More results…

Kategorien
Stichworte

› GLOSSAR

Glossar

Algorithmen

„Der Begriff umschreibt eine Folge von Anweisungen, mit denen ein bestimmtes Problem gelöst werden kann. Die Folge von Anweisungen findet sich häufig in Software wieder und liegt im Quellcode vor.“ (Neutsch 2023)

Quelle:

Deep Learning

Was?

Deep Learning ist ein Teilbereich des maschinellen Lernens und basiert auf künstlichen neuronalen Netzen. Deep Learning versucht, die komplexen Entscheidungsstrukturen des menschlichen Gehirns zu simulieren. Dabei werden Daten zuerst extrahiert, anschließend analysiert, um im Anschluss eine Schlussfolgerung bzw. Prognose zu erstellen.

Wozu?

Deep Learning kommt insbesondere bei großen Mengen unstrukturierter Daten zum Einsatz. Die Stärke des Deep Learnings liegt im Erlernen komplexer Muster, beispielsweise bei der Bild- und Texterkennung, dem autonomen Fahren oder der Entwicklung von Empfehlungssystemen im Onlinehandel.

Was ist der Unterschied zu maschinellem Lernen?

Deep Learning und maschinelles Lernen sind sich sehr ähnlich. Der Hauptunterschied liegt in der Struktur der neuronalen Netzwerkarchitektur. Maschinelle Lernmodelle verwenden einfache neuronale Netze mit einer oder zwei Rechenschichten, um die KI-Modelle zu trainieren. Deep-Learning-Modelle nutzen drei oder mehr Schichten, oftmals sogar hunderte oder tausende.

Quellen:

Neuronale Netze

Was? 

Ein künstliches neuronales Netz (KNN) ist ein maschinelles Lernmodell, das sich stark an den biologischen neuronalen Netzwerken des menschlichen Gehirns orientiert. Es imitiert die Art und Weise, wie Menschen Informationen wahrnehmen, darüber nachdenken und Schlussfolgerungen ziehen – jedoch mit der Fähigkeit, schneller und effizienter zu sein, weil große Datenmengen verarbeitet werden können. Künstliche neuronale Netze variieren in ihrer Komplexität. Wenn sie besonders tief strukturierte Netzwerke aufweisen, spricht man von Deep Learning. 

Wozu? 

Neuronale Netze sind in der Lage, Daten äußerst schnell zu klassifizieren und zu clustern. Dadurch sind sie prädestiniert für Einsatzbereiche, in denen es wenig systematisiertes Wissen gibt und große Mengen ungenauer Informationen (unstrukturierte Daten) verarbeitet werden müssen, um zu einem konkreten Ergebnis zu gelangen. Beispiele für Einsatzgebiete von KNN sind die Sprach-, Muster-, Gesichts- oder Bilderkennung. Weitere Anwendungsgebiete für neuronale Netze umfassen die Steuerung komplexer Systeme, autonomes Fahren, Frühwarnsysteme (etwa in Raumfahrt, Luftfahrt oder Verteidigung), das Verstehen und Interpretieren natürlicher Sprache sowie Vorhersagen (z.B. Wetterprognosen, Kundenverhalten, Absatzprognosen). Eines der bekanntesten Beispiele für ein neuronales Netz ist der Suchalgorithmus von Google. 

Quellen: 

Generative KI

Der Begriff bezeichnet Systeme maschinellen Lernens, die in der Lage sind, Daten oder Inhalte zu erstellen, die auf vorhandenen Informationen basieren. Im Gegensatz zu anderen KI-Anwendungen, die in erster Linie darauf ausgelegt sind, Daten zu analysieren oder zu interpretieren, zielt generative KI darauf ab, neue Daten oder Inhalte zu generieren – von Texten und Bildern über Musik und Videos bis hin zu Softwareprogrammen.

