finden, extrahieren und aggregieren

· Vorhersagen basierend auf Analysedaten

· Berechnen Sie die Wahrscheinlichkeit eines bestimmten Ereignisses

· Unabhängig an die Entwicklung anpassen

· Prozesse nach Mustern optimieren

Quelle: https://datasolut.com/was-ist-deep-learning/

Wie dem ersten Absatz entnommen werden kann, spielen Algorithmen beim maschinellen Lernen eine zentrale Rolle. Sie sind für die Identifizierung von Mustern und die Generierung von Lösungen verantwortlich und können in verschiedene Lernkategorien unterteilt werden.

· Überwachtes Lernen (Supervised Learning)

· Unüberwachtes Lernen (Unsupervised Learning)

· Bestärkendes Lernen (Reinforcment Learning)

Im Fall vom überwachten Lernen, weiß der Algorithmus schon vor dem Trainingsprozess sowohl was der Input als auch was der dazugehörige Output ist. Dafür müssen die Daten gelabelt sein. Hingegen sind den Algorithmen bei dem unüberwachten Lernen nur der Input bekannt aber nicht der Output. Das Ziel ist, dass der Algorithmus Strukturen findet und diese selbständig und automatisch in Klassen unterteilt. Diese Prozedur wird Clustering genannt. Bei dem bestärkenden Lernen sind weder Input und Output noch das Lernumfeld bekannt. Hier gibt es einen sogenannten Agent, der sich alles selbstständig beibringen soll. Dieser lernt mithilfe eines Belohnung- und Bestrafungssystems.

Beispiele für Machine Learning:

· Spam Detection

· Bank- und Kreditkartenbetrug

· Bild- und Videoerkennung

2.4 Deep Learning

Ein Teilgebiet des maschinellen Lernens ist das Deep Learning (dt. mehrschichtiges Lernen oder tiefes lernen) das ausschließlich mit künstlichen neuronalen Netzen arbeitet. Deep steht hier im Zusammenhang mit neuronalen Netzwerken dafür, wie tief die Ebenen eines künstlichen neuronalen Netzwerkes sind. Künstliche neuronalen Netzwerke sind von dem menschlichen Gehirn inspiriert. Das menschliche Gehirn verarbeitet Informationen mithilfe von Neuronen und Synapsen. In ähnlicher Weise verarbeitet auch ein künstliches neuronales Netzwerk Informationen bzw. Daten, die aus mehreren Reihen von Datenknoten, durch gewichtete Verbindungen miteinander verbunden sind. Vereinfacht gesagt, werden Maschinen lernfähig gemacht. Wenn das künstliche neuronale Netzwerk trainiert wird, durchläuft es sogenannten Epochen die, die Wiederholung des Trainings vorgibt. Mit jedem Durchlauf einer Epoche verbessern oder verschlechtern sich die Ergebnisse. Die Epoche ist nur einer von vielen Parametern, mit denen man den Trainingsprozess verfeinern kann. Die Grundlegende Struktur eines künstlichen neuronalen Netzwerks hat drei Schichten. Die erste ist die Input-, die zweite die versteckte- und die letzte die Outputschicht.[5]

Quelle: https://datasolut.com/neuronale-netzwerke-einfuehrung/

2.5. Einsatz von künstlicher Intelligenz in der Wirtschaft

Künstliche Intelligenz bietet jeder Branche riesige Chancen. Die Technologie vereinfacht den Maschinenbetrieb und ermöglicht neue Anwendungsbereiche. Die Basis sind wie in Kapitel 2.1 Schwache KI entnommen werden kann, riesige Datenmengen, die verarbeitet und in eine geeignete Struktur gebracht werden. Künstliche Intelligenz bereichert bereits heute unser tägliches Leben, zum Beispiel bei der Bild- und Spracherkennung, wie aus Kapitel 2.3 Machine Learning entnommen werden kann. Der technische Hintergrund ist jedoch komplex. Künstliche Intelligenz basiert im Wesentlichen auf Wahrscheinlichkeitsberechnung und Mustererkennung in den großen Datenmengen. Das industrielle Umfeld hat eine große Marktlücke entdeckt, in der großes Potenzial gesehen wird. Die Schlüsselfrage lautet:

Welche Prozesse können mit künstlicher Intelligenz wesentlich verbessert oder sogar automatisiert werden?

Künstliche Intelligenz kann verwendet werden, um ganze Produktionsanlagen intelligent zu planen und zu steuern. Dies ist beispielsweise nützlich, wenn unbemannte automatisiert geführte Fahrzeuge selbständig interne Logistikaufgaben übernehmen. Der Fokus liegt hier auf der besonders guten Planung für die Verwendung von KI-Methoden. Die Vernetzung zwischen Produktionsanlagen und Komponenten ist in jüngster Vergangenheit gestiegen und wird in Zukunft weiter ansteigen. Dieser Trend ist unter dem großen Thema Industrie 4.0 zusammengefasst. KI hilft dabei bestimmte Daten effektiv zu nutzen, um Prozesse intelligent miteinander zu verbinden. Diese Anwendungen erfordern nicht nur große Datenmengen, sondern qualitativ hochwertige und strukturierte Daten. In diesem Fall lautet das Motto eher Smart Data als Big Data. Maschinelles Lernen ist eine Variante der KI, die dazu beiträgt, Robotersysteme für eine flexible Produktion geeignet zu machen. In dieser Anwendung geht es darum, Daten zu interpretieren, Korrelationen zu finden und daraus Schlussfolgerungen zu ziehen. Hierzu leiten beispielsweise vernetzte Maschinen und Roboter ihre Daten an Software- oder Cloud-Anwendungen weiter.[6]

Selbst in der sogenannten industriellen Digitalisierung „Industrie 4.0“ kann maschinelle Intelligenz Pläne für die Produktion optimieren und bessere Vorhersagen was den Bedarf angeht treffen. Automatisierte und vernetzte Maschinen können die Umgebung erkennen und ihren Betrieb unabhängig anpassen. Selbst eine Mensch-Maschine-Zusammenarbeit ohne Schutzzaun kann nur durch maschinelles Lernen und künstliche Intelligenz erreicht werden. Hier muss die KI streng überwacht werden, um das menschliche Leben nicht zu gefährden.[7]

In der Vergangenheit wurden Roboter häufig in sich wiederholenden Anwendungen eingesetzt. Die Maschine führt ihre zugewiesenen Aufgaben mit konstant hoher Genauigkeit und Wiederholbarkeit aus. Die zukünftige Produktion wird komplexere Anforderungen haben und vor allem müssen flexiblere Maßnahmen ergriffen werden. Viele Unternehmen wenden sich an Roboterhersteller, welche deren starren Produktionsketten und Engpässe umstellen. Die Lösung besteht darin, Logistik von Produktion zu trennen. Was produziert wird, spielt keine Rolle mehr. Es geht nur darum wie produziert wird. Die produktunabhängige Produktion umfasst mehrere roboterbasierte hochflexible Produktionszellen. Diese Produktionsform nennt man Matrixproduktion. Sie spart Platz, erhöht die Flexibilität und kann autonom arbeiten. Dies kann durch zentrale Planung erfolgen. Diese Aufgabe wird von einer Software ausgeführt, die auf intelligenten Algorithmen basiert. Die Software berücksichtigt die Zykluszeit und die Lieferzeit, um die auszuführenden Arbeiten zu planen. Der einzige entscheidende Faktor für die Umsetzung sind die verfügbaren Produktionsressourcen.[8]

2.5.1 Anwendungsmöglichkeiten von Machine Learning:

Spracherkennung:

Das Erkennen und Interpretieren gesprochener Sprache kann auch mithilfe von maschinellem Lernen erlernt und umgesetzt werden. Diese Algorithmen werden beispielsweise in Sprachassistenzsystemen verwendet. Aber nicht nur gesprochenes kann interpretiert werden, sondern auch eine textuelle Eingabe kann semantisch interpretiert werden. Auf diese Weise können kontextsensitive Übersetzungsanwendungen oder Chatbots unabhängig voneinander aussagekräftige Lösungen generieren

Mustererkennung:

Der maschinelle Lernprozess kann auch verwendet werden, um Muster in einer Folge von Ereignissen zu identifizieren, die Menschen aufgrund einer großen Anzahl von Datenpunkten, Variablen und Abhängigkeiten nicht erkennen können. Beispielsweise können Fehlermuster mithilfe von KI, in der Fahrzeugelektronik gefiltert und anschließend Anomalien mit dem Betriebsverhalten verglichen werden. Daraus resultiert, dass Anomalien schneller identifiziert und mit entsprechenden Gegenmaßnahmen beseitigt werden können. Zum Beispiel durch Ersetzen einer Komponente, bevor sie tatsächlich einen Fehler verursacht.

Bilderkennung:

Computer-Vision-Algorithmen können verwendet werden, um Bilder zu erkennen und zu klassifizieren. Das ermöglich die blitzschnelle Verarbeitung von großen Datenmengen. Computer Vision wird insbesondere für die medizinische Diagnose oder Gesichtserkennung verwendet. Darüber hinaus kann diese auch für die Umwandlung handgeschriebener Zeichen in computergeschriebene Zeichen verwendet werden. Die Bilderkennung ist auch für das autonome Fahren unerlässlich.

Prozessoptimierung:

Die identifizierten Muster können auch als Informationsbasis für den Optimierungsprozess verwendet werden. Hier ist die maschinelle Lernmethode ein maschinengeneriertes Prozessmodell, mit dem eine optimierte Prozesssteuerung realisiert werden kann.[9]

2.6. Ethische Aspekte beim Einsatz der künstlichen Intelligenz

Ethik ist ein Zweig der Philosophie, der gewöhnlich als praktische Philosophie bezeichnet wird. Daher beinhaltet es die Legitimität und Reflexion der moralischen Prinzipien des Verhaltens oder Handelns einer Person oder einer Gruppe von Menschen. Mit anderen Worten der Begriff wird verwendet, um Regeln oder Entscheidungsprozesse auszuhandeln, um festzustellen was in der entsprechenden Gesellschaft als gut oder richtig angesehen wird. Die Ethik von KI-basierten Systemen ist ein Teilbereich der angewandten Ethik, der sich mit den Problemen befasst die durch die Entwicklung, Einführung und Verwendung von KI-basierten Systemen zur Lösung des Verhaltens von Individuen in der Gesellschaft und der Sozialethik verursacht werden. Daher liegt der Schwerpunkt auf dem Ausmaß, in dem KI-basierte Systeme das Leben oder die Sorgen der Menschen in ihren jeweiligen Gesellschaften verbessern können, wie z. B. in Bezug auf die Lebensqualität einer demokratischen Gesellschaft oder die notwendige Autonomie und Freiheit der Menschen. Die derzeitigen Bemühungen von Staat, Behörden und Industrie, gute und sozialverträgliche Gestaltungsrichtlinien für KI-Systeme zu entwickeln zeigen, dass das Thema auf soziale Probleme, Ängste und Erwartungen gestoßen ist. Die Notwendigkeit, den für die Entwicklung von KI-basierten Systemen wesentlichen Wert zu erörtern, besteht jedoch nicht nur auf der Benutzerseite. Im Jahr 2019 standen ungefähr 28% der IT-Mitarbeiter vor Entscheidungen, die sich bei ihrer täglichen Arbeit negativ auf Benutzer oder die Gesellschaft auswirken können. Für diejenigen, die KI-basierte Systeme entwickeln, liegt dieser Anteil bei 59%[10]. Diese Zahlen zeigen die Notwendigkeit ethischer Diskussionen, insbesondere im technischen Kontext.[11]

Im Rahmen der KI-Strategie hat die Europäische Union im April 2019 den Ethikkodex für vertrauenswürdige künstliche Intelligenz herausgegeben und damit die Probleme ermittelt, die das Design der ethischen KI dominieren werden. In absehbarer Zeit werden diese Probleme weiterhin die Quelle von Streitigkeiten sein und Drittanbieter, Benutzer und Unternehmen dazu zwingen, mittelfristig die sozialen Auswirkungen einiger oder alle dieser Probleme zu lösen. Eine wichtige Anforderung ist, dass das Verhalten und die Überwachungsfähigkeiten des Personals bei der Implementierung des Systems erhalten bleiben. Dementsprechend sollten künstliche Intelligenzsysteme eine faire Gesellschaft erreichen, indem sie menschliches Verhalten und Grundrechte unterstützen, anstatt die menschliche Autonomie zu verringern, einzuschränken oder irrezuführen. Werte wie Transparenz und Informationsautonomie spielen hier eine wichtige Rolle. Einzelpersonen oder Unternehmen, die KI-basierte Systeme verwenden müssen davon ausgehen können, dass die erzielten Ergebnisse und Empfehlungen wohlwollend, zielorientiert und angemessen gestaltet sind. Eine weitere Voraussetzung für vertrauenswürdige KI-basierte Systeme ist, dass Algorithmen sicher, zuverlässig und robust genug sind, um Fehler oder Inkonsistenzen in allen Phasen des Lebenszyklus dieser Systeme zu vermeiden. Insbesondere in verschiedenen Anwendungsbereichen des Algorithmus können Schlüsselindikatoren (wie der Prozentsatz falsch positiver Ergebnisse) einen entscheidenden Einfluss auf seine Verwendung haben. Aufgrund der Entwicklung der industriellen Digitalisierung und der Weiterentwicklung der persönlichen Kommunikation und des Verbraucherverhaltens wird eine große Datenmenge generiert, die möglicherweise die Grundlage für neue Geschäftsmodelle ist. Produkte, die auf diese Weise erstellt sind, können manchmal mit den Kosten für Datenschutz und Datensicherheit verbunden werden. Die Anhörungen des Managements großer Technologieunternehmen vor politischen Institutionen, deren Geschäftsmodelle auf Datenverarbeitung basieren zeigen jedoch, dass die Gesellschaft diese Verantwortung nicht leichtfertig übernehmen will. Daten sind jedoch der Grundbaustein für das Training und die Ausführung von KI-basierten Systemen. Wenn die generierten Daten in der Anwendung verwendet werden, sollten Benutzer ihre eigenen Daten vollständig kontrollieren und sicherstellen, dass sie nicht dazu verwendet werden, sie zu zerstören oder zu diskriminieren. Das Bedürfnis nach Fairness und Vielfalt bei der Gestaltung des Systems und seiner Datenbasis fällt ebenfalls in diese Kategorie. Künstliche Intelligenzsysteme sollten alle menschlichen Fähigkeiten und Anforderungen berücksichtigen, einen barrierefreien Zugang zu Ressourcen und Möglichkeiten gewährleisten und die Rückverfolgbarkeit von Ergebnissen und Entscheidungen ermöglichen. Das Prinzip der Transparenz ist eine der wichtigsten Anforderungen an KI-basierte Systeme. Da digitale Systeme und die wichtigsten Algorithmen einen enormen Energiebedarf haben, müssen beim Entwurf dieser Systeme auch Nachhaltigkeit und ökologische Auswirkungen berücksichtigt werden. Um das Vertrauen in KI-basierte Systeme zu stärken oder deren Ergebnisse in bestehende Prozesse zu integrieren, muss auch ein Mechanismus geschaffen werden, um die Rechenschaftspflicht für das System und seine Ergebnisse sicherzustellen.[12]

3. Schluss

Abschließend kann gesagt werden, dass die Gefahr von Maschinen mit einer schwachen künstlichen Intelligenz immer vom jeweiligen Menschen ausgeht, der diese entwickelt. Menschen, also Machine Learning Entwickler bzw. Programmierer programmieren Software für Maschinen und setzen diese auf bestimmte Weise ein und übernehmen teilweise die Kontrolle darüber. Die Maschine selbst kann nicht ohne den Machine Learning Entwickler beziehungsweise dessen programmierten Code handeln. Selbst wenn es sich um eine Kriegsmaschine handelt ist letzten Endes immer der Mensch Grund dafür, dass diese entwickelt und eingesetzt wird. Eine Maschine selbst hat nicht die Möglichkeit zu entscheiden, wie beziehungsweise wo sie eingesetzt wird und welche Arbeit sie zu verrichten hat.