Suchen

MM-Grundlagen

Künstliche Intelligenz (KI) einfach erklärt – Beispiele & Anwendungen

| Autor: B.A. Sebastian Hofmann

Künstliche Intelligenz (KI) ahmt menschliche Intelligenz nach und verbessert sie sogar. Durch die Technologie entstehen bahnbrechende Einsatzmöglichkeiten.

Firmen zum Thema

AI (Artificial Intelligence beziehungsweise Künstliche Intelligenz) ahmt menschliche Intelligenz nach und verbessert sie sogar noch. Mit der Technologie sind bahnbrechende neue Anwendungen möglich.
AI (Artificial Intelligence beziehungsweise Künstliche Intelligenz) ahmt menschliche Intelligenz nach und verbessert sie sogar noch. Mit der Technologie sind bahnbrechende neue Anwendungen möglich.
(Bild: ©sdecoret - stock.adobe.com)

Um das Thema Künstliche Intelligenz (KI) kommt heute kaum noch jemand herum – egal ob beim Blick in die Tageszeitung oder beim Durchscrollen der Social-Media-Timeline. Das Thema bestimmt den politischen Diskurs und hält Einzug in die alltägliche Arbeitswelt. Der Eindruck, die Technologie wäre noch recht jung, ist dennoch falsch. Geprägt wurde der Begriff KI schon vor über 60 Jahren. An der Definition hat sich nach wie vor nichts geändert.

Was ist Künstliche Intelligenz?

Hier eine kurze Erklärung: Künstliche Intelligenz (englisch: Artificial Intelligence / AI) ist ein Teilgebiet der Informatik. Sie basiert auf einer Familie digitaler Techniken. Ihr Ziel ist es, menschliche Intelligenz nachzuahmen und sogar zu verbessern. In umfangreichen Datensätzen erkennen KI-Algorithmen Muster und ziehen daraus Schlüsse – etwa in Form von konkreten Handlungen oder Empfehlungen an den Menschen. Computer werden damit so programmiert, dass sie eigenständig arbeiten können.

Die wohl wichtigste Teildisziplin der Künstlichen Intelligenz heißt Machine Learning (maschinelles Lernen / ML). Damit sind Verfahren und Computer-Algorithmen gemeint, die sich selber Verhaltensweisen antrainieren können. Ihre Funktionsweise geht deutlich über herkömmliche Wenn-dann-Operationen hinaus: Machine Learning ist echtes Lernen auf Basis von Datensätzen.

Und warum steht das Thema KI / maschinelles Lernen aktuell so prominent auf der Agenda? Ganz einfach: Weil die Voraussetzungen für die Technologie heute so ideal sind wie nie zuvor. Dafür sind drei Entwicklungen verantwortlich:

  • Entwicklung Nummer Eins: Big Data: Die Verfügbarkeit von Daten ist in den letzten Jahrzehnten massiv gestiegen. Alleine von 2017 bis 2018 haben Menschen mehr Daten generiert als sonst in der gesamten Geschichte.
  • Entwicklung Nummer Zwei: Rechenleistung: Computer werden sehr schnell immer leistungsfähiger. Ein raumfüllender Superrechner aus den 90er-Jahren hätte heute nicht mehr die geringste Chance gegen ein iPhone X – und das obwohl das Smartphone nur einen Bruchteil der elektrischen Leistung und des Platzes benötigt.
  • Entwicklung Nummer Drei: Algorithmen: Die Software-Programmierung schreitet heute extrem schnell voran. Entwicklern stehen bessere Tools zur Verfügung als je zuvor.

Die technischen Voraussetzungen für KI-Anwendungen sind also ideal. Kein Wunder, dass die Umsätze im Bereich Künstliche Intelligenz in den nächsten Jahren durch die Decke gehen werden!

Wie funktioniert Künstliche Intelligenz?

Mit Artificial Intelligence hat heute schon fast jeder von uns zu tun. Egal ob Verbraucher Siri, Cortana oder Alexa nutzen: Alle Sprachassistenten machen sich das maschinelle Lernen zunutze. Anwendungsbereiche für die Technik gibt es aber auch in der Industrie und im Gesundheitssektor. Ganz konkret kann KI den Menschen heute schon etwa bei der Erkennung von Tumoren auf Röntgenbildern oder MRT-Abbildungen unterstützen.

