Catálogo de publicaciones - libros

Wir nennen uns selbst Homo sapiens – der weise Mensch. Erste Versuche, diese Weisheit zu beschreiben, zu verstehen, abzubilden und in Gesetzmäßigkeiten zu verwandeln, reichen bis in die Antike zurück und haben eine lange Tradition in der Philosophie, Mathematik, Psychologie, Neurowissenschaft und Informatik. Vielfach wurde versucht, den Begriff der Intelligenz – also die kognitive Leistungsfähigkeit des Menschen – besser zu verstehen und zu definieren. Als KI bezeichnet man traditionell ein Teilgebiet der Informatik, das sich mit der Automatisierung von intelligentem Verhalten befasst. Eine genaue Begriffsbestimmung ist jedoch kaum möglich, da auch alle direkt verwandten Wissenschaften wie Psychologie, Biologie, Kognitionswissenschaft, Neurowissenschaft an einer genauen Definition von Intelligenz scheitern.

Die KI ist bereits seit Jahrzehnten ein Thema in der Forschung, wobei die Konferenz „Dartmouth Summer Research Project on Artificial Intelligence“ im Jahr 1956 als Startpunkt systematischer Forschungsanstrengungen gilt. Den wirklichen Durchbruch brachte allerdings erst in den vergangenen Jahren der Einsatz von künstlichen neuronalen Netzen (KNN) mit Methoden des tiefen Lernens (Deep Learning, DL), welche rudimentär Abläufe im Nervensystem nachbilden (siehe auch Einleitung Teil A). Wichtige Treiber sind aber nicht nur die Konzepte der KNN, sondern vor allem auch die Entwicklung der Rechentechnik, auf der entsprechende Verfahren ausgeführt werden. Während man zu Beginn auf leistungsfähige Allzweckprozessoren (central processing unit, CPU) zurückgriff, werden seit einigen Jahren vorrangig Prozessoren verwendet, die ursprünglich für Grafikkarten zur Bildausgabe gedacht waren (graphics processing unit, GPU). Aktuell werden diese zunehmend zu Spezialprozessoren (application-specific integrated circuit, ASIC) für KI-Anwendungen weiterentwickelt. Zusätzlich verfolgt man den Ansatz, die Struktur von KNN direkt in der Architektur eines Prozessors abzubilden (neuromorphe Hardware). Dabei sind erste Versuche erfolgversprechend.

Es gibt immer mehr Anwendungen für KI – von optischer Erkennung, Datenanalyse und -manipulation über Chat-Bots bis zu virtueller Realität. Mit der steigenden Anzahl von KI-Anwendungen in Unternehmen und dem immer größeren Nutzen für Verbraucher entsteht gleichzeitig eine Anzahl von neuen Herausforderungen. Dazu zählen Fragen der Interoperabilität der Systeme, Best Practices für den Einsatz von KI sowie Vertrauen und Sicherheit. Normen und Standards können einen wichtigen Beitrag dabei leisten, die wirtschaftliche Entwicklung der KI zu fördern und zugleich Vertrauen und Akzeptanz bei Mitarbeitern und Kunden zu stärken.

KI-Technologien gelten in vielen Bereichen als bahnbrechend, da sie die kognitiven Leistungen des Menschen reproduzieren oder sogar übertreffen können. Menschliche Leistungen ließen sich somit durch KI ersetzen. Die Forschung im Bereich der Augmented Intelligence als Ergänzung zur KI geht jedoch davon aus, das sich menschliche und computergesteuerte kognitive Technologien im Idealfall positiv ergänzen. In diesem Beitrag wird die Motivation hinter der Forschung zur Augmented Intelligence erläutert und einige vielversprechende Ansätze ausgeführt.

Maschinelles Lernen (ML) kann die Werkzeuge und Verfahren verbessern, die in vernetzten IT-Systemen oder generell im Internet für die IT-Sicherheit genutzt werden. Die IT-Sicherheit birgt jedoch ganz besondere Herausforderungen für den Einsatz von ML. In diesem Beitrag geht es darum, wie Unternehmen bereits jetzt maschinelles Lernen zur Verbesserung von IT-Sicherheit nutzen und welchen Beitrag heute die Forschung liefert. Dort ist die Verknüpfung von ML und IT-Sicherheit noch verhältnismäßig rar. Das ist ein Defizit, da Lösungspotenziale, die aus der Kombination der Disziplinen entstehen, zu erwarten sind.

Der Phantasie, Anwendungen der KI zu ersinnen, sind keine Grenzen gesetzt: Maschinen und Software werden zu „intelligenten“ Artefakten, die mühelos auch schwierigste Situationen meistern. Das reicht vom Chatbot, der in medizinischen Fragen eigenständig berät, bis hin zum autonomen Auto, das seine Fahrgäste sicher von A nach B bringt – auch im dichtesten Stadtverkehr. Aber in welchen Wirtschaftszweigen und in welchen Anwendungsfeldern wird KI tatsächlich in den kommenden Jahren ihr Potenzial, auch anspruchsvolle menschliche Tätigkeiten zu automatisieren, entfalten können? Zwar gibt es spektakuläre Einzelbeispiele, wie das Schachprogramm, das den Weltmeister schlägt, oder den Sprachassistenten im Smartphone. Darüber hinaus ist diese Frage aber nicht leicht zu beantworten, denn die meisten bekannten KIAnwendungen stecken in der Praxis noch in den Kinderschuhen.

Serviceroboter gewinnen an Boden, in professionellen Anwendungen ebenso wie im privaten Bereich. Diesen Vormarsch verdanken sie in erster Linie Fortschritten in der KI, insbesondere den Verfahren des maschinellen Lernens, der Computer Vision und Optimierung, die eine autonomere und adaptivere Handlungssteuerung dieser Roboter auch in einem veränderlichen Umfeld erlauben. So wird ihr Einsatz auch in Bereichen möglich, die klassischen Industrierobotern verschlossen bleiben.

Die Digitalisierung und darauf aufbauend KI eröffnet völlig neue Möglichkeiten, Prozesse zu vereinfachen, effizienter zu gestalten und intelligent zu automatisieren. Dort, wo entsprechende Voraussetzungen gegeben sind respektive geschaffen wurden und Prozesse einen KI-Einsatz nahelegen, können Technologien der KI gerade auch im Bereich der öffentlichen Verwaltung hohes Potenzial eröffnen. Erfahrungen aus der Privatwirtschaft zeigen, dass sich Chancen ergeben, in einer Welt mit steigenden Anforderungen, hoher Arbeitsbelastung und Fachkräftemangel viele – meist monotone und zeitfressende – Tätigkeiten neu zu gestalten. Doch welche wesentlichen Voraussetzungen müssen für den Einsatz von KI in der öffentlichen Verwaltung erfüllt sein?

Digitale Angebote sind inzwischen fester Bestandteil des Bildungssystems. Zahlreiche Hochschulen verwenden Learning-Management-Systems (LMS) zur Unterstützung von Lehre und Studium und bieten immer häufiger Online-Kurse an, z. B. Massive Open Online Courses (MOOC) (Cormier und Siemens 2010). Bei der Nutzung digitaler Lernangebote und Lernumgebungen fallen kontinuierlich Daten an, die sich analysieren lassen, Einblick etwa in das individuelle Lernverhalten geben oder Hinweise darauf, wie die Lehre und das Lernen unterstützt werden könnten, um Lernprozesse zu verbessern. Bislang nutzen Bildungsinstitutionen diese Daten jedoch noch wenig – mittels Learning Analytics könnte sich das ändern. Was aber ist Learning Analytics? Und wie ist es im Kontext KI einzuordnen?

Gesellschaftliche Entwicklungen, wie steigende Patientenzahlen, aber auch der technische Fortschritt und die daraus resultierende Datenflut, stellen Medizinerinnen und Mediziner und Forschende vor neue Herausforderungen. Das medizinische Wissen wächst in einer nie dagewesenen Geschwindigkeit und überholt sich innerhalb kurzer Zeit. Doch diese Herausforderungen beinhalten zugleich auch neue Chancen.