Was ist künstliche Intelligenz?

Künstliche Intelligenz ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere Computersysteme. Spezifische Anwendungen von KI umfassen Expertensysteme, Verarbeitung natürlicher Sprache, Spracherkennung und maschinelles Sehen.

Wie funktioniert KI?

Da sich der Hype um KI beschleunigt hat, bemühen sich Anbieter, die Nutzung von KI durch ihre Produkte und Dienstleistungen zu fördern. Oft ist das, was sie als KI bezeichnen, einfach eine Komponente der KI, wie z. B. maschinelles Lernen. KI erfordert eine Grundlage spezialisierter Hardware und Software zum Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Keine Programmiersprache ist gleichbedeutend mit KI, aber einige, darunter Python, R und Java, sind beliebt.

Im Allgemeinen arbeiten KI-Systeme, indem sie große Mengen markierter Trainingsdaten aufnehmen, die Daten auf Korrelationen und Muster analysieren und diese Muster verwenden, um Vorhersagen über zukünftige Zustände zu treffen. Auf diese Weise kann ein Chatbot, dem Beispiele für Textchats zugeführt werden, lernen, einen lebensechten Austausch mit Menschen herzustellen, oder ein Bilderkennungstool kann lernen, Objekte in Bildern zu identifizieren und zu beschreiben, indem Millionen von Beispielen überprüft werden.

Die KI-Programmierung konzentriert sich auf drei kognitive Fähigkeiten: Lernen, Denken und Selbstkorrektur.

Lernprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie die Daten in verwertbare Informationen umgewandelt werden können. Die Regeln, die als Algorithmen bezeichnet werden, geben Computergeräten Schritt-für-Schritt-Anweisungen zum Ausführen einer bestimmten Aufgabe.

Argumentationsprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Auswahl des richtigen Algorithmus, um ein gewünschtes Ergebnis zu erzielen.

Selbstkorrekturprozesse. Dieser Aspekt der KI-Programmierung wurde entwickelt, um Algorithmen kontinuierlich zu optimieren und sicherzustellen, dass sie die genauesten Ergebnisse liefern.

Warum ist künstliche Intelligenz wichtig?

KI ist wichtig, weil sie Unternehmen Einblicke in ihre Abläufe geben kann, die ihnen zuvor möglicherweise nicht bekannt waren, und weil KI in einigen Fällen Aufgaben besser ausführen kann als Menschen. Insbesondere bei sich wiederholenden, detailorientierten Aufgaben wie der Analyse einer großen Anzahl von Rechtsdokumenten, um sicherzustellen, dass relevante Felder ordnungsgemäß ausgefüllt werden, erledigen KI-Tools Jobs häufig schnell und mit relativ wenigen Fehlern.

Dies hat zu einer Explosion der Effizienz beigetragen und einigen größeren Unternehmen völlig neue Geschäftsmöglichkeiten eröffnet. Vor der aktuellen Welle der KI wäre es schwer vorstellbar gewesen, Computersoftware zu verwenden, um Fahrer mit Taxis zu verbinden, aber heute ist Uber zu einem der größten Unternehmen der Welt geworden, indem es genau das tut. Es nutzt ausgeklügelte Algorithmen für maschinelles Lernen, um vorherzusagen, wann Menschen in bestimmten Bereichen wahrscheinlich Fahrten benötigen, was dazu beiträgt, Fahrer proaktiv auf die Straße zu bringen, bevor sie gebraucht werden. Als weiteres Beispiel hat sich Google zu einem der größten Akteure für eine Reihe von Online-Diensten entwickelt, indem es maschinelles Lernen einsetzt, um zu verstehen, wie Menschen ihre Dienste nutzen, und sie dann verbessert. Im Jahr 2017 erklärte der CEO des Unternehmens, Sundar Pichai, dass Google als “AI First” -Unternehmen agieren werde.

Die größten und erfolgreichsten Unternehmen von heute haben KI eingesetzt, um ihre Abläufe zu verbessern und Vorteile gegenüber ihren Mitbewerbern zu erzielen.

Welche Vor- und Nachteile hat künstliche Intelligenz?

Künstliche neuronale Netze und Deep Learning Technologien der künstlichen Intelligenz entwickeln sich schnell weiter, vor allem weil KI große Datenmengen viel schneller verarbeitet und Vorhersagen genauer macht, als es menschlich möglich ist.

Während das riesige Datenvolumen, das täglich erstellt wird, einen menschlichen Forscher begraben würde, können KI-Anwendungen, die maschinelles Lernen verwenden, diese Daten aufnehmen und schnell in verwertbare Informationen umwandeln. Zum jetzigen Zeitpunkt besteht der Hauptnachteil der Verwendung von KI darin, dass die Verarbeitung der großen Datenmengen, die die KI-Programmierung erfordert, teuer ist.

Vorteile

• Gut bei detailorientierten Jobs;
• Reduzierte Zeit für datenintensive Aufgaben;
• Liefert konsistente Ergebnisse; und
• KI-gestützte virtuelle Agenten sind immer verfügbar.

Nachteile

• Teuer;
• Erfordert fundiertes technisches Fachwissen;
• Begrenztes Angebot an qualifizierten Arbeitskräften zum Erstellen von KI-Tools;
• Weiß nur, was gezeigt wurde; und
• Mangelnde Fähigkeit, von einer Aufgabe zur anderen zu verallgemeinern.

Starke KI vs. schwache KI

KI kann entweder als schwach oder stark eingestuft werden.

• Schwache KI, auch bekannt als schmale KI, ist ein KI-System, das entworfen und trainiert wird, um eine bestimmte Aufgabe zu erfüllen. Industrieroboter und virtuelle persönliche Assistenten wie Apples Siri verwenden schwache KI.
• Strong AI, auch bekannt als Artificial General Intelligence (AGI), beschreibt eine Programmierung, die die kognitiven Fähigkeiten des menschlichen Gehirns nachbilden kann. Wenn ein starkes KI-System mit einer unbekannten Aufgabe konfrontiert wird, kann es mithilfe von Fuzzy-Logik Wissen von einem Bereich auf einen anderen anwenden und autonom eine Lösung finden. Theoretisch sollte ein starkes KI-Programm sowohl einen Turing-Test als auch den Chinese Room-Test bestehen können.

Was sind die 4 Arten von künstlicher Intelligenz?

Arend Hintze, Assistenzprofessor für integrative Biologie und Informatik und Ingenieurwesen an der Michigan State University, erklärte in einem Artikel aus dem Jahr 2016, dass KI in vier Typen eingeteilt werden kann, beginnend mit den aufgabenspezifischen intelligenten Systemen, die heute weit verbreitet sind, und weiter zu empfindungsfähigen Systemen, die noch nicht existieren. Die Kategorien sind wie folgt:

• Typ 1: Reaktive Maschinen. Diese KI-Systeme haben kein Gedächtnis und sind aufgabenspezifisch. Ein Beispiel ist Deep Blue, das IBM-Schachprogramm, das Garry Kasparov in den 1990er Jahren schlug. Deep Blue kann Figuren auf dem Schachbrett identifizieren und Vorhersagen treffen, aber weil es kein Gedächtnis hat, kann es vergangene Erfahrungen nicht nutzen, um zukünftige zu informieren.
• Typ 2: Begrenzte speicher. Diese KI-Systeme verfügen über ein Gedächtnis, sodass sie vergangene Erfahrungen nutzen können, um zukünftige Entscheidungen zu treffen. Einige der Entscheidungsfunktionen in selbstfahrenden Autos sind so konzipiert.
• Typ 3: Theorie des Geistes. Theorie des Geistes ist ein psychologischer Begriff. Wenn es auf KI angewendet wird, bedeutet dies, dass das System über die soziale Intelligenz verfügt, um Emotionen zu verstehen. Diese Art von KI wird in der Lage sein, menschliche Absichten abzuleiten und Verhalten vorherzusagen, eine notwendige Fähigkeit für KI-Systeme, um integrale Mitglieder menschlicher Teams zu werden.
• Typ 4: Selbsterkenntnis. In dieser Kategorie haben KI-Systeme ein Selbstgefühl, das ihnen Bewusstsein verleiht. Maschinen mit Selbstbewusstsein verstehen ihren eigenen aktuellen Zustand. Diese Art von KI gibt es noch nicht.

Was sind Beispiele für KI-Technologie und wie wird sie heute eingesetzt?

KI ist in eine Vielzahl unterschiedlicher Technologien integriert. Hier sind sechs Beispiele:

• Automatisierung. In Kombination mit KI-Technologien können Automatisierungstools das Volumen und die Art der ausgeführten Aufgaben erweitern. Ein Beispiel ist Robotic Process Automation (RPA), eine Art Software, die sich wiederholende, regelbasierte Datenverarbeitungsaufgaben automatisiert, die traditionell von Menschen ausgeführt werden. In Kombination mit maschinellem Lernen und neuen KI-Tools kann RPA größere Teile von Unternehmensaufträgen automatisieren, sodass die taktischen Bots von RPA Informationen aus der KI weitergeben und auf Prozessänderungen reagieren können.
• Maschinelles Lernen. Dies ist die Wissenschaft, einen Computer dazu zu bringen, ohne Programmierung zu handeln. Deep Learning ist eine Teilmenge des maschinellen Lernens, die in sehr einfachen Worten als Automatisierung von Predictive Analytics angesehen werden kann. Es gibt drei Arten von Algorithmen für maschinelles Lernen:
  • Überwachtes Lernen. Datensätze werden beschriftet, sodass Muster erkannt und zur Beschriftung neuer Datensätze verwendet werden können.
  • Unbeaufsichtigtes Lernen. Datensätze werden nicht beschriftet und nach Ähnlichkeiten oder Unterschieden sortiert.
  • Verstärkungslernen. Datensätze werden nicht beschriftet, aber nach Durchführung einer oder mehrerer Aktionen erhält das KI-System Feedback.
• Maschinelles Sehen. Diese Technologie gibt einer Maschine die Fähigkeit zu sehen. Machine Vision erfasst und analysiert visuelle Informationen mithilfe einer Kamera, Analog-Digital-Wandlung und digitaler Signalverarbeitung. Es wird oft mit dem menschlichen Sehvermögen verglichen, aber das maschinelle Sehen ist nicht an die Biologie gebunden und kann beispielsweise so programmiert werden, dass es durch Wände sieht. Es wird in einer Reihe von Anwendungen von der Signaturidentifikation bis zur medizinischen Bildanalyse eingesetzt. Computer Vision, die sich auf die maschinelle Bildverarbeitung konzentriert, wird oft mit Machine Vision verwechselt.
• Verarbeitung natürlicher Sprache (NLP). Dies ist die Verarbeitung der menschlichen Sprache durch ein Computerprogramm. Eines der älteren und bekanntesten Beispiele für NLP ist die Spam-Erkennung, die die Betreffzeile und den Text einer E-Mail betrachtet und entscheidet, ob es sich um Junk handelt. Aktuelle Ansätze für NLP basieren auf maschinellem Lernen. NLP-Aufgaben umfassen Textübersetzung, Stimmungsanalyse und Spracherkennung.
• Robotik. Dieser Bereich der Technik konzentriert sich auf die Konstruktion und Herstellung von Robotern. Roboter werden häufig verwendet, um Aufgaben auszuführen, die für Menschen schwierig oder konsistent auszuführen sind. Zum Beispiel werden Roboter in Montagelinien für die Autoproduktion oder von der NASA verwendet, um große Objekte im Weltraum zu bewegen. Forscher verwenden auch maschinelles Lernen, um Roboter zu bauen, die in sozialen Umgebungen interagieren können.
• Selbstfahrende Autos. Autonome Fahrzeuge verwenden eine Kombination aus Computer Vision, Bilderkennung und Deep Learning, um automatisierte Fähigkeiten beim Steuern eines Fahrzeugs zu entwickeln, während sie auf einer bestimmten Fahrspur bleiben und unerwartete Hindernisse wie Fußgänger vermeiden.

Was sind die Anwendungen von KI?

Künstliche Intelligenz hat in den unterschiedlichsten Märkten Einzug gehalten. Hier sind neun Beispiele.

KI im Gesundheitswesen. Die größten Wetten sind auf die Verbesserung der Patientenergebnisse und die Senkung der Kosten. Unternehmen wenden maschinelles Lernen an, um bessere und schnellere Diagnosen zu stellen als Menschen. Eine der bekanntesten Gesundheitstechnologien ist IBM Watson. Es versteht natürliche Sprache und kann auf Fragen antworten, die ihm gestellt werden. Das System baut Patientendaten und andere verfügbare Datenquellen ab, um eine Hypothese zu bilden, die es dann mit einem Konfidenzbewertungsschema darstellt. Andere KI-Anwendungen umfassen die Verwendung von virtuellen Online-Gesundheitsassistenten und Chatbots, um Patienten und Kunden im Gesundheitswesen dabei zu helfen, medizinische Informationen zu finden, Termine zu planen, den Abrechnungsprozess zu verstehen und andere administrative Prozesse abzuschließen. Eine Reihe von KI-Technologien wird auch verwendet, um Pandemien wie COVID-19 vorherzusagen, zu bekämpfen und zu verstehen.

