Was ist KI/ML und warum ist sie für Ihr Unternehmen von Bedeutung?

KI/ML– die Abkürzung für Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) – steht für eine wichtige Entwicklung in der Informatik und Datenverarbeitung, die eine Vielzahl von Branchen schnell verändert.

Während Unternehmen und andere Organisationen die digitale Transformation durchlaufen, werden sie mit einem wachsenden Tsunami an Daten konfrontiert, deren Erfassung, Verarbeitung und Analyse gleichzeitig unglaublich wertvoll und immer aufwändiger ist. Es werden neue Tools und Methoden benötigt, um die riesigen Datenmengen zu verwalten, die gesammelt werden, um Erkenntnisse daraus zu gewinnen und um auf diese Erkenntnisse reagieren zu können, wenn sie entdeckt werden.

Hier kommen künstliche Intelligenz und maschinelles Lernen ins Spiel.

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) bezieht sich im Allgemeinen auf Prozesse und Algorithmen, die in der Lage sind, menschliche Intelligenz zu simulieren, einschließlich der Nachahmung kognitiver Funktionen wie Wahrnehmung, Lernen und Problemlösung. Machine Learning und Deep Learning (DL) sind Teilmengen der KI.

Zu den konkreten praktischen Anwendungen der KI gehören moderne Websuchmaschinen, persönliche Assistentenprogramme, die gesprochene Sprache verstehen, selbstfahrende Fahrzeuge und Empfehlungsmaschinen, wie sie von Spotify und Netflix verwendet werden.

Es gibt vier Ebenen oder Arten von KI – zwei davon haben wir erreicht, und zwei sind zum jetzigen Zeitpunkt noch theoretisch.

4 Arten von KI

Die vier Arten der KI sind von der einfachsten bis zur fortschrittlichsten geordnet: reaktive Maschinen, begrenztes Gedächtnis, Theory of Mind und Selbstwahrnehmung.

Reaktive Rechner sind in der Lage, grundlegende Operationen basierend auf irgendeiner Form von Eingaben durchzuführen. Auf dieser KI-Ebene findet kein „Lernen“ statt. Das System wird darauf trainiert, eine bestimmte Aufgabe oder eine Reihe von Aufgaben auszuführen und weicht nie davon ab. Dabei handelt es sich um rein reaktive Rechner, die keine Eingaben speichern, außerhalb eines bestimmten Kontexts funktionieren oder sich im Laufe der Zeit weiterentwickeln können.

Beispiele für reaktive Rechner sind die meisten Empfehlungsmachinen, die Deep Blue Schach-KI von IBM und die AlphaGo-KI von Google (der wohl beste Go-Spieler der Welt).

Begrenzter Speicher KI-Systeme sind in der Lage, eingehende Daten und Daten zu allen von ihnen getroffenen Aktionen oder Entscheidungen zu speichern und diese gespeicherten Daten dann zu analysieren, um sie im Laufe der Zeit zu verbessern. Hier beginnt das „Machine Learning“, da für das Lernen nur ein begrenzter Speicher erforderlich ist.

Da sich KIs mit begrenztem Speicher im Laufe der Zeit verbessern können, sind dies die fortschrittlichsten KIs, die wir bisher entwickelt haben. Beispiele sind selbstfahrende Fahrzeuge, virtuelle Sprachassistenten und Chatbots. 

Theory of Mind ist die erste der beiden fortgeschritteneren und (derzeit) theoretischen Arten der KI, die wir noch nicht entwickelt haben. Auf dieser Ebene würden KIs beginnen, menschliche Gedanken und Emotionen zu verstehen und auf sinnvolle Weise mit uns zu interagieren. Hier wird die Beziehung zwischen Mensch und KI reziprok, anstatt die einfache Einweg-Beziehung zu haben, die Menschen jetzt mit verschiedenen weniger fortgeschrittenen KIs haben.

Die Terminologie „Theory of Mind“ stammt aus der Psychologie und bezieht sich in diesem Fall auf ein KI-Verständnis, dass Menschen Gedanken und Emotionen haben, die wiederum das Verhalten der KI beeinflussen.

Selbstbewusstsein gilt als das ultimative Ziel vieler KI-Entwickler, wobei KIs ein Bewusstsein auf menschlicher Ebene haben und sich als Wesen in der Welt mit ähnlichen Wünschen und Emotionen wie Menschen bewusst sind. Bislang sind selbstbewusste KIs reine Science-Fiction.

