Künstliche Intelligenz (KI): Alles über ChatGPT-3, Dall-E, Machine Learning

1. Was ist Künstliche Intelligenz?

2. Wie lernt eine Artificial Intelligence?

3. Welche KI-Typen gibt es?

4. KI-Teilbereiche – von maschinellem Lernen & Deep Learning

5. Die Geschichte der KI oder die Suche nach ihrem Erfinder

6. Künstliche Intelligenz im Alltag

7. In welchen Branchen wird KI genutzt?

8. KI in der österreichischen Wirtschaft

9. KI-Start-ups in Österreich

10. Welche neuen Geschäftsmodelle können durch KI entwickelt werden?

11. KI-Tools & Software-Lösungen – „Machine Learning as a Service“

12. Vor- und Nachteile der Künstlichen Intelligenz

13. Was versteht man unter Algorithmic bias – wie erkennen und wie damit umgehen?

14. Wie wird sich KI weiterentwickeln?

Was ist eigentlich Künstliche Intelligenz (KI) bzw. Artificial Intelligence (AI)? Hinter dieser vermeintlich einfachen Frage verbirgt sich eine vielschichtige Antwort.

In diesem Artikel soll die Komplexität des Themas zugänglich gemacht und die essenziellen Fragen zum Thema beantwortet werden.

Eine mögliche Antwort auf die Ausgangsfrage könnte lauten:
Unter Künstlicher Intelligenz versteht man eine Vielzahl an unterschiedlichsten Methoden, die es einer Maschine ermöglichen, aus Informationen Wissen zu extrahieren. Mit diesem generierten Wissen werden Probleme gelöst, neues Wissen geschaffen oder Schlussfolgerungen getroffen.

Auch wenn es nicht die eine Definition des KI-Begriffs gibt; so ist eine Annäherung über die unterschiedlichen Typen und Entwicklungsmethoden von KI sinnvoll und hilfreich, um zu verstehen: Was ist KI und wo wird sie eigentlich eingesetzt?

Grundsätzlich wird zwischen zwei Arten von Künstlicher Intelligenz unterschieden:

Schwache KI sind KI-Systeme, die für die Ausführung einer ganz konkreten Aufgabe entwickelt und daraufhin trainiert wurden. Sie besitzen nicht die Fähigkeit, ein umfassendes Verständnis für die Probleme, mit denen sie konfrontiert werden, zu erlangen.

Solche Systeme sind in unserem Alltag schon so sehr integriert, dass wir sie möglicherweise gar nicht mehr dezidiert als KI wahrnehmen. Oder denken Sie bei der Ausspielung von individualisierter Werbung gleich an KI?

Wo sind schwache KI-Systeme u.a. zu finden? Hier einige Beispiele:

• Navigationssysteme

• (Industrie)Roboter

• Digitale Sprachassistenten (wie bspw. Siri oder Alexa)

• Personalisierte Werbung / Empfehlungen

• Bild & Spracherkennung

• Autonome Fahrzeugen

• Vorausschauende Wartung und Analytik

Starke KI-Systeme würden uns Menschen wahrlich Konkurrenz machen. Denn jene Systeme sollen die kognitiven Fähigkeiten des menschlichen Gehirns nachahmen und sogar übertreffen.

Wird eine strong AI mit einem ihr unbekannten Problem konfrontiert, kann sie selbstständig Lösungen finden, indem sie auf Wissen aus den unterschiedlichsten Bereichen zurückgreift und diese flexibel anwendet. „Würden“, „sollen“…Warum der Konjunktiv? Bisher wurde noch keine starke KI entwickelt.

Doch ist eine Entwicklung überhaupt realistisch? Prof. Andreas Stöckl von der FH Oberösterreich trifft folgende Einordnung:

„Ob und wann man von allgemeiner KI (AGI) sprechen kann, ist schwer zu entscheiden. Möglicherweise haben wir zwar noch keine starken KI-Systeme, aber welche, die sich nur mehr schwer von solchen unterscheiden lassen. Macht das dann in der Praxis noch einen Unterschied?“

Eine KI ist immer nur so sensibel wie der Mensch, der sie bedient, bzw. programmiert. Dabei bezieht sich das Wort "sensibel" auf die Daten, die der Artificial Intelligence eingespielt werden.

Dr. Feiyu Xu, Senior Vice President und Global Head of Artificial Intelligence bei SAP, erläutert den Prozess dahinter:

"Lernalgorithmen in KI-Systemen bestehen aus zwei Teilen: einem Grundgerüst, das vom Menschen vorgegeben ist (z. B. in der Form eines Rechennetzwerks oder einer komplexen Formel mit einer bestimmten Struktur), und einer Anzahl von Parametern (oft sehr viele), für die nur ein initialer Wert vorgegeben ist und die im Laufe des Trainings angepasst („gelernt“) werden.

Um nun eine spezifische Fähigkeit oder ein Verhalten zu trainieren, wird das System normalerweise schrittweise mit Beispielen, oft Trainingsdaten genannt, gefüttert. Diese Daten kommen entweder vom Menschen und/oder das System verschafft sich die Daten durch selbstständige (wenn auch vom Menschen methodisch vorgegebene) Interaktion und Messung.

In jedem solchen Trainingsschritt werden die Parameter derart angepasst, dass sich das Verhalten des Systems auf Basis dieser Trainingsdaten verbessert. Das Training wird so lange durchgeführt, bis keine wesentliche Verbesserung mehr eintritt oder wie es die zur Verfügung stehenden Ressourcen erlauben. In der Regel ist das Ergebnis des Trainings umso besser, je mehr Trainingsdaten zur Verfügung stehen.

Das Trainieren eines KI-Systems kann grundsätzlich auch während seines Einsatzes fortgesetzt werden. Der Vorteil ist, dass das System dann seine Fähigkeiten durch die kontinuierlich hinzukommenden Daten immer weiter verbessern kann. Ein Nachteil ist, dass sich das Verhalten wieder verschlechtern kann, etwa durch Fehler beim Lernen. Im schlimmsten Fall kann dies sogar zu kompletten Fehlklassifikationen oder komplettem Fehlverhalten führen. Während heute typischerweise verkörperte KI-Systeme wie Roboter oder Autos nur einmal trainiert werden, sind viele andere KI-Systeme wie Suchmaschinen oder Empfehlungssysteme gerade deshalb so wirkungsvoll, weil sie ständig weiterlernen."

Die wohl bekannteste Typisierung von Künstlicher Intelligenz wurde 2016 von Arend Hintze definiert – seines Zeichens Prof. für Integrative Biologie und Informatik an der Universität Michigan. Hier wird KI in vier verschiedene Typen unterteilt.

Sie erinnern sich an Deep Blue? Den schachspielende Supercomputer von IBM, der Ende der 1990er Jahre den internationalen Großmeister Garri Kasparow besiegte? Ein bekanntes wie auch perfektes Beispiel für den Typus „reaktive Maschinen“.
Reaktive Maschinen würden sich übrigens nicht an Deep Blue erinnern, denn sie haben kein Gedächtnis. Sie agieren rein reaktiv und können frühere Erfahrungen für aktuelle Entscheidungen nicht nutzen.

Dieser Typus lernt aus vergangenen Situationen. Zu finden heute beispielsweise in selbstfahrenden Autos. Sie haben die relevanten Informationen zu ihrer Umgebung: Was ist ein Auto? Was ist ein/e Fußgänger:in? Welche Bedeutung haben die Verkehrsschilder?
Sie beobachten und speichern aber auch weitere Informationen ab – welche Geschwindigkeit haben andere Autos, in welche Richtung fahren sie, etc. Mit diesen Daten weiß die KI wie sie in einer zukünftigen, ähnlichen Situation agieren muss.

Hier beginnt die Zukunftsmusik zu spielen; denn dieser Typus ist der starken KI zuzuordnen und diese wurde noch nicht entwickelt. Doch was würde dahinterstecken? Ein solches KI-System würde über soziale Intelligenz verfügen und menschliche Emotionen verstehen. Diese Art von KI würde uns Menschen „durchschauen“; denn sie wäre rein theoretisch in der Lage, menschliche Absichten zu erkennen und Verhalten vorherzusagen. Solch ein System würde über ein Gedächtnis verfügen und mit wesentlich weniger bereitgestellten Informationen Lernen können.

„Ich denke, also bin ich“, sagt die KI. Dieser KI-Typus entwickelt ein Selbstbewusstsein und kommt damit der menschlichen Intelligenz sehr nahe. Aber wie auch bei Typ 3: Diese Art von KI existiert noch nicht.

Große Mengen an Daten können durch unterschiedliche Lernverfahren – oder Teilbereiche – präzise analysiert und verarbeitet werden. In diesem Zusammenhang wird der Begriff „Maschinelles Lernen“ oftmals mit „Künstlicher Intelligenz“ gleichgesetzt. Doch das Maschinelle Lernen ist lediglich ein Teilbereich der KI. Weitere Teilbereiche sind:

Deep Learning ist eine Unterkategorie des „Machine Learnings“, die sich mit der Entwicklung von neuronalen Netzen beschäftigt. Im Gegensatz zu herkömmlichen neuronalen Netzen, die nur eine oder wenige Schichten haben, bestehen tiefe neuronalen Netze aus mehreren Schichten (daher der auch der Name "Deep"). Dies ermöglicht es, komplexere Muster und Beziehungen in großen Datenmengen zu erkennen und zu erlernen. Deep Learning wird häufig in Anwendungen wie Computer Vision - der Bilderkennung - oder der Spracherkennung genutzt.

Wie der Begriff bereits vermuten lässt, lernt der Computer bei dieser Methode selbstständig, wenn es darum geht, Informationen eigenständig herauszufiltern; heißt: Muster und Zusammenhänge können aus den Daten gezogen werden, ohne dass der Computer dafür explizit programmiert wird. Das Maschinelle Lernen wird in drei Algorithmus-Typen unterteilt:

• Supervised Learning (Überwachtes Lernen) ist die häufigste Form des maschinellen Lernens. Datensätze werden vorab gekennzeichnet, damit der Computer Muster erkennt und Labels für neue Datensätze verwenden kann.

• Unsupervised Learning (Unüberwachtes Lernen) In diesem Fall werden die Daten für den Algorithmus nicht gekennzeichnet. Die Informationen werden aus unstrukturierten Daten extrahiert.

• Reinforcement Learning (Bestärkendes Lernen) Hier spielt das Feedback, das man dem KI-System gibt eine Rolle. Die Datensätze sind vorab nicht gekennzeichnet, doch nach einer Handlung wird das System mit positivem oder negativem Feedback angereichert.

Mit NLP ist es dem Computerprogramm möglich, menschliche Sprache zu verstehen und zu erzeugen. Aktuelle NLP-Ansätze beruhen auf maschinellem Lernen. Zu den NLP-Aufgaben gehören Textübersetzung, Analyse und die Spracherkennung. Ziel ist es, dass das menschliche Gegenüber mit dem Computer kommunizieren kann und durch Sprache Anweisungen erteilen kann.

Diese neuronalen Netzwerke sind dem menschlichen Gehirn nachempfunden. Die Neuronen reagieren auf externe Daten, und lernen permanent dazu.

Diese Technologie verleiht einer Maschine die Fähigkeit zu Sehen. Darf aber nicht mit dem menschlichen Sehprozess gleichgesetzt werden. Das maschinelle Sehen erfasst und analysiert visuelle Informationen mithilfe einer Kamera und einer digitalen Signalverarbeitung.

Die Entwicklung der KI erfolgt bisher in Wellenbewegungen – Insider sprechen hier auch von „AI Summer“, der Periode von Durchbrüchen und großem Enthusiasmus und „AI Winter“, geprägt von Enttäuschungen und Kürzungen von Forschungsgeldern.

Die oft gestellte Frage „Wer hat Künstliche Intelligenz erfunden?“ lässt sich – wenig überraschend – so nicht beantworten. 1956 wurde der Begriff "künstliche Intelligenz" auf einer Konferenz in Dartmouth geprägt; AI wird erstmals eine akademische Disziplin.

Bereits sechs Jahre zuvor – im Jahr 1950 - entwickelte der britische Mathematiker und Informatiker Alan Turing den nach ihm benannten „Turing-Test“. Wenn eine Person in einem (schriftlichen) Dialog nicht erkennen kann, ob sie mit einer Maschine oder mit einem anderen Menschen spricht, kann man von maschineller Intelligenz sprechen, so der Ansatz von Turing.

„Derzeit wird die Entwicklung von starken Verbesserungen der KI-Modelle vor allem im Kontext der Verarbeitung menschlicher Sprache vorangetrieben. Diese fußen auf besseren Algorithmen, größeren verfügbaren Datenmengen zum Training und gestiegener Rechenkapazität. Ein weiterer wichtiger Faktor ist, dass die Systeme mit dem nötigen Wissen im Prinzip von jedem eingesetzt werden können und sich die Technologie damit schnell verbreitet“, sagt FH OÖ Prof. Stöckl.

Die für viele noch wichtigere Frage ist allerdings: Wie wird KI unser Leben verändern? Dazu gibt Stöckl folgende Einschätzung ab:

Andreas Stöckl, Professor für Webentwicklung/Content Management und KI-Experte der FH Oberösterreich

"KI wird unser Leben im Alltag verändern durch neue Funktionen vor allem in digitalen Produkten. So wird ein E-Mail-Programm auf unserem Handy bald einen Knopf haben, mit dem die Antwort vollautomatisch (vor-)formuliert wird. Aber vor allem unser Arbeitsalltag wird sich radikal ändern durch enorm gestiegene Produktivität, mit all ihren positiven und negativen Auswirkungen. Im Bildungswesen werden neue didaktische Ansätze nötig sein, um den geänderten Rahmenbedingungen und Anforderungen gerecht zu werden."

Eingangs wurde schon erwähnt, dass Artifical Intelligence aus unserem Alltag kaum mehr wegzudenken ist (siehe „schwache KI“). Von den genannten Sprachassistenten bis hin zu Streamingdiensten, die personalisierte Vorschläge an ihre Nutzer:innen ausspielen – KI ist fester Bestandteil unseres Alltags.

Weitere Einsatzgebiete aus dem Alltag sind:

• Gesichtserkennung beim Smartphone

• Online-Handel
  + personalisierte Kaufempfehlungen
  + dynamische Preisgestaltung

• Social Media
  + personalisierter Feed
  + Identifizierung und Clustering von (Fake)News

• E-Mails & Kurznachrichten
  + Rechtschreibprüfung
  + Spam-Filter

• Google-Suchmaschine
  + Suchergebnisse
  + personalisierte Werbeanzeigen

• Digitale Sprachassistenten (Alexa, Siri, etc.)

• Smart-Home-Geräte

• Streamingdienste

Und außerhalb der eigenen vier Wände? Artificial Intelligence (AI) ist besonders relevant für jene Bereiche, in denen fortgeschritten Fertigungstechnologien und Schlüsseltechnologien eingesetzt werden. Sektoren mit hoher Produktivität und einem hohen Grad an technologischer Einbettung und Digitalisierung.

Der Informatiker und KI-Experte Andrew Y. Ng streicht im 2019 erschienen WIPO-Report zudem die Wertschöpfung heraus: „Es ist davon auszugehen, dass in den nächsten fünf Jahren, der Einsatz von KI in den verschiedensten Branchen – insbesondere außerhalb der Software-Industrie – das globale BIP-Wachstum massiv antreiben wird.“

Nachfolgend eine Auswahl, wie KI bereits in den unterschiedlichsten Branchen genutzt wird:

Künstliche Intelligenz wird hier vor allem bei der Diagnose und Auswertung von Patient:innendaten eingesetzt. Diagnosen sollen präziser und schneller gestellt werden. Eine der bekanntesten Technologien im Gesundheitswesen ist IBM Watson. Es versteht natürliche Sprache und kann auf Fragen antworten, die ihm gestellt werden. Der Supercomputer wertet zudem Patient:innendaten und andere verfügbare Daten aus, um eine Hypothese zu bilden.

Aber auch virtuelle Online-Gesundheitsassistenten und Chatbots sollen Patient:innen Informationen zu ihren medizinischen Anfragen geben. Neben der Verbesserung in der medizinischen Betreuung, spielt KI auch bei der Kostensenkung in dem Bereich eine Rolle.

Wie bereits erwähnt, wird KI auch im (Online)Handel verwendet. Der Schwerpunkt liegt hier im Bereich des Marketing und individueller Kundenempfehlungen. Aber auch im stationären Handel kommt KI zum Einsatz – wie beispielsweise bei Bezahlsystemen – Stichwort: Self Checkin/Checkout. Bei der Sortimentgestaltung und der dynamischen Preisoptimierung mischt KI ebenfalls mit.

Trading ohne KI? Kaum noch vorstellbar. Einen Großteil des Handels an den Börsen wird durch KI-Software abgewickelt. Versicherungen und Banken setzen auf KI, wenn es um die Vereinfachung von komplexen Risikobewertungen geht oder um Entscheidungsunterstützungen. Auch bei der Betrugserkennung wird KI eingesetzt.

Transaktionen werden automatisiert abgewickelt, der Kund:innen-Service wird via Chatbots oder ähnlichem angereichert, Investitionen mittels KI analysiert. Und Kredite? Banken nutzen KI-Lösungen auch für Entscheidungsfindungen bei der Kreditvergabe oder um Kreditlimits festzulegen.

Hier werden KI genutzt, um Verwaltungsprozesse zu optimieren und um die Leistung von Behörden zu verbessern.

Ähnlich wie im öffentlichen Sektor geht es hier hauptsächlich um die Optimierung von Prozessen. Das Sichten großer Daten bzw. Dokumentenmengen wird von der KI unterstützt – es geht um eine Automatisierung der arbeitsintensiven Prozesse. Auch in Verfahren werden standardisierte Prozesse teilweise bereits von Künstliche Intelligenzen übernommen.

Mensch und Roboter arbeiten in Fabriken und Fertigungshallen oftmals schon nebeneinander. Arbeitsprozesse werden optimiert, Kosten reduziert.

Automatisierte Lager, Effizienzsteigerung in Lieferketten, der Einsatz autonomer Fahrzeuge, die Optimierung des Verkehrs – all das sind Fallbeispiele, bei denen die KI die Logistik und den Transport sicherer und effizienter machen soll.

Im Kleinen denkt man an den Smart Meter Zuhause. In einem größeren Kontext an die Steuerung von Stromnetzen, der Versorgungssicherheit oder der Integration erneuerbarer Energien.

Auch in der Landwirtschaft sind KI-Systeme bereits im Einsatz. Ob es nun der Fütterungsroboter ist oder die Landmaschine, die Arbeitsprozesse selbständig optimieren kann. Auch die Verarbeitung von Daten unterstützt den Landwirt oder die Landwirtin bei der Entscheidungsfindung und dient der Qualitätssicherung.

In der öffentlichen Sicherheit wird KI genutzt, um kriminelle Aktivitäten zu überwachen, frühzeitig zu erkennen, die Einsatzplanung von Polizei und Rettungskräften zu optimieren und Cyberangriffe abzuwehren.

Künstliche Intelligenz spielt bei der Entwicklung von autonomen Waffensystemen eine große Rolle. So können Waffensysteme eigenständig Entscheidungen treffen und ihre Treffsicherheit optimieren. Auch bei der Konnektivität – sprich der Vernetzung – der jeweiligen Systeme ist KI essentiell.

Im Jahr 2021 wurde der Einsatz von KI-Lösungen in der heimischen Wirtschaft erstmalig erhoben. Alle wesentlichen Informationen sind ausführlich im Bericht der Statistik Austria nachzulesen (hier geht es zum Bericht) Die wichtigsten Erkenntnisse daraus:

• Fast jedes zehnte Unternehmen in Österreich nutzte Technologien, die auf Künstlicher Intelligenz basieren (9 %).

• Die Unternehmensgröße schien dabei eine wichtige Rolle zu spielen. Während erst 7 % der kleinen und 15 % der mittelgroßen Unternehmen KI-Technologien einsetzten, hatten bereits 32 % der großen Unternehmen KI-Technologien für sich entdeckt.

Österreichs Unternehmen setzten KI-Technologien primär ein, um Texte in geschriebener Form zu analysieren (z. B. für Text Mining, Texterkennung; 56 % der Unternehmen mit KI-Technologien), sowie um Daten automatisiert zu analysieren (z. B. Maschinelles Lernen, Deep Learning; 42 % der Unternehmen mit KI-Technologien). Zudem wurden KI-Technologien genutzt, um Prozesse zu automatisieren oder Entscheidungshilfen zu erstellen (z. B. KI-Software-basierte Robot Process Automation; 29 % der Unternehmen mit KI-Technologien). Diese drei Technologien stellten die häufigsten Zwecke der KI-Nutzung dar.

Für Andreas Stöckl von der FH Oberösterreich nimmt die KI einen hohen Stellenwert in der österreichischen Wirtschaft ein, „ohne die adäquate Verwendung“ sei die „Wettbewerbsfähigkeit nicht mehr gegeben oder wird sie in Zukunft nicht mehr gegeben sein“, so der Experte.

„Wenn 9 % der Unternehmen in Österreich KI-Technologien nutzten, bedeutet dies umgekehrt, dass ein Großteil der Unternehmen bislang keine KI-Technologien für unternehmensbezogene Zwecke im Einsatz hatte“, heißt es in dem Statistik-Austria-Bericht. Die Gründe gegen den Einsatz von KI sind vielfältig:

Stöckl spricht in diesem Kontext von zwei wesentlichen Punkten:

• Aufgeschlossen für Neues sein und alles zu überdenken, was bisher war.

• Schnell und unbürokratisch sein, um mit der rasanten Entwicklung schritthalten zu können.

Vorab sollte man sich, so die Einschätzung von SAP, folgende Fragen stellen, wenn im Unternehmen AI zu Einsatz kommen soll -
"Eine ganzheitliche KI-Strategie ist erforderlich für:

1. Produktstrategie

2. Datenstrategie

3. Talentstrategie

4. Marketing

5. Adoption

6. Vertrauenswürdigkeit und KI-Ethik

In erster Linie sind die Erwartungen des Managements und das Verständnis für KI sowie ein Grundniveau an Datenkenntnissen und die Vertrautheit mit probabilistischen Verfahren eine Voraussetzung."

KI ist auch für Start-ups ein höchst spannendes Thema. Die Zahl der heimischen Start-ups, die sich ganz der Artificial Intelligence und der Entwicklung von KI-Lösungen verschrieben haben, wächst seit Jahren kontinuierlich. Laut dem Wiener Unternehmen enliteAI ist die Zahl der KI-Startups zwischen 2015 und 2020 jährlich um durchschnittlich 20 % gestiegen. Das entspricht ziemlich genau dem Niveau anderer internationaler KI-Ökosysteme, vergleichbar wäre etwa Kanada. In den letzten Jahren hat sich das Wachstum allerdings etwas verlangsamt und bei 5 bis 10 % stabilisiert. Insgesamt gelten österreichweit rund 170 Unternehmen als KI-Start-ups.“

Die Branchenvielfalt ist dabei sehr groß. KI-Start-ups sind in den Bereichen der Landwirtschaft bis hin zur Mode vertreten. Einige Beispiele sind:

• Anyline Mobile Scanning Datenerfassung via Smartphone

• avl list Bereich Automobil & Mobilität

• Diagnosia Gesundheit & MedTech

• Dynatrace Bereich Big Data

• Farmdok Bereich Landwirtschaft

• Kompany Internationale Firmenbuch-Auskunft & FinTech

• Medicus AI Gesundheit & MedTech

• Sclable Industrie & Robotik

• SmaXtec Bereich Landwirtschaft

• Storyclash Markt - & Medien-Analyse

• Tricentis Bereich Big Data

• TTTech Bereich Automobil & Mobilität

• 506 Bereich MarTech

Start-ups, Early Adopters, Ökosysteme: Österreichische KI-Unternehmen und Cluster

Die zunehmende Verbreitung von Künstlicher Intelligenz beeinflusst seit einigen Jahren auch die Geschäftsmodelle von Unternehmen Andreas Stöckl erklärt:

„Jegliche Prozesse, die digitale Daten verarbeiten, und kognitive Fähigkeiten benötigen, die bisher nur von Menschen zu bewältigen waren, können neu überdacht werden, da sie nun jetzt schon oder in naher Zukunft von Maschinen schneller, billiger und zum Teil mit weniger Fehlern erledigt werden können. Das kann typische Sachbearbeiter Tätigkeit sein, aber auch Prozesse, die wir bisher für kreativ gehalten haben, zum Beispiel in Werbeagenturen. Daraus ergeben sich Möglichkeiten für Geschäftsmodelle, an die wir bisher noch nicht gedacht haben. Es ist schwer, vorherzusagen, auf welche Ideen die Menschen damit kommen."

Einer der Gründe, warum Unternehmen hierzulande Künstliche Intelligenz