Die Funktionsweise der ML-Anwendung bleibt – unabhängig vom Einsatz – gleich. Es geht um drei Schritte:

  • 1. Hochwertige Daten – die Grundlage: Um richtig lernen zu können, braucht KI große Mengen an Daten. Diese müssen vollständig und korrekt sein. Es gilt: Aus je mehr Daten das Programm lernen kann, desto bessere Ergebnisse liefert es.
  • 2. Algorithmus-Training – das Lernen: Jetzt scannt die Software die Daten und trifft auf Basis des selbstlernenden Algorithmus eigene Aussagen. Im Beispiel der Tumorerkennung kommt er etwa zum Ergebnis „auf dem Röntgenbild ist kein Tumor zu erkennen.“
  • 3. Datenabgleich – das Feedback: Ob der Algorithmus mit seiner Einschätzung richtig liegt, ergibt ein Blick in die Metadaten des Datensatzes. Liegt die Machine-Learning-Anwendung falsch, passt Sie ihre Entscheidungsmatrix an – sie lernt für das nächste Mal. Anschließend scannt sie weitere Datensätze – und wird mit jedem Datensatz immer besser.

Einsatzbereiche von KI in Unternehmen

KI bietet für die Industrie erstaunliches Potenzial. Mit ihrer Hilfe können Unternehmen Produkteigenschaften verbessern, die Fertigung effizienter planen und neue Angebote entwickeln. Das produzierende Gewerbe ist deshalb der Wirtschaftszweig mit der größten Einsatzdichte für AI-Anwendungen. In den nächsten fünf Jahren wird es in der Branche eine Bruttowertschöpfung von 31,8 Mrd. Euro geben. Das entspricht einem Drittel des Gesamtwachstums. Jeder dritte Betrieb will schon bis 2020 Künstliche Intelligenz und Machine Learning zur Unterstützung der eigenen Prozesse nutzen.

Die Maschinenbedienung „IntelliGuide“ von Homag ist ein Beispiel für den Einsatz von Machine Learning in der Industrie. Das System reagiert auf Aktionen des Bedieners, erkennt unterschiedliche Bauteile und gibt konkrete Handlungsaufforderungen an den Menschen weiter.

Wozu genau kann die Technologie am besten eingesetzt werden? Zum Beispiel bei der Bildverarbeitung zu Zwecken der Qualitätskontrolle: KI kann helfen, fehlerhafte Werkstücke früh im Produktionsprozess zu erkennen und so die Qualitätsinspektion unterstützen. Beschädigte Bauteile werden aussortiert, bevor sie in weitere Fertigungsschritte gelangen. Eine weitere Anwendung liegt in der Prozessoptimierung. Machine-Learning-Technologie kann Zusammenhänge zwischen der Fertigungsleistung und Einflussgrößen wie Druck, Feuchtigkeit, Uhrzeit und so weiter erlernen. So können Computer schon jetzt Kausalitäten ermitteln, die dem Mensch bis dato nicht bekannt waren – und damit die Produktion erfolgreicher machen.

In sieben Schritten zum erfolgreichen Machine-Learning-Projekt

Nur 15 % der kleinen und mittleren Unternehmen und ein Viertel der Großbetriebe setzen bereits KI-Technologie ein. Das ist schade, denn der Weg zur ersten eigenen AI-Anwendung beinhaltet nur sieben Schritte:

  • 1. Schritt: eine Vision haben. Die Grundvoraussetzung für jedes erfolgreiche KI-Projekt ist ein ehrliches Interesse am Thema. Das klingt banal, hat aber einen wichtigen Hintergrund: Ein offenes Mindset ist wichtig, um sich das nötige Wissen anzueignen und den Kontext kommender Fragen in der Produktion zu verstehen.
  • 2. Schritt: den richtigen Use Case bestimmen. Ideal für KI-Projekte sind Anwendungen, bei denen ein detailliertes Wissen notwendig ist. Wichtig: Dazu müssen Ihnen Daten in ausreichender Menge und Qualität zur Verfügung stehen. Fangen Sie am besten mit einem klein dimensionierten Case an.
  • 3. Schritt: auf die Abnehmer zugehen. Holen Sie so bald wie möglich Ihre Kunden mit ins Boot! Sie sollten nicht warten, bis diese auf Sie zukommen. Zeigen Sie Eigeninitiative und klopfen Sie potenzielle Einsatzmöglichkeiten für KI-Projekte zusammen mit diesen Kunden ab.
  • 4. Schritt: inhouse oder extern? Analysieren Sie Ihr Know-how bezogen auf die konkrete Anwendung. Haben Sie keinen eigenen Datenspezialist, sollten Sie externe Unterstützung suchen. Nehmen Sie sich für die Auswahl Zeit, hören Sie sich um und vertrauen Sie auf Empfehlungen: Die notwendige Aufbereitung der Daten macht oft bis zu 80 % des gesamten Projekts aus. Da sollten Sie nur mit den Besten zusammenarbeiten.
  • 5. Schritt: die Datenlage klären. Verschaffen Sie sich einen Überblick über Ihre Datenquellen. Erstellen Sie eine Datenlandkarte, die erfasst, wo und in welcher Form Unternehmensdaten aufbewahrt werden. Beachten Sie: Jeder Algorithmus ist nur so gut wie seine Datengrundlage. Klären Sie außerdem unbedingt ihre Verpflichtung bezüglich personenbezogener Daten ab. Verstöße gegen die DSGVO werden schnell teuer.
  • 6. Schritt: eine Bewertungsgrundlage festlegen. In der Industrie sind Sie vor allem quantitative Aussagen gewohnt – beispielsweise bei Mess- und Produktionssystemen. Das Feld Machine Learning basiert allerdings zudem auf menschlichen Eindrücken und Erlebnissen, also auf subjektiven und qualitativen Kenngrößen. Für Ihre Lerndaten bedeutet das: Legen Sie klare Bewertungskriterien fest, zum Beispiel „gut / schlecht“ oder „valide / nicht valide“. Ungenaue Lerndaten führen zu einem ungenauen Ergebnis der Künstlichen Intelligenz.
  • 7. Schritt: die Technologie arbeiten lassen. Spielen Sie Ihre Daten jetzt in die Software ein. Die AI-Algorithmen sind in der Regel frei verfügbar. Als Open Source finden Sie sie bei Cloud-Anbietern oder auf Plattformen wie Github. Übertragen Sie die ausgelernte KI-Anwendung nun auf den Prozessrechner Ihrer Maschine. Wenn Ihre Anlage älter ist und noch keinen Industrierechner hat: Führen Sie ein Retrofit durch.

Experten raten Industrieunternehmen, sich dem Thema Künstliche Intelligenz rasch zu widmen. Der Konkurrenzdruck auf dem Markt für Machine Learning wird nämlich noch deutlich steigen. Bis 2025 könnten Betriebe zu Ihren stärksten Mitbewerbern gehören, die Sie heute noch gar nicht auf dem Schirm haben!

Weitere Quellen zum Thema Künstliche Intelligenz

Wenn Sie sich noch tiefer mit KI beschäftigen wollen, werden Sie hier fündig:

  • In seinem AI-Podcast widmet sich das Team von T3N der Technologie ausführlich. Vom Blick auf die politische Debatte bis hin zu Interviews von Technikexperten ist alles dabei.
  • In unserem Themenkanal Machine Learning finden Sie spannenden Artikel zu Anwendungen im Bereich der Künstlichen Intelligenz (KI) in der Industrie.
  • In ihrem Podcast „KI in der Industrie“ beleuchten Robert Weber und Peter Seeberg die Voraussetzungen und Einsatzmöglichkeiten von Künstlicher Intelligenz in Unternehmen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45954822)

Über den Autor

B.A. Sebastian Hofmann

B.A. Sebastian Hofmann

Journalist, Vogel Communications Group