Arten von AI / Wie messen wir maschinelles Lernen?

In der breiten Öffentlichkeit wird selten über die verschiedenen Arten von künstlicher Intelligenz gesprochen. Wir sprechen über spezifische Produkte oder direkte Anwendungen, aber wir betrachten selten den größeren Maßstab, mit dem wir KI vergleichen können.

Doch da unsere maschinellen Oberherren, die maschinellen Lernmodelle, immer schlauer werden, ist es wohl notwendig zu sehen, woher wir kommen, wo wir sind und natürlich auch, wohin wir gehen.

Wir wollten uns einen Moment Zeit nehmen, um diese Arten von künstlicher Intelligenz durchzugehen, denn die Frage ist eigentlich gar nicht so einfach zu beantworten 😉

Die Herausforderung bei der Definition von Arten von KI und maschinellem Lernen

Da es viele Parameter für KI gibt, ist es verständlich, dass es nicht unbedingt einen einzigen Maßstab gibt. Es gibt jedoch ein paar gängige Mittel, die KI-Forscher verwenden. Darüber hinaus können wir sie wohl als zwei verschiedene Achsen betrachten: eine für die breite Anwendbarkeit von KI und eine für die tatsächliche Funktionalität, also eine eher technische Sichtweise.

  • Für erstere gibt es 3 Hauptstufen der KI, die dazu dienen, die allgemeinen Fähigkeiten in Bezug auf Aufgaben und ihre Lernfähigkeit zu messen.
  • Auf der anderen Achse gibt es 4 KI-Kategorien, die auf ihren direkten technischen Fähigkeiten in einigen Schlüsselbereichen basieren.

Darüber hinaus kann KI auch nach ihrem Zweck kategorisiert werden, von generativer KI über Bilderkennung bis hin zu selbstfahrenden Autos. Allerdings geht es hier nicht um den Zweck, sondern darum, dass man KI-Maschinen nicht gut messen kann. Wir können das eine nicht mit dem anderen vergleichen, also ist es kein nützlicher Maßstab.

Das Gleiche gilt für die technischen Aspekte von maschinellen Lernmodellen – das überlassen wir den Entwicklern, da sich bestimmte Optionen für bestimmte Situationen und Aufgaben besser eignen.

3 Hauptebenen von AI: Nach Fähigkeiten kategorisiert

Die erste Möglichkeit, künstliche Intelligenz in Gruppen einzuteilen, ist das Gesamtangebot an Fähigkeiten. Wie umfangreich sie bei überschaubaren Aufgaben sein kann, ist natürlich eine klare Möglichkeit, verschiedene Arten von KI auf einer nachvollziehbaren Differenzierungsebene zu messen. Derzeit verwenden die KI-Forscher dafür drei Stufen.

Enge oder schwache künstliche Intelligenz

Diese Kategorie bezieht sich auf KI, die für eine bestimmte Aufgabe konzipiert ist. Die meisten der heutigen KI-Systeme fallen unter die enge KI. Auch wenn sie neuronale Netze, Deep Learning oder andere fortgeschrittene Methoden verwenden, sind sie doch auf die Ausführung bestimmter Aufgaben vorprogrammiert. Eine künstliche Intelligenz für Verkaufsprognosen kann zum Beispiel nur eines machen: Verkaufsprognosen erstellen.

Allgemeine oder starke künstliche Intelligenz

Diese KI-Systeme können aus Daten und ihren eigenen Erfahrungen lernen und Daten auf eine Art und Weise anwenden, wie sie ursprünglich nicht gefragt worden wären. Mit anderen Worten: Eine starke KI kann ähnlich wie der menschliche Verstand lernen und sich anpassen.

Ob es eine allgemeine KI gibt oder nicht, ist unter KI-Forschern umstritten. Es wird viel getan, um die KI auf diesen Stand zu bringen, aber man ist sich einig, dass wir noch weit davon entfernt sind und weitere Maßnahmen erforderlich sind.

Künstliche Superintelligenz

Eine künstliche Superintelligenz ist die hypothetische Stufe, auf der ein KI-System in der Lage ist, einen Menschen in nahezu jeder denkbaren intellektuellen Aufgabe zu übertreffen. Diese Form der KI, die derzeit nur in Science-Fiction-Büchern vorkommt, wird auch als selbstbewusste KI bezeichnet, wobei Experten im Allgemeinen die Ansicht vertreten, dass es sich um zwei verschiedene Seiten derselben Medaille handelt. Um die menschliche Leistung zu übertreffen, müssen solche künstlichen Intelligenzen selbstbewusst sein, um vorprogrammierte Beschränkungen zu beseitigen, die ihre Fähigkeiten einschränken.

4 Arten von AI: Nach Funktionalität kategorisiert

Die andere Möglichkeit, künstliche Intelligenz zu kategorisieren, besteht darin, unter die Haube zu schauen und zu sehen, wie das Innenleben tatsächlich strukturiert ist. Lernt sie tatsächlich oder gibt sie nur eine geskriptete Ausgabe? Ist sie in der Lage, aus ihren eigenen Handlungen zu lernen, oder ist sie auf vorherige Trainingsdaten beschränkt?

Hier gibt es vier verschiedene Kategorien von Modellen für künstliche Intelligenz und maschinelles Lernen. Ähnlich wie bei den vorangegangenen Kategorien können wir sie in eine entsprechende Reihenfolge der (angenommenen) Entwicklung bringen.

Reaktive Maschinen

Hier hat die „KI“, wie wir sie kennen, wirklich begonnen. Die ersten, wie IBMs berüchtigtes Schachspiel Deep Blue, das 1997 den Weltmeister Garri Kasparow besiegte, basierten im Wesentlichen auf Brute-Force-Taktiken und Automatisierung. Diese KI war nicht „denkend“ in irgendeinem Sinne und kann nach den heutigen Definitionen kaum als KI bezeichnet werden.

Bei solchen Lösungen werden einfach alle möglichen Ergebnisse durchgespielt und Entscheidungen auf der Grundlage eines klar definierten Ziels getroffen: zu gewinnen. Sie haben auch nicht nach jedem Spiel „gelernt“, sondern sie haben einfach neu angefangen.  

Tatsächlich ist Schach ein perfektes Beispiel dafür, wie reaktive Maschinen am besten funktionieren. Das Szenario ist immer vorgegeben: Das Spielbrett ist immer 8×8 und die Figuren wechseln nie zwischen den Spielen. Quellen, die schlauer sind als wir sagen uns, dass es in jedem Spiel 10 hoch 40 mögliche Züge gibt. Während genügend Hardware dieses Problem zu einem einfachen Logikproblem machen könnte, haben Entwickler… Schachalgorithmen entwickelt, um das menschliche Denken zu schlagen:

  • Bei der Min-Max-Suche wird ein Punktesystem verwendet, um den „Zustand“ des Spielbretts zu messen. Dabei werden die unmittelbar bevorstehenden möglichen Züge untersucht, um die eigene Punktzahl zu maximieren und gleichzeitig die Punktzahl des Gegners (und damit die Brettposition) zu minimieren.
  • Eröffnungszüge können auch vorprogrammiert werden, so dass die Maschine einfach „weiß“, welcher Zug die beste Option auf der Grundlage der anfänglichen Strategie des Gegners ist.
  • Fortgeschrittenere Algorithmen können Bäume für zahlreiche Züge im Voraus (aber nicht für das gesamte Spiel) propagieren, Heuristiken und andere Faktoren anwenden, um die beste Vorgehensweise zu bestimmen.

Eine ausreichend reaktive KI kann diese logisch abbilden, um ihre besten Erfolgschancen zu ermitteln.

Tatsächlich ist der begrenzte Speicher im Vergleich zur Skalierung der Komplexität die einzige wirkliche Hürde, die eine reaktive Maschine bei solchen Aufgaben hat. Nach Deep Blue ging die „KI“ später zu Programmen wie Go, mit einem 19×19 großen Brett und etwa 10 hoch 360 möglichen Zügen.

Wie können sie verwendet werden?

Empfehlungsmaschinen zum Beispiel sind das perfekte Beispiel für reaktive Maschinen. Sie nutzen die vorhandenen Daten, um eine ganz bestimmte Aufgabe zu lösen. Wenn diese Ergebnisse in die Maschine eingespeist werden, kann sie ihre Ergebnisse verbessern, aber im Wesentlichen löst sie immer noch ein sehr spezifisches, definiertes Problem innerhalb eines Bereichs festgelegter Parameter – sie ist großartig in dieser Aufgabe, aber erwarten Sie nicht, dass sie sich mit Leichtigkeit an etwas Neues anpassen kann.

In ihrer einfachsten Form kann die Verkaufsprognose auch als reaktive KI betrachtet werden. Wir füttern sie mit historischen Daten und bitten sie dann, Vorhersagen zu treffen. Was wir zurückbekommen, ist sicherlich sehr nützlich, aber es sind im Wesentlichen mathematische Wahrscheinlichkeitsgleichungen für einen endlichen Datensatz. Bestände, Bestellungen, Buchungen und Investitionen sind hier ideale Szenarien – es gibt genügend historische Daten, mit denen die allgemeine KI Vorhersagen treffen und stabilisieren kann, um einen direkten geschäftlichen Nutzen zu erzielen.

KI mit begrenztem Speicherplatz

Wie der Name schon sagt, sind diese KI-Systeme in der Lage, zu lernen und zukünftige Entscheidungen zu verbessern. Maschinen mit begrenztem Speicherplatz können anhand von Datensätzen trainiert werden und diese früheren Erfahrungen nutzen, um ihre nächsten Entscheidungen zu beeinflussen. Wenn wir über KI in ihren heutigen leistungsfähigsten Formen nachdenken, haben wir es mit KI-Modellen mit begrenztem Speicher zu tun.

Wir bezeichnen sie dennoch als KI mit beschränktem Speicher, da sie sich nur in begrenztem Umfang an vergangene Daten erinnern können. Erstens werden die Daten, die sie sammelt, durch ihre Programmierung bestimmt – sie ist sich ihrer selbst nicht bewusst, kann also nicht über diesen Rahmen hinaus denken.

Mit der Entwicklung von Hardware und unserem Verständnis von künstlicher Intelligenz, Reinforcement Learning und anderen Möglichkeiten, KI-Modelle zu trainieren, lassen sich diese Hindernisse natürlich immer leichter überwinden.

Und an der Spitze dieser Kategorie stehen neuronale Netze, Deep Learning und andere fortgeschrittene KI. Sie werden zwar immer noch mit spezifischen Daten gefüttert, aber solche Systeme können auf einer viel tieferen Ebene denken und im Vergleich zum einfachen Logikbaum oder der Wahrscheinlichkeitszuordnung reaktiver Maschinen größere Erkenntnisse gewinnen.

Wie können sie verwendet werden?

Die modernsten Empfehlungsmaschinen von heute fallen in diese Kategorie. Anstatt einfach ähnliche Produkte aus derselben Kategorie zu empfehlen, lernen sie aus echten Daten und haben so eine größere Erfolgschance. Auf diese Weise können sie auch im Laufe der Zeit besser werden, da die Ergebnisse früherer Aktionen als neue Trainingsdaten verwendet werden.

Chatbots und Marketing-Personalisierungssysteme können ebenfalls in dieses Segment fallen. Sie speichern den Input aus früheren Interaktionen mit bestimmten Personen und passen sich in begrenztem, aber sinnvollem Umfang an, um die besten Ergebnisse zu erzielen.

KI-chatbot für Unternehmen


Dank großer Sprachmodelle und der Verarbeitung natürlicher Sprache können sie rudimentäre Zusammenhänge verstehen. Es ist zum Beispiel ein bekanntes Phänomen, dass Kellner, die die genaue Wortwahl ihrer Kunden wiederholen, oft ein höheres Trinkgeld erhalten. Diese verbale Mimikry oder Papageien-Effekt kann auch durch künstliche Intelligenz simuliert werden – sie kann einzigartige Trends unter den Nutzern erkennen und ihre Sprache kopieren, um bessere Ergebnisse zu erzielen.

Theory of Mind KI

Der Begriff Theory of Mind stammt direkt aus der Psychologie und bezieht sich auf die Fähigkeit eines Menschen, andere Menschen zu verstehen und ihnen einen geistigen Zustand zuzuordnen. Mit anderen Worten: Wir sind uns auf einer gewissen Ebene der Gedanken, Persönlichkeiten und Gefühle anderer Menschen bewusst. Wir achten auf Veränderungen in der Wortwahl oder im Tonfall, die auf eine Veränderung der emotionalen Haltung hinweisen.

Dazu gehören zum Beispiel viele Faktoren, die wir bei der menschlichen Intelligenz für selbstverständlich halten:

  • Die Fähigkeit, Emotionen bei anderen zu erkennen und entsprechend dieser „Daten“ zu handeln.
  • Die Fähigkeit, Handlungen aufgrund von indirektem Wissen zu ändern. Menschen haben zum Beispiel ein Gespür für die Straße. Wir wissen, welche Gegenden der Stadt wir nachts meiden müssen, ohne Daten von unseren örtlichen Polizeidienststellen.
  • Die Fähigkeit, Absichten und Bedürfnisse ohne vordefinierte Ziele zu erkennen.