Was ist maschinelles Lernen?

Machine Learning (ML) ist eine Teilmenge der KI, die in die Kategorie „begrenzter Speicher“ fällt, in der die KI (Maschine) in der Lage ist, im Laufe der Zeit zu lernen und sich zu entwickeln.

Es gibt eine Vielzahl verschiedener Algorithmen für maschinelles Lernen, wobei die drei Haupttypen überwachtes Lernen, unüberwachtes Lernen und Reinforcement Learning sind.

3 Arten von Algorithmen für maschinelles Lernen

Wie bei den verschiedenen Arten von KI decken diese verschiedenen Arten des maschinellen Lernens eine Reihe von Komplexitäten ab. Es gibt zwar mehrere andere Arten von Machine Learning-Algorithmen, die meisten sind jedoch eine Kombination aus diesen drei primären Algorithmen oder basieren darauf.

Supervised Learning (überwachtes Lernen) ist die einfachste Methode. Wie der Name schon sagt, wird eine KI während des gesamten Lernprozesses aktiv überwacht. Forscher- oder Data Scientists-Teams stellen dem Rechner eine Datenmenge zur Verfügung, die dieser dann verarbeitet und daraus lernen soll, sowie einige Beispielergebnisse, was diese Daten produzieren sollten (formal als Inputs und gewünschte Outputs bezeichnet).

Das Ergebnis des überwachten Lernens ist ein Agent, der Ergebnisse basierend auf neuen Eingabedaten vorhersagen kann. Die Maschine kann ihr Lernen weiter verfeinern, indem sie diese Vorhersagen speichert und kontinuierlich neu analysiert, um ihre Genauigkeit im Laufe der Zeit zu verbessern.

Zu den überwachten Machine Learning-Anwendungen gehören Bilderkennung, Medienempfehlungssysteme, prädiktive Analysen und Spam-Erkennung.

Unüberwachtes Lernen erfordert keine menschliche Hilfe während des Lernprozesses. Der Agent erhält eine zu analysierende Datenmenge und identifiziert selbstständig Muster in diesen Daten. Diese Art der Analyse kann äußerst hilfreich sein, da Maschinen mehr und andere Muster in einem bestimmten Datensatz erkennen können als Menschen. Wie beim überwachten maschinellen Lernen kann auch die nicht überwachte ML im Laufe der Zeit dazulernen und sich verbessern.

Unüberwachte Anwendungen für maschinelles Lernen umfassen Dinge wie die Bestimmung von Kundensegmenten in Marketingdaten, medizinische Bildgebung und Anomalieerkennung.

Reinforcement Learning (Verstärkungslernen) ist der komplexeste dieser drei Algorithmen, da kein Datensatz zum Trainieren des Rechners bereitgestellt wird. Stattdessen lernt der Agent, indem er mit der Umgebung interagiert, in der er platziert ist. Es erhält positive oder negative Belohnungen basierend auf den von ihm ausgeführten Aktionen und verbessert sich im Laufe der Zeit, indem seine Antworten verfeinert werden, um positive Belohnungen zu maximieren.

Zu den Anwendungen des Reinforcement Learning gehören sich selbst verbessernde Industrieroboter, automatisierter Aktienhandel, fortschrittliche Empfehlungsmaschinen und Gebotsoptimierung zur Maximierung der Werbeausgaben.

Was ist Deep Learning?

Deep Learning (DL) ist eine Teilmenge des maschinellen Lernens, die versucht, menschliche neuronale Netzwerke zu emulieren, wodurch vorverarbeitete Daten überflüssig werden. Deep Learning-Algorithmen sind in der Lage, große Mengen unstrukturierter Daten zu erfassen, zu verarbeiten und zu analysieren, um ohne menschliches Eingreifen zu lernen.

Wie bei anderen Arten des maschinellen Lernens kann ein Deep-Learning-Algorithmus im Laufe der Zeit verbessert werden.

Einige praktische Anwendungen von Deep Learning umfassen derzeit die Entwicklung von Computer Vision, Gesichtserkennung und Verarbeitung natürlicher Sprache.

