Künstliche Intelligenz und Machine Learning – Unterschiede und Potenziale

Um Technologien wie „Künstliche Intelligenz“ (KI) und „Machine Learning“ bzw. „Maschinelles Lernen“ (ML) wurde im vergangenen Jahrzehnt ein enormer Rummel gemacht. Hinter dem Hype stecken jedoch konkrete und sinnvolle Anwendungsbereiche, mit deren Hilfe Unternehmen sich unter anderem Übersicht über große Mengen unstrukturierter Daten verschaffen, besser vorausschauende Entscheidungen treffen, das Kundenerlebnis verbessern oder Risiken erkennen können. Angesichts des immer rascheren Wandels, dem die Unternehmen unterworfen sind, und des rasanten technologischen Fortschritts ist es mitunter schwierig für Unternehmensverantwortliche, den Durchblick bei Vor- und Nachteilen von KI und ML sowie den Hauptunterschieden zwischen beiden Technologien zu behalten.

KI und ML – Wo liegen die Unterschiede?

Was sind also die wesentlichen Unterschiede zwischen den Technologien? Einfach ausgedrückt handelt es sich bei KI um einen Teilbereich der Data Science, der sich damit befasst, Computern mittels Algorithmen intelligente Fähigkeiten wie Wahrnehmung, logisches Denken und Entscheidungsfähigkeit beizubringen. ML bezeichnet hingegen eine Technologie zur eigenständigen Erkennung von Mustern und Gesetzmäßigkeiten.

Es gibt vier Arten von KI:

1. Rein reaktive KI: Reaktive Maschinen können nicht wirklich dazulernen, haben kein Gedächtnis und können sich nicht weiterentwickeln. Sie wurden für einen bestimmten Zweck programmiert und können entsprechende Aufgaben ausführen. Ein Beispiel für eine reaktive Maschine ist der IBM-Schachcomputer DeepBlue, der anhand bestimmter Situationen den schnellsten Weg zu einem Schachmatt berechnet.
2. KI mit begrenztem Gedächtnis: Diese Art der KI kann historische Informationen speichern und verarbeiten, um Entscheidungen zu treffen und Handlungen auszuführen. Bei diesem Typ handelt es sich um die geläufigste Form der KI, während Typ 3 und 4 noch in den Kinderschuhen stecken. Beispiele für KI mit begrenztem Gedächtnis sind die Suchmaschine Google, Sprachassistenten in Smartphones sowie autonome Fahrzeuge.
3. KI mit eigenem „Bewusstsein“: KI mit eigenem Bewusstsein bzw. die Theory of Mind soll Prozesse im menschlichen Hirn simulieren. Ein wesentlicher Faktor hierbei ist das Verstehen menschlicher Emotionen. KI dieses dritten Typus nutzen Erfahrungswerte und Erlerntes, um sich selbst zu verbessern.
4. KI mit Selbstwahrnehmung: Dieser bislang experimentelle und theoretische KI-Typus ist sich seiner Existenz bewusst und in der Lage, zu denken und Emotionen zu verarbeiten.

Bei ML hingegen handelt es sich um einen Teilbereich der KI, der sich mit der maschinellen Erkennung von Mustern und Gesetzmäßigkeiten befasst. Dabei gibt es drei Arten von ML:

1. Überwachtes Lernen: Eine KI, die diese Form von ML anwendet, wird beim Lernen aktiv überwacht. Sie erhält Daten (Eingaben), aus denen sie lernen soll, sowie beispielhafte Ergebnisse (Ausgaben). In der Folge kann die KI Ergebnisse aus neu hinzugefügten Daten vorhersagen. Das überwachte Lernen kommt beispielsweise bei Programmen zur Bilderkennung, Spamfiltern sowie Empfehlungssystemen für Medien zum Einsatz. Beispiele hierfür sind Spotify und Netflix. Ein weiteres Beispiel sind Web Application Firewalls (WAF), die Webanwendungen vor Angriffen schützen. Der WAF wird vorgegeben, was „normaler“ Input ist. Alles, was davon abweicht, wird von der Maschine als Angriff eingestuft und gemeldet.
2. Unüberwachtes Lernen: Beim unüberwachten Lernen geht es nicht darum, dass die Maschine erwartbare Ergebnisse erkennt. Stattdessen lernt die Maschine ohne Zielvariable und erkennt selbstständig Muster in den Daten. So verinnerlicht die Maschine beispielsweise selbstständig ein komplexes Unternehmensnetzwerk und meldet künftige Unregelmäßigkeiten (mögliche Angriffe). In einem weiteren Anwendungsfall lernt die Maschine, Verhaltensmuster aus Kundendaten zu identifizieren, um dieses Wissen als Grundlage für Marketingstrategien oder Geschäftsentscheidungen zu nutzen.
3. Verstärkendes Lernen: Bei diesem Typus interagiert die Maschine mit einem definierten Umfeld und führt Handlungen aus. Hierbei erhält sie positives oder negatives Feedback. Mithilfe dieses Belohnungssystems lernt die Maschine, ausgeführte Handlungen zu verbessern, um mehr positives Feedback zu erhalten. Ein Beispiel hierfür ist die Google-KI DeepMind, die auf Basis von verstärkendem Lernen arbeitet. Weitere Beispiele sind Maschinen für den automatisierten Aktienhandel oder selbstlernende Industrieroboter.

Ein wichtiger Teilbereich des Maschinellen Lernens ist das Deep Learning, bei dem die Maschine menschliche neuronale Netze nachahmt. Der Lernprozess erfolgt hierbei ohne zuvor verarbeitete Daten und mittels eigenständiger Verarbeitung großer unstrukturierter Datenmengen. Während viele Algorithmen beim Maschinellen Lernen lediglich eine Eingabe- und eine Ausgabeschicht besitzen, basiert Deep Learning auf mehreren verborgenen Schichten. So kann eine Maschine mittels Deep Learning beispielsweise lernen, natürliche Sprache zu verarbeiten.

KI und ML in der Praxis

Für KI und ML gibt es zahlreiche Anwendungsfälle in unterschiedlichsten Branchen. Häufig werden die Technologien zur Effizienzsteigerung oder zur Verbesserung von IT- und Informationssicherheitsprozessen genutzt.

Konversations-KI beispielsweise hilft dabei, Selbstbedienungsprozesse zu optimieren, um die Kundenzufriedenheit zu steigern. Die KI lernt durch ML, welche Ausgaben auf bestimmte Kundeneingaben erfolgen sollten. Ein Beispiel hierfür ist der Einsatz von Chatbots im Kundenservice. Kunden erhalten rasche Antworten auf ihre Fragen, ohne dass jedes Gespräch von einem Kundendienstmitarbeiter angenommen werden muss.

Darüber hinaus kann KI dabei helfen, Informationen aus wichtigen Dokumenten zu extrahieren und zu analysieren. Diese Funktion kann unter anderem dazu genutzt werden, Krankenakten zu analysieren, ähnliche Fälle aus einem umfangreichen Bestand an Kundenbeschwerden zusammenzufassen oder wichtige Beweise in Ermittlungen herauszufiltern. Ein weiteres Anwendungsbeispiel ist das Erlernen und die Überwachung von Produktionsprozessen. Mittels KI lassen sich Engpässe vorhersagen, die Fertigungsqualität steigern und die Sicherheit von Abläufen voraussagen.

Im Hinblick auf Informationssicherheit können KI und ML dazu beitragen, Unregelmäßigkeiten und Sicherheitslücken zu erkennen, zu verhindern und zu beheben. Die Technologie kann eine Risikobewertung vornehmen und Maßnahmen vorschlagen oder eigenständig Maßnahmen ergreifen. Auf diese Weise kann das für IT und Informationssicherheit zuständige Team selbst bei großen Datenmengen Prozesse optimieren und Effizienz und Sorgfalt steigern.

Der Einsatz von KI ist jedoch nicht ohne Risiken, denn diese Technologien lassen sich negativ instrumentalisieren. Das Bundesamt für Sicherheit in der Informationstechnik (BSI) hat einen Kriterienkatalog für KI-basierte Cloud-Dienste herausgegeben, der einen wichtigen Rahmen zur Beurteilung und Einordnung von KI-Systemen und ihrer Sicherheit schafft.

Fazit

KI und ML sind mehr als nur ein Hype. Die Technologien können Prozesse optimieren, neue Daten erschließen und den Nutzen der IT verstärken. Um ihre Potenziale voll ausschöpfen zu können ist es jedoch notwendig, bereits bei ihrer Einführung die Fähigkeiten dieser Technologien zu verstehen, klare Ziele für ihre Nutzung festzulegen und mögliche Risiken zu berücksichtigen.

The views expressed herein are those of the author(s) and not necessarily the views of FTI Consulting, its management, its subsidiaries, its affiliates, or its other professionals.