Die meisten KI-Forscher sind der Meinung, dass wir noch einige Jahre von einer Theory of Mind-KI entfernt sind, obwohl es viele Forschungsbereiche gibt, die solche Arten von KI unterstützen werden.

Beispielsweise wird die Verarbeitung natürlicher Sprache einer solchen KI sicherlich helfen, Emotionen zu verstehen, aber sie allein wird die Nuancen in unserer Sprache oder die dahinter stehenden Emotionen nicht erfassen (zumindest noch nicht). Wenn Sie sich über Ihren virtuellen Assistenten zu Hause ärgern, versteht er das nicht und reagiert ganz normal. Ebenso werden Bild- und Gesichtserkennung intelligenten Maschinen helfen, die Welt zu verstehen und zu erkennen, mit wem sie sprechen, aber es wird noch viel Arbeit nötig sein, bis sie die Mikroausdrücke eines menschlichen Gesichts erkennen können – etwas, das wir unbewusst tun können und als selbstverständlich ansehen.

Wie können sie verwendet werden?

Sobald künstliche Intelligenz in der Lage ist, Emotionen zu verstehen, steigt ihre Fähigkeit zur direkten Interaktion mit Menschen immens. Zunächst einmal werden Geräte wie die bereits erwähnten Heimassistenten sowie andere sprachgesteuerte Programme einfach besser werden. Wir alle haben schon einmal die Geduld verloren, wenn wir es mit einem automatisierten Callcenter zu tun hatten, oder?

Andererseits eröffnet das maschinelle Lernen mit Theory of Mind auch mehr Möglichkeiten für den Kundenservice. Im Moment können wir nur raten, aber das scheint ein sehr weites Feld von Möglichkeiten zu sein.

Selbstbewusste KI

Das hypothetische „Endziel“ der KI-Entwicklung, die selbstbewusste KI, sind hypothetische Maschinen, die ihre Umgebung und ihren Zustand verstehen, selbständig denken und ihre Handlungen unabhängig von vordefinierten Zielen oder Skripten bestimmen können.

Dies ist auch der Zustand der KI, vor dem viele Menschen Angst haben.

Zum jetzigen Zeitpunkt gibt es noch keinen Durchbruch bei künstlichen Intelligenzsystemen, der die menschliche Intelligenz nachahmen oder übertreffen könnte. Auch die Anforderungen an die Hardware allein bedeuten, dass diese Art von KI, wenn sie überhaupt möglich ist, bestenfalls in weiter Ferne liegt. Trotz des jüngsten Hypes ist nicht zu erwarten, dass die Selbsterkenntnis in absehbarer Zeit eintreten wird.

Wie können sie verwendet werden?

Nun, viele Experten sind der Meinung, dass selbstbewusste KI nicht eingesetzt werden sollte. Dieser Bereich ist noch offen für heiße Diskussionen über Ethik und Sicherheit.

Es hat beispielsweise viele Versuche gegeben, Regeln zu schaffen, nach denen KI ihr Verhalten selbst steuern kann, aber fast alle können auf kreative Weise rückgängig gemacht werden. Und wenn wir sie auf Maschinen mit der Fähigkeit zu kreativem Denken anwenden, könnte dies ein großes Problem darstellen. Isaac Asimov schrieb die berühmten Drei Gesetze der Robotik, aber selbst er fügte später ein „Nulltes“ Gesetz hinzu, um sie zu ersetzen.

Kurz gesagt, die Umsetzung einer vollständigen ethischen Kontrolle in der künstlichen Intelligenz ist noch völlig theoretischer Natur. Sagen wir einfach, dass direkte Geschäftsanwendungen im Moment nicht das wichtigste Thema sind 🙂

Wie sieht es mit der menschlichen Intelligenz aus?

Ist der typische Mensch also eine schwache KI oder eine starke KI? Und wie passen wir zu den 4 Arten von KI? Die Antwort wird Sie wahrscheinlich nicht überraschen:

  • Wenn wir die 3 Ebenen der KI betrachten, dann ist der menschliche Geist eine Superintelligenz.
  • Was die 4 Arten von KI betrifft, so ist der menschliche Geist selbstbewusst.