KI vs. Machine Learning vs. Deep Learning

Deep Learning ist also eine Teilmenge des maschinellen Lernens, die wiederum eine Teilmenge der künstlichen Intelligenz ist. Aber was sind die tatsächlichen Gemeinsamkeiten und Unterschiede zwischen ihnen?

Eine gängige Möglichkeit, ihre Beziehung zu veranschaulichen, ist eine Reihe von konzentrischen Kreisen mit KI außen und DL in der Mitte.

Wie oben beschrieben, gibt es vier Arten von KI, darunter zwei, die an dieser Stelle rein theoretisch sind. Auf diese Weise ist Künstliche Intelligenz das umfassendere, übergreifende Konzept zur Entwicklung von Maschinen, die menschliche Intelligenz und menschliches Denken simulieren. Das ultimative Ziel, eine selbstbewusste künstliche Intelligenz zu entwickeln, geht weit über unsere derzeitigen Fähigkeiten hinaus. Daher ist vieles von dem, was KI ausmacht, derzeit nicht praktikabel.

Machine Learning hingegen ist eine praktische Anwendung der KI, die derzeit möglich ist und vom Typ „begrenzter Speicher“ ist.

Im Großen und Ganzen ist maschinelles Lernen immer noch relativ unkompliziert, da die meisten ML-Algorithmen nur eine oder zwei „Schichten“ haben, z. B. eine Eingabeschicht und eine Ausgabeschicht, mit wenigen, wenn überhaupt, Verarbeitungsschichten dazwischen. Modelle für maschinelles Lernen können sich im Laufe der Zeit verbessern, benötigen jedoch häufig menschliche Anleitung und Umschulung.

Im Gegensatz dazu besteht Deep Learning aus mehreren Schichten, und es sind diese zusätzlichen „versteckten“ Verarbeitungsschichten, die dem Deep Learning seinen Namen geben. Deep Learning-Algorithmen sind im Wesentlichen selbstlernend, da sie in der Lage sind, ihre eigenen Vorhersagen und Ergebnisse zu analysieren, um ihre Genauigkeit im Laufe der Zeit zu bewerten und anzupassen. Deep Learning-Algorithmen sind in der Lage, unabhängig zu lernen.

DL ist in der Lage, dies durch die mehrschichtigen Algorithmen zu erreichen, die zusammen das so genannte künstliche neuronale Netzwerk bilden. Diese sind von den neuronalen Netzen des menschlichen Gehirns inspiriert, erreichen aber offensichtlich bei weitem nicht dieses Niveau. Sie sind jedoch deutlich fortschrittlicher als einfachere ML-Modelle und die fortschrittlichsten KI-Systeme, die wir derzeit entwickeln können.

Warum ist KI/ML wichtig?

Es ist kein Geheimnis, dass Daten zu einem immer wichtigeren Unternehmenswert werden, da die Menge an Daten, die weltweit generiert und gespeichert werden, exponentiell wächst. Natürlich ist das Sammeln von Daten sinnlos, wenn Sie nichts damit anfangen, aber diese enormen Datenfluten sind ohne automatisierte Systeme einfach nicht zu bewältigen.

Künstliche Intelligenz, maschinelles Lernen und Deep Learning bieten Unternehmen die Möglichkeit, Wert aus den von ihnen gesammelten Datenbeständen zu schöpfen, Geschäftseinblicke zu liefern, Aufgaben zu automatisieren und Systemfunktionen zu verbessern. KI/ML hat das Potenzial, alle Aspekte eines Unternehmens zu verändern, indem es ihnen hilft, messbare Ergebnisse zu erzielen, darunter:

• Steigerung der Kundenzufriedenheit

• Angebot differenzierter digitaler Services

• Optimierung bestehender Business Services

• Automatisierung von Geschäftsabläufen

• Steigender Umsatz

• Kosten senken

KI/ML-Beispiele und Anwendungsfälle

Das hört sich natürlich alles großartig an, ist aber eher abstrakt und praxisfern. Werfen wir also einen Blick auf einige praktische Anwendungsfälle und Beispiele, in denen KI/ML schon heute zur Transformation von Branchen eingesetzt wird.

Gesundheitswesen

KI/ML wird in Anwendungen des Gesundheitswesens eingesetzt, um die klinische Effizienz zu steigern, die Diagnosegeschwindigkeit und -genauigkeit zu erhöhen und die Patientenergebnisse zu verbessern.

HCA Healthcare erhielt den Red Hat Innovation Award für seinen Einsatz von maschinellem Lernen zur Entwicklung eines Echtzeit-Predictive Analytics-Produkts – SPOT (Sepsis Prediction and Optimization of Therapy) – zur genaueren und schnelleren Erkennung von Sepsis, eines potenziell lebensbedrohlichen Zustands.

Telekommunikation

In der Telekommunikationsbranche wird maschinelles Lernen zunehmend eingesetzt, um unter anderem Einblicke in das Kundenverhalten zu gewinnen, das Kundenerlebnis zu verbessern und die 5G-Netzwerkleistung zu optimieren.

Laut unserem Anfang 2021 veröffentlichten Bericht State of Enterprise Open Source erwarten 66 % der Telekommunikationsunternehmen, dass sie in den nächsten zwei Jahren Enterprise Open Source für KI/ML einsetzen werden, verglichen mit nur 37 % heute.

Versicherung

In der Versicherungsbranche wird KI/ML für eine Vielzahl von Anwendungen eingesetzt, darunter zur Automatisierung der Schadensbearbeitung und zur Bereitstellung nutzungsbasierter Versicherungsservices.

Die Mehrheit der Versicherer ist der Ansicht, dass die Modernisierung ihrer Kernsysteme ein Schlüssel zur Differenzierung ihrer Services auf einem breiten Markt ist, und maschinelles Lernen ist Teil dieser Modernisierungsbemühungen.

Finanzdienstleistungen

Auch Finanzdienstleister verwenden KI/ML, um ihre Angebote zu modernisieren und zu verbessern, unter anderem um den Kundenservice zu personalisieren, die Risikoanalyse zu verbessern und Betrug und Geldwäsche besser zu erkennen.

Da die Datenmenge, mit der Finanzinstitute umgehen müssen, ständig wächst, wird erwartet, dass die Möglichkeiten des maschinellen Lernens die Modelle zur Betrugserkennung robuster machen und dazu beitragen, die Verarbeitung von Bankdienstleistungen zu optimieren.

Automobilindustrie

Die Automobilindustrie hat in den letzten Jahren mit dem Aufkommen von Elektrofahrzeugen und autonomen Fahrzeugen, Modellen für die vorausschauende Wartung und einer Vielzahl anderer disruptiver Trends in der gesamten Branche enorme Veränderungen und Umwälzungen erlebt.

Und natürlich ist KI/ML ein wichtiger Bestandteil dieser Transformation. Es ist beispielsweise ein wichtiger Bestandteil der BMW Group Initiativen für automatisierte Fahrzeuge.

Energiebranche

Energieversorger auf der ganzen Welt befinden sich außerdem mitten in einer Transformation der Branche. Neue Wege der Energieerzeugung, -speicherung, -bereitstellung und -nutzung verändern die Wettbewerbslandschaft. Darüber hinaus haben globale Klimabedenken, Markttreiber und technologische Fortschritte die Landschaft erheblich verändert.

Der Energiesektor nutzt KI/ML bereits, um intelligente Kraftwerke zu entwickeln, Verbrauch und Kosten zu optimieren, Modelle für die vorausschauende Wartung zu entwickeln, den Außendienst und die Sicherheit zu optimieren und den Energiehandel zu verbessern.

Erste Schritte mit KI/ML in Ihrem Unternehmen

Obwohl KI/ML eindeutig eine stark transformative Technologie ist, die in jeder Branche einen enormen Mehrwert bieten kann, kann der Einstieg mehr als überwältigend erscheinen.

Die gute Nachricht ist, dass Sie klein anfangen können. Es ist möglich, KI/ML ohne große Vorabinvestitionen in Ihr Unternehmen einzuführen. So können Sie das Wasser testen und herausfinden, wie und wo KI/ML Ihrem Unternehmen in kleineren, einfacher zu verwaltenden Teilen zugute kommen kann.

Wenn Sie mehr wissen möchten, haben wir eine 13-Punkte-Roadmap zusammengestellt, wie Sie Ihre KI/ML-Reise beginnen können..

Mehr erfahren

• KI/ML in Red Hat OpenShift

• Top considerations for building a production-ready AI/ML environment (e-book)

• Zwei Schlüsselfaktoren für die Einführung von KI/ML: Data Excellence und Collaboration

• KI/ML Red Hat Open Innovation Labs Residency