Künstliche Intelligenz – die 7 größten Herausforderungen (Teil I)


Anfang November war ich auf der FAZ-Forum-Konferenz „Disruption 2017“, um über Künstliche Intelligenz (KI) zu sprechen: Sämtliche Prognosen zum Geschäftsvolumen von KI zeigen exponentiell ansteigende Kurven. Jeder redet darüber, jeder will mitmachen: Ein echter Hype. Im Rahmen unserer jährlichen Digital-Banking-Studie haben wir Banken erst kürzlich nach der Bedeutung von KI befragt. Das Ergebnis? In Deutschland messen Banken dieser Technologie so gut wie keine strategische Bedeutung zu. Fehlt dem Hype „Künstliche Intelligenz“ also der Realitätsbezug? Es lohnt sich, dazu die sieben größten Herausforderungen zu betrachten. In diesem Beitrag stelle ich Ihnen die ersten vier vor.

1. Verstehen, warum jetzt

Blicken wir erst einmal zurück: Schon in den 50er Jahren, als der Begriff „Künstlichen Intelligenz“ erstmals aufkam, haben sich Forscher zu kühnen Vorhersagen über die Entwicklung der Technologie hinreißen lassen. Im Jahr 1957 beispielsweise erklärte ein Wissenschafler, dass es nur noch zehn Jahre dauern würde, bis ein Computer in der Lage sei, Menschen im Schach zu schlagen. Gelungen ist es erst nach 40 Jahren. Handelt es sich also um fantastische Versprechungen, wenn wir über selbstfahrende Autos sprechen? Nein. Denn es gibt drei Entwicklungen, von der die Entfaltung der Künstlichen Intelligenz enorm profitiert.

  • Die Menge und Verfügbarkeit von Daten. Jeder von uns produziert und konsumiert mit vernetzten Endgeräten tatgtäglich eine Unmenge an Daten, die sich auswerten lassen. Ganz zu schweigen von den Daten, die Maschinen selbst erzeugen.
  • Die Rechenkapazitäten: Big Data, Fast Data und Cloud. Diese Stichworte zeigen, dass wir heutzutage die Möglichkeit haben, die genannten Daten in beispiellosem Ausmaß zu verarbeiten.
  • Open Source und Open Sharing sowie der Zugriff auf Talente von überall auf der Welt haben zu einer phänomenalen Entwicklung von Algorithmen geführt.

2. Identifikation vielversprechender Anwendungsfelder

Künstliche Intelligenz hat die Aufgabe, Fähigkeiten des menschlichen Gehirns zu imitieren. In der Vergangenheit wurden logisches Denken und Planen in sogenannten Expertensystemen abgebildet. Ein Expertensystem ist ein Computerprogramm, das Menschen bei der Lösung von komplexeren Problemen wie ein Experte unterstützen kann, indem es Handlungsempfehlungen aus einer Wissensbasis ableitet. Über Wenn-Dann-Beziehungen kann menschliches Wissen für Computer verständlich dargestellt werden. Bestehendes Wissen wird dabei zugänglich gemacht, es resultieren jedoch keine neuen Erkenntnisse.

Heute sehen wir, wie die nächst höhere Stufe der Fähigkeiten des menschlichen Gehirns durch Technologie abgebildet wird: Wahrnehmung und Lernen. Wir sprechen in diesem Kontext von Machine Learning bzw. Deep Learning. Durch die Weiterentwicklung von maschinellem Lernen, steigt die Anzahl der automatisierten Aufgaben, die bisher nur mit Hilfe menschlicher Intelligenz bewältigt werden konnten.

Einige der praxistauglichsten Verbesserungen entstand in Verbindung mit Sprache. Digitale Spracherkennung wird bereits von Millionen Menschen genutzt. Denken Sie nur an Alexa oder Siri. Auch die Bilderkennung hat sich erheblich verbessert. Vielleicht haben Sie bemerkt, dass Facebook und andere Apps inzwischen auf Fotos automatisch die Gesichter Ihrer Freunde erkennt.

Der Einsatz von KI ermöglicht einerseits die Automatisierung bestimmter Aufgaben, die Intelligenz erfordern, wie bei der Klassifikation von E-Mails nach Relevanz durch Hilfe von Textanalysen. Andererseits ermgölicht KI die Verbesserung der kognitiven Fähgkeiten des Menschen – Expertenwissen und Erfahrungswissen können darüber angebildet werden. So könnte in der Kundenbetreuung ein Anruf durch Spracherkennung analysiert und Empfehlungen abgeleitet werden, so dass der Kundebetreuer selbst ohne Erfahrungswissen fachkundgie Auskunft geben kann.

Eine Sache darf dabei nicht vergessen werden: Zutiefst menschliche Fähigkeiten des Gehirns wie Empathie oder Bewusstsein sind bisher noch Zukunfstmusik für die Künstliche Intelligenz, die bisher vor allem Stoff für Science Fiction liefern.

3. Daten: das neue Gold. Aber welche Daten?

Künstliche Intelligenz benötigt eine Menge utnerschiedlicher Daten: Daten, die nicht leicht verfügbar sind. Große Unternehmen verfügen oft über große Datenmengen, doch die Daten sind meist fragmentiert, isoliert und nicht verknüpft. KI jedoch erfordert stark kuratierte Daten.

Denn KI-Algorithmen sind nicht von sich aus intelligent. Sie lernen durch Daten, wie Babys es von Erwachsenen tun. Und: Sie können manchmal genauso schwierig sein. Ein umfangreicher und langwieriger Trainingsprozess der „nackten“ Algorithmen ist notwendig. Die Strukturierung und Ettiketierung dieser Daten durch den Menschen ist äußert zeitaufwendig und kostspielig. Doch ohne ausreichende Daten und das entsprechende Training sind KI-Algorithmen wertlos.

4. KI erfolgreich Nutzen: Kontinuierliche Trainingsprozesse

Das führt uns zur nächsten Herausforderung: Nur durch die Einbettung in einen kontinuierlichen Lern- bzw. Trainingsprozess kann KI effektiv sein und ihr volles Potential entfalten. KI ist keine „Stand Alone“ Lösung und muss sich in die bestehenden Geschäftsprozesse einfügen.

Ein Algorithmus des maschinellen Lernens, der mit Daten gefüttert wird, beinhaltet immer eine gewisse Fehlerspanne (im Unterschied zu traditionellen Datenbanken). Um diese immer weiter zu verringern, müssen die Ergebnisse des KI-Systems von menschlichen Experten überprüft und das Feedback zurück an das System gegeben werden. Diese Daten müssen eingespeist werden, sodass sich der Algorithmus weiterentwickeln kann. Ein KI-System kann nur dann effektiv sein, wenn wir es so in einen Geschäftsprozess einbinden, dass ein kontinuierlicher Trainingsprozess gewährleistet ist.


Die Herausforderungen Integration in Unternehmen und Eigenproduktion, Fremdbezug oder Kooperation, sowie Auswirkungen von KI auf Mensch und Gesellschaft stelle ich im nächsten Beitrag vor. Kommen Sie einfach wieder hier vorbei!