Quelle:

  • Generative Künstliche Intelligenz regulieren. Eine Handlungshilfe für Betriebs- und Personalräte

Maschinelles Lernen

„Ein Algorithmus für maschinelles Lernen findet (…) Regeln (…) durch selbstständiges Ausprobieren, indem er seine Fortschritte ständig mit dem vom Programmierer vorgegebenen Ziel abgleicht. Das kann eine Liste mit Beispielen sein, die imitiert werden sollen, ein Spielstand, der verbessert werden soll, oder etwas vollkommen anderes. Während die KI versucht, ihr Ziel zu erreichen, kann sie sogar Regeln und Beziehungen finden, deren Existenz der Programmierer nicht einmal geahnt hat. Die Programmierung einer KI hat mehr Ähnlichkeit damit, einem Kind etwas beizubringen, als damit, einen Computer zu programmieren.“ (Shane 2021, S. 19)

Quelle:

  • Shane, Janelle (2021): Künstliche Intelligenz. Wie sie funktioniert und wann sie scheitert. Heidelberg: O’Reilly Verlag.

Die 5 Stufen der Entscheidungen

Wie weitreichend die Entscheidungsautonomie von KI-Anwendungen ist, muss vorher festgelegt werden. Entlang der sogenannten „fünf Stufen der Automation des Entscheidens“ unterscheidet man 5 Automationsgrade (vgl. etwa Holtel et al. 2017). In Stufe 0 entscheidet der Mensch allein, ohne technisches Zutun. In Stufe 1, dem assistierten Entscheiden, unterstützt die KI den Menschen, beispielsweise durch Kalkulationen und Berechnungen. In Stufe 2, dem teilweisen Entscheiden, übernimmt die Künstliche Intelligenz Berechnungen und kann in bestimmten, vorgegebenen Anwendungsfällen, Entscheidungen autonom treffen. Doch hängen alle Entscheidungen von den Präferenzen ab, die der oder die Anwender*in zuvor geäußert hat. Auf Stufe 3, dem geprüften Entscheiden, entwickelt das System aus der Situation heraus eigene Vorschläge. Den Anwender*innen bleibt es überlassen, die Vorschläge anzunehmen, zu verwerfen oder die Parameter zu ändern. Ab Stufe 4, dem delegierten Entscheiden, überlässt der Mensch der KI dauerhaft die Kontrolle über eine definierte Situation. Trifft das System keine adäquaten Entscheidungen mehr, muss der Mensch die Kontrolle übernehmen. Tut er dies nicht, entscheidet das KI-System weiterhin selbst. Auf der letzten Stufe, dem autonomen Entscheiden, übernimmt die KI dauerhaft die Kontrolle über Entscheidungen für eine große und komplexe Anwendungsdomäne. Problemfälle und unerwartete Situationen können von der KI ohne menschlichen Eingriff bewerkstelligt werden.

Quelle:

Künstliche Intelligenz

Allgemein gesprochen ist Künstliche Intelligenz (KI) die Fähigkeit einer Maschine, menschliche Fertigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren (vgl. etwa Europäisches Parlament 2020). Ziel ist es, ein selbstlernendes System zu erschaffen, das für eine Problemstellung eigenständig Lösungen erarbeiten kann.

KI-Forscher*innen unterscheiden dabei zwischen sogenannter „schwacher“ und „starker“ KI. Starke KI hat die gleichen intellektuellen Fähigkeiten wie ein Mensch. Sie handelt eigenständig, flexibel und vorausschauend und ist daher universell einsetzbar. Bei der KI, wie wir sie bislang kennen und sie aktuell Einzug in die Unternehmen hält, handelt es sich um schwache KI. Sie ist – im Unterschied zu starker KI – auf zuvor definierte Einsatzbereiche beschränkt, wobei sie durchaus in der Lage ist, ihr Handeln und ihre Entscheidungen selbständig anzupassen und zu optimieren. Folglich kann auch schwache KI autonom arbeiten. Trotz dieser Fähigkeiten sind autonome Systeme an einen Kontext gebunden. Sie treffen ausschließlich auf der Basis vorab definierter Algorithmen Entscheidungen (vgl. hier und im Folgenden Kuhn und Liggesmeyer 2019).

Quellen: