14 01 | 2019 lige
14 01 | 2019 lige Geschäftsmodell spielt. Allerdings wird hier der Begriff KI relativ eng gefasst im Sinn von maschinellem Lernen. KI über die verwendeten Methoden zu definieren, ist ein möglicher Ansatz, und der Einsatz von neuronalen Netzen als wesentlichem Bestandteil einer Problemlösung deutet sicher auf ein KI-System im Sinne der schwachen KI hin. Wenn man hier etwas abstrahiert, kommt man von den neuronalen Netzen schnell zum Begriff des maschinellen Lernens, der etwas weiter gefasst ist und weitere Methoden umfasst, wie z. B. das Lernen von Entscheidungsbäumen oder in erweiterter Form die Random Forests. Entwicklung der Expertensysteme Maschinelles Lernen stellt in der Geschichte der KI aber nur einen Zweig dar. Gerade am Anfang der KI stehen vor allem Ansätze, die sich mit der Abbildung von Wissen beschäftigten – zum einen durch das Abbilden von Fakten oder strukturierten Beschreibungen der Umwelt eines Systems und zum anderen durch Abbildung von Zusammenhängen in Regeln. Die logische Programmiersprache Prolog (1972) ist ein bekannter Vertreter dieses Ansatzes. Später wurden komplexe Expertensystem-Umgebungen entwickelt, in denen man Regeln und Fakten strukturiert „programmieren“ konnte. Die ersten Entwicklungen im Bereich Expertensysteme erfolgten bereits 1965 durch Edward Feigenbaum. Expertensysteme werden daher auch als erste erfolgreiche KI-Systeme genannt. Eine größere Verbreitung erreichten Expertensysteme erst in den 1980er-Jahren, als kommerzielle Systeme zur Erstellung von Expertensystemen auf den Markt kamen (wie z. B. 1983 KEE von IntelliCorp). Einige Expertensysteme, wie z. B. MYCIN zur Berechnung von Antibiotika-Dosierungen, erreichten dabei durchaus Ergebnisse, die denen menschlicher Experten entsprachen. Der Ansatz, KI mithilfe logischer Schlussfolgerungen zu realisieren, wurde später erweitert – von der klassischen zweiwertigen Logik über mehrwertige Logiken bis hin zur Fuzzy-Logik, die in den 1990er-Jahren stark im Fokus stand. Inzwischen sind Expertensysteme weitestgehend aus der öffentlichen Wahrnehmung verschwunden und dafür selbstlernende Systeme in den Blickpunkt gerückt. Neben diesen beiden methodischen Herangehensweisen an die KI gab und gibt es aber auch weitere Methoden, wie z. B. Support Vector Machines, Cluster-Algorithmen oder auf statistischen Methoden beruhende Algorithmen, die Grundlage von KI-Lösungen sind. Neben der Definition der KI über die verwendeten Methoden kann man KI auch über die Anwendungen definieren, für die KI-Methoden einzeln oder in Kombination eingesetzt werden. Das geht in Richtung der Intention des Turing-Tests, da hier Anwendungen als KI-Anwendungen klassifiziert werden, wenn sie ein für Menschen komplexes Problem lösen. Moderne Assistenzsysteme Digitale Assistenten sind hier ein aktuelles Anwendungsbeispiel. Von Chat-Bots bis hin zu Siri, Alexa und Co. findet KI heute in der Kommunikation mit Kunden bereits breite Anwendung. Weitere Anwendungsmöglichkeiten ergeben sich in der Bildverarbeitung, z. B. im Bereich des autonomen Fahrens, wenn es darum geht, andere Verkehrsteilnehmer oder Hindernisse zu erkennen. In diesem Kontext werden häufig auch mehrere Methoden miteinander kombiniert, um die Anforderungen zu erfüllen. So muss bei einem digitalen Assistenten in der Kommunikation zunächst mittels Spracherkennung und Interpretation die Absicht des Kommunikationspartners ermittelt, danach eine Antwort konstruiert und diese auch noch in verständlicher Form zurück übermittelt werden. Ganz ähnlich müssen beim autonomen Fahren zunächst die Umwelt erkannt und zusammen mit dem Fahrtziel daraus Handlungsaktionen abgeleitet werden, die dann konkret an eine Steuerung übertragen werden können. Abstrahiert man diese Schritte innerhalb von Anwendungsklassen kommt man zu den Problemklassen, mit denen sich KI klassisch auseinandersetzt. Hier gibt es durchaus unterschiedliche Unterteilungen, aber einige grundlegende Problemklassen finden sich immer wieder. Bei der Klassifikation oder auch Diagnostik besteht das Problem in der Auswahl einer Alternative aus einer Menge vorgegebener Alternativen. Eine beliebte Benchmark für selbstlernende Systeme ist die Klassifikation des ImageNet Datensatzes, der aus ca. 14 Mio. Bildern besteht, die in etwa 20.000 Kategorien eingeteilt sind. Im Gegensatz zur Klassifikation mit vorgegebenen Klassen versucht man beim Problem Clustering, Ähnlichkeitsstrukturen mittels Methoden der Clusteranalyse zu finden. Wenn ein System Aktionen ausführen soll, dann fällt dies unter die Problemklasse Konstruktion; dabei wird eine Lösung für ein Problem aus vorhandenen Aktionsmöglichkeiten zusammengesetzt, im Fall des autonomen Fahrens dann z. B. Lenkradeinschlag, Beschleunigung und Bremsverhalten. Damit ein auto-
01 | 2019 15 nomes Fahrsystem aber richtig reagieren kann, muss es in der Lage sein, Vorhersagen über kommende Fahrsituationen zu treffen. Um ausweichen zu können, muss es abschätzen, wie sich andere Verkehrsteilnehmer bewegen. Damit werden die Problemklassen Vorhersage, Simulation oder Regression tangiert. Robot Process Automation Man kann sich dem Begriff KI also mindestens von drei Seiten nähern: über die Methoden, über die Anwendungen oder über die Problemklassen. Eine einheitliche und genaue Definition lässt sich jedoch nicht finden. Deutlich wird das auch in der Diskussion darüber, ob es sich bei Robot Process Automation (RPA)-Systemen bereits um KI-Anwendungen handelt oder noch um klassische Systeme. Der Einsatz von RPA verspricht einen neuen Ansatz zur Automatisierung von Arbeitsvorgängen über vorhandene Eingabemöglichkeiten, die üblicherweise von Menschen genutzt werden. In vielen Arbeitsbereichen werden Daten von Menschen zwischen unterschiedlichen Systemen übertragen. Das könnte prinzipiell auch automatisiert erfolgen, aber der Aufwand für eine programmatische Lösung ist aus unterschiedlichen Gründen oft nicht vertretbar. Hier setzen RPA-Systeme an, die die vorhandenen Programme und Schnittstellen nutzen, um die Daten zwischen Systemen zu übertragen. Der Einsatz lohnt sich dabei nur dann, wenn die Aufgaben sehr häufig ausgeführt werden und nur in geringen Maßen in ihrem Ablauf variieren, sodass man hier auch von einem klassischen Makro sprechen könnte. Im Sinne des Turing-Tests würde man dies aber auch als KI- System betrachten können, da das RPA-System die Auf gaben eines Menschen übernimmt. Der Einsatz von RPA kann auch in laufenden Prozessen Menschen in ihrer Arbeit unterstützen und effizienter machen, indem etwa Standardaufgaben – wie das Starten eines Programms und das Aufrufen eines Datensatzes – durch RPA im Hintergrund ausgeführt und so Prozesse beschleunigt werden. RPA bietet ein geeignetes Mittel, um manuelle Arbeitsschritte zu ersetzen oder effizienter zu gestalten. Das wirft