KI im Geschäft. Algorithmen für maschinelles Lernen werden in Analyse- und CRM-Plattformen (Customer Relationship Management) integriert, um Informationen darüber zu erhalten, wie Kunden besser bedient werden können. Chatbots wurden in Websites integriert, um den Kunden einen sofortigen Service zu bieten. Die Automatisierung von Stellen ist auch unter Akademikern und IT-Analysten zu einem Gesprächsthema geworden.

KI in der Bildung. KI kann die Benotung automatisieren und Pädagogen mehr Zeit geben. Es kann die Schüler bewerten und sich an ihre Bedürfnisse anpassen, um ihnen zu helfen, in ihrem eigenen Tempo zu arbeiten. KI-Tutoren können die Schüler zusätzlich unterstützen und sicherstellen, dass sie auf dem richtigen Weg bleiben. Und es könnte sich ändern, wo und wie die Schüler lernen, vielleicht sogar einige Lehrer ersetzen.

KI im Finanzwesen. KI in persönlichen Finanzanwendungen wie Intuit Mint oder TurboTax stört Finanzinstitute. Anwendungen wie diese sammeln personenbezogene Daten und bieten Finanzberatung. Andere Programme wie IBM Watson wurden auf den Kauf eines Eigenheims angewendet. Heute, künstliche Intelligenz-Software führt einen Großteil des Handels an der Wall Street.

AI im Gesetz. Der Entdeckungsprozess – das Durchsuchen von Dokumenten – im Gesetz ist für Menschen oft überwältigend. Der Einsatz von KI zur Automatisierung der arbeitsintensiven Prozesse in der Rechtsbranche spart Zeit und verbessert den Kundenservice. Anwaltskanzleien verwenden maschinelles Lernen, um Daten zu beschreiben und Ergebnisse vorherzusagen, Computer Vision, um Informationen aus Dokumenten zu klassifizieren und zu extrahieren, und Natural Language Processing, um Informationsanfragen zu interpretieren.

KI in der Fertigung. Die Fertigung war an vorderster Front bei der Integration von Robotern in den Workflow. Zum Beispiel funktionieren die Industrieroboter, die einst für einzelne Aufgaben programmiert und von menschlichen Arbeitern getrennt waren, zunehmend als Cobots: Kleinere, Multitasking-Roboter, die mit Menschen zusammenarbeiten und Verantwortung für mehr Teile des Jobs in Lagern, Fabrikhallen und anderen Arbeitsbereichen übernehmen.

KI im Bankwesen. Banken setzen erfolgreich Chatbots ein, um ihre Kunden auf Dienstleistungen und Angebote aufmerksam zu machen und Transaktionen abzuwickeln, die kein menschliches Eingreifen erfordern. Virtuelle KI-Assistenten werden eingesetzt, um die Einhaltung der Bankvorschriften zu verbessern und die Kosten zu senken. Bankorganisationen nutzen KI auch, um ihre Entscheidungsfindung für Kredite zu verbessern, Kreditlimits festzulegen und Investitionsmöglichkeiten zu identifizieren.

KI im Transportwesen. Neben der grundlegenden Rolle der KI beim Betrieb autonomer Fahrzeuge werden KI-Technologien im Transportwesen eingesetzt, um den Verkehr zu steuern, Flugverspätungen vorherzusagen und die Seeschifffahrt sicherer und effizienter zu machen.

Sicherheit. KI und maschinelles Lernen stehen ganz oben auf der Buzzword-Liste, mit der Sicherheitsanbieter heute ihre Angebote differenzieren. Diese Begriffe stehen auch für wirklich praktikable Technologien. Unternehmen verwenden maschinelles Lernen in SIEM-Software (Security Information and Event Management) und verwandten Bereichen, um Anomalien zu erkennen und verdächtige Aktivitäten zu identifizieren, die auf Bedrohungen hinweisen. Durch die Analyse von Daten und die Verwendung von Logik zur Identifizierung von Ähnlichkeiten mit bekanntem Schadcode kann die KI neue und aufkommende Angriffe viel früher warnen als menschliche Mitarbeiter und frühere Technologieiterationen. Die ausgereifte Technologie spielt eine große Rolle bei der Unterstützung von Organisationen bei der Abwehr von Cyberangriffen.

Erweiterte Intelligenz vs. künstliche Intelligenz

Einige Branchenexperten glauben, dass der Begriff künstliche Intelligenz zu eng mit der Populärkultur verbunden ist, und dies hat dazu geführt, dass die breite Öffentlichkeit unwahrscheinliche Erwartungen darüber hat, wie KI den Arbeitsplatz und das Leben im Allgemeinen verändern wird.

• Erweiterte Intelligenz. Einige Forscher und Vermarkter hoffen, dass das Label Augmented Intelligence, das eine neutralere Konnotation hat, den Menschen helfen wird zu verstehen, dass die meisten Implementierungen von KI schwach sein und einfach Produkte und Dienstleistungen verbessern werden. Beispiele hierfür sind das automatische Auftauchen wichtiger Informationen in Business Intelligence-Berichten oder das Hervorheben wichtiger Informationen in Rechtsdokumenten.
• Künstliche Intelligenz. Wahre KI oder künstliche allgemeine Intelligenz ist eng mit dem Konzept der technologischen Singularität verbunden – einer Zukunft, die von einer künstlichen Superintelligenz regiert wird, die die Fähigkeit des menschlichen Gehirns, sie zu verstehen oder wie sie unsere Realität gestaltet, weit übertrifft. Dies bleibt im Bereich der Science-Fiction, obwohl einige Entwickler an dem Problem arbeiten. Viele glauben, dass Technologien wie Quantencomputer eine wichtige Rolle bei der Verwirklichung von AGI spielen könnten und dass wir den Begriff KI für diese Art allgemeiner Intelligenz reservieren sollten.

Ethischer Einsatz von künstlicher Intelligenz

Während KI-Tools eine Reihe neuer Funktionen für Unternehmen bieten, wirft der Einsatz künstlicher Intelligenz auch ethische Fragen auf, da ein KI-System das, was es bereits gelernt hat, im Guten wie im Schlechten verstärken wird.

Dies kann problematisch sein, da Algorithmen für maschinelles Lernen, die vielen der fortschrittlichsten KI-Tools zugrunde liegen, nur so intelligent sind wie die Daten, die sie im Training erhalten. Da ein Mensch auswählt, welche Daten zum Trainieren eines KI-Programms verwendet werden, ist das Potenzial für Verzerrungen des maschinellen Lernens inhärent und muss genau überwacht werden.

Jeder, der maschinelles Lernen als Teil realer, produktiver Systeme nutzen möchte, muss Ethik in seine KI-Trainingsprozesse einbeziehen und sich bemühen, Vorurteile zu vermeiden. Dies gilt insbesondere für die Verwendung von KI-Algorithmen, die in Deep Learning- und Generative Adversarial Network (GAN) -Anwendungen inhärent unerklärlich sind.

Erklärbarkeit ist ein potenzieller Stolperstein für den Einsatz von KI in Branchen, die strengen regulatorischen Compliance-Anforderungen unterliegen. Beispielsweise unterliegen Finanzinstitute in den Vereinigten Staaten Vorschriften, nach denen sie ihre Entscheidungen zur Kreditvergabe erläutern müssen. Wenn eine Entscheidung zur Ablehnung von Krediten jedoch durch KI-Programmierung getroffen wird, kann es schwierig sein zu erklären, wie die Entscheidung getroffen wurde, da die KI-Tools, mit denen solche Entscheidungen getroffen werden, subtile Korrelationen zwischen Tausenden von Variablen aufdecken. Wenn der Entscheidungsprozess nicht erklärt werden kann, kann das Programm als Black Box AI bezeichnet werden.

Trotz potenzieller Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von KI-Tools, und wo Gesetze existieren, beziehen sie sich in der Regel indirekt auf KI. Zum Beispiel, wie bereits erwähnt, verlangen die Fair Lending Regulations der Vereinigten Staaten von Amerika, dass Finanzinstitute potenziellen Kunden Kreditentscheidungen erklären. Dies begrenzt das Ausmaß, in dem Kreditgeber Deep-Learning-Algorithmen verwenden können, die von Natur aus undurchsichtig und nicht erklärbar sind.

Die Datenschutz-Grundverordnung (DSGVO) der Europäischen Union setzt der Verwendung von Verbraucherdaten durch Unternehmen strenge Grenzen, was die Schulung und Funktionalität vieler KI-Anwendungen für Verbraucher behindert.

Im Oktober 2016 veröffentlichte der National Science and Technology Council einen Bericht, in dem die mögliche Rolle staatlicher Regulierung bei der KI-Entwicklung untersucht wurde.

Gesetze zur Regulierung der KI zu erlassen, wird nicht einfach sein, zum Teil, weil KI eine Vielzahl von Technologien umfasst, die Unternehmen für verschiedene Zwecke einsetzen, und zum Teil, weil Vorschriften auf Kosten des Fortschritts und der Entwicklung der KI gehen können. Die rasante Entwicklung der KI-Technologien ist ein weiteres Hindernis für eine sinnvolle Regulierung der KI. Technologische Durchbrüche und neuartige Anwendungen können bestehende Gesetze sofort obsolet machen. Zum Beispiel decken bestehende Gesetze, die den Datenschutz von Gesprächen und aufgezeichneten Gesprächen regeln, nicht die Herausforderung von Sprachassistenten wie Amazons Alexa und Apples Siri ab, die Konversationen sammeln, aber nicht verteilen – außer an die Technologieteams der Unternehmen, die sie verwenden, um Algorithmen für maschinelles Lernen zu verbessern. Und natürlich hindern die Gesetze, die Regierungen zur Regulierung der KI erlassen, Kriminelle nicht daran, die Technologie mit böswilliger Absicht zu nutzen.

Cognitive Computing und KI

Die Begriffe AI und Cognitive Computing werden manchmal synonym verwendet, aber im Allgemeinen wird das Label AI in Bezug auf Maschinen verwendet, die die menschliche Intelligenz ersetzen, indem sie simulieren, wie wir Informationen in der Umgebung wahrnehmen, lernen, verarbeiten und darauf reagieren.

Das Label Cognitive Computing wird in Bezug auf Produkte und Dienstleistungen verwendet, die menschliche Denkprozesse nachahmen und erweitern.

Was ist die Geschichte der KI?

Das Konzept unbelebter Objekte, die mit Intelligenz ausgestattet sind, gibt es seit der Antike. Der griechische Gott Hephaistos wurde in Mythen als Schmieden roboterähnlicher Diener aus Gold dargestellt. Ingenieure im alten Ägypten bauten Götterstatuen, die von Priestern belebt wurden. Im Laufe der Jahrhunderte verwendeten Denker von Aristoteles über den spanischen Theologen Ramon Llull aus dem 13.Jahrhundert bis hin zu René Descartes und Thomas Bayes die Werkzeuge und Logik ihrer Zeit, um menschliche Denkprozesse als Symbole zu beschreiben und den Grundstein für KI-Konzepte wie die allgemeine Wissensrepräsentation zu legen.

Das späte 19. und die erste Hälfte des 20.Jahrhunderts brachten die grundlegende Arbeit hervor, die den modernen Computer hervorbringen sollte. Im Jahr 1836 erfanden der Mathematiker der Universität Cambridge, Charles Babbage, und Augusta Ada Byron, Gräfin von Lovelace, das erste Design für eine programmierbare Maschine.

Der Princeton-Mathematiker John Von Neumann konzipierte in den 1940er Jahren die Architektur für den Computer mit gespeicherten Programmen – die Idee, dass das Programm eines Computers und die von ihm verarbeiteten Daten im Speicher des Computers gespeichert werden können. Und Warren McCulloch und Walter Pitts legten den Grundstein für neuronale Netze.

1950er Jahre. Mit dem Aufkommen moderner Computer konnten Wissenschaftler ihre Vorstellungen von Maschinenintelligenz testen. Eine Methode zur Bestimmung, ob ein Computer Intelligenz hat, wurde vom britischen Mathematiker und Code-Breaker des Zweiten Weltkriegs Alan Turing entwickelt. Der Turing-Test konzentrierte sich auf die Fähigkeit eines Computers, Vernehmer zu täuschen, zu glauben, dass seine Antworten auf ihre Fragen von einem Menschen gemacht wurden.

1956. Das moderne Feld der künstlichen Intelligenz wird weithin als Beginn dieses Jahres während einer Sommerkonferenz am Dartmouth College zitiert. Die von der Defense Advanced Research Projects Agency (DARPA) gesponserte Konferenz wurde von 10 Koryphäen auf diesem Gebiet besucht, darunter die KI-Pioniere Marvin Minsky, Oliver Selfridge und John McCarthy, dem die Prägung des Begriffs künstliche Intelligenz zugeschrieben wird. Ebenfalls anwesend waren Allen Newell, ein Informatiker, und Herbert A. Simon, ein Ökonom, Politikwissenschaftler und Kognitionspsychologe, der seinen bahnbrechenden Logiktheoretiker vorstellte, ein Computerprogramm, das bestimmte mathematische Theoreme beweisen kann und als erstes KI-Programm bezeichnet wird.

1950er und 1960er Jahre. Im Zuge der Konferenz des Dartmouth College sagten Führungskräfte auf dem noch jungen Gebiet der KI voraus, dass eine künstliche Intelligenz, die dem menschlichen Gehirn entspricht, um die Ecke steht und große Unterstützung von Regierung und Industrie auf sich zieht. In der Tat haben fast 20 Jahre gut finanzierter Grundlagenforschung bedeutende Fortschritte in der KI erzielt: Zum Beispiel veröffentlichten Newell und Simon in den späten 1950er Jahren den General Problem Solver (GPS) -Algorithmus, der komplexe Probleme nicht lösen konnte, aber den Grundstein für die Entwicklung anspruchsvollerer kognitiver Architekturen legte; McCarthy entwickelte Lisp, eine Sprache für die KI-Programmierung, die bis heute verwendet wird. Mitte der 1960er Jahre entwickelte MIT-Professor Joseph Weizenbaum ELIZA, ein frühes Programm zur Verarbeitung natürlicher Sprache, das den Grundstein für heutige Chatbots legte.

1970er und 1980er Jahre. Aber die Errungenschaft der künstlichen allgemeinen Intelligenz erwies sich als schwer fassbar, nicht unmittelbar bevorstehend, behindert durch Einschränkungen in der Computerverarbeitung und im Speicher und durch die Komplexität des Problems. Regierung und Unternehmen zogen sich von ihrer Unterstützung der KI-Forschung zurück, was zu einer Brache von 1974 bis 1980 führte und als erster “KI-Winter” bekannt war.” In den 1980er Jahren lösten die Erforschung von Deep-Learning-Techniken und die Übernahme von Edward Feigenbaums Expertensystemen durch die Industrie eine neue Welle der KI-Begeisterung aus, gefolgt von einem weiteren Zusammenbruch der staatlichen Finanzierung und der Unterstützung durch die Industrie. Der zweite KI-Winter dauerte bis Mitte der 1990er Jahre.

1990er Jahre bis heute. Zunehmende Rechenleistung und eine Explosion von Daten lösten Ende der 1990er Jahre eine KI-Renaissance aus, die die Zeit bis heute andauert. Der jüngste Fokus auf KI hat zu Durchbrüchen in der Verarbeitung natürlicher Sprache, Computer Vision, Robotik, maschinellem Lernen, Deep Learning und mehr geführt. Darüber hinaus wird KI immer greifbarer, treibt Autos an, diagnostiziert Krankheiten und festigt ihre Rolle in der Populärkultur. 1997 besiegte IBMs Deep Blue den russischen Schachgroßmeister Garry Kasparov und wurde damit das erste Computerprogramm, das einen Schachweltmeister besiegte. Vierzehn Jahre später fesselte IBMs Watson die Öffentlichkeit, als es zwei ehemalige Champions in der Spielshow Jeopardy besiegte!. In jüngerer Zeit hat die historische Niederlage des 18-fachen Go-Weltmeisters Lee Sedol durch AlphaGo von Google DeepMind die Go-Community verblüfft und einen wichtigen Meilenstein in der Entwicklung intelligenter Maschinen markiert.

KI als Dienstleistung

Da Hardware-, Software- und Personalkosten für KI teuer sein können, nehmen viele Anbieter KI-Komponenten in ihre Standardangebote auf oder bieten Zugang zu AIAS-Plattformen (Artificial Intelligence as a Service). AIaaS ermöglicht es Einzelpersonen und Unternehmen, mit KI für verschiedene Geschäftszwecke zu experimentieren und mehrere Plattformen zu testen, bevor sie eine Verpflichtung eingehen.

Beliebte KI-Cloud-Angebote umfassen Folgendes:

• Amazon AI
• IBM Nissatson Assistant
• Microsoft Cognitive Services
• Google AI