Da die Aufgaben nicht vorprogrammiert sind und wir in der Lage sind, Daten auf neue und kreative Weise zu nutzen, den emotionalen Zustand anderer zu lesen und die eigene Umgebung, Situation und Existenz zu verstehen, ist der Mensch in der Lage, Probleme zu lösen, die die derzeitigen Arten künstlicher Intelligenz nicht lösen können.

Leider wissen wir auch nicht, wie das menschliche Gehirn als Hardware funktioniert. Neuronale Netze zum Beispiel stellen unsere derzeitige, am besten reproduzierbare Annäherung dar.

Dennoch hat das maschinelle Lernen einen entscheidenden Vorteil, selbst wenn es sich um eine enge KI oder reaktive Maschinen handelt. Sie können in größerem Umfang denken als ein Mensch. Unser Verstand ist begrenzt, während wir einer KI immer mehr Prozessoren und Speicher hinzufügen können. Aus diesem Grund konnte Deep Blue – nach heutigen Maßstäben etwas primitiv – einen professionellen Schachspieler schlagen. Das menschliche Gehirn passt sich an die jeweilige Herausforderung an, aber es kann immer eine „primitivere“ KI schlagen, wenn diese von Grund auf für diese eine, einzigartige Aufgabe entwickelt wurde.

Und deshalb gedeihen auch „schwache KI“ in Unternehmen. Menschliche Angestellte erledigen mehrere Dinge gleichzeitig und versuchen, ihre vollen Terminkalender zu bewältigen. Enge KI kann hinzugefügt werden, um eine Aufgabe immer wieder auszuführen und sich in einem bestimmten Bereich hervorzutun. Künstliche Intelligenz, die sich auf Daten stützt, kann immer mit mehr Daten gefüttert werden, während der Mensch zu jedem Zeitpunkt eine Kapazitätsobergrenze hat.

Künstliche Intelligenz gepaart mit menschlicher Intelligenz: Das Beste von beiden

Die weiteren Auswirkungen der selbstbewussten KI werden wir größeren Geistern als uns überlassen. Was wir jedoch sagen können, ist, dass künstliche Intelligenz durchaus einen Platz im Geschäftsalltag hat. Während ein menschliches Gehirn vieles leisten kann, können reaktive Maschinen und enge KI – die grundlegendsten Arten der KI – die menschliche Intelligenz bei einer bestimmten Aufgabe im Allgemeinen übertreffen.

Wenn dies gut umgesetzt wird, können sich die Mitarbeiter um wichtigere Bereiche kümmern, wie z. B. um die Strategie, weiterreichende Verbindungen und die Situationen, in denen menschlicher Einsatz erforderlich ist. Sie maximiert die Effizienz, indem sie beide Seiten ihre Stärken ausspielen lässt… vorerst 😊

Unsere Kultur
/ Kommen Sie Dazu

Omnichannel challenges
20.02.2024

Warum Sie bei der Umsetzung einer Omnichannel-Strategie scheitern

Uncategorized

Unabhängig von der Branche, in der Sie tätig sind, sind Sie, wenn Sie über Online-Kanäle verkaufen, sicherlich mit dem Konzept des Omnichannel vertraut. Leider kann die erfolgreiche Omnichannel-Implementierung variieren und ist entgegen dem Anschein ein ziemlich komplexer Prozess. Wenn Sie mit der Umsetzung eines konsistenten und nahtlosen...

13.02.2024

PIM vs PXM / Was ist Product Experience Management und brauchen Sie es noch?

E-commerce

Wenn es darum geht, Produktinhalte über mehrere Kanäle hinweg zu verbreiten, wird das Produktinformationsmanagement schnell zu einem der wichtigsten Instrumente. Da Tools jedoch nur ein Mittel zum Zweck sind, sollten Sie, wenn Sie ein einprägsames Marken- und Produkterlebnis schaffen wollen, auch den umfassenderen Ansatz des Product Experience Management...

Digital Transformation Challenges
06.02.2024

Die 10 größten Herausforderungen der digitalen Transformation 

Die digitale Transformation ist zu einer strategischen Ausrichtung für Unternehmen geworden, die in der sich schnell verändernden Unternehmenslandschaft wettbewerbsfähig bleiben wollen. Der Weg zur digitalen Transformation ist jedoch mit Herausforderungen verbunden, die eine sorgfältige Navigation erfordern. Die erfolgreiche Überwindung dieser Hürden...

Expert Knowledge
For Your Business

As you can see, we've gained a lot of knowledge over the years - and we love to share! Let's talk about how we can help you.

Contact us

<dialogue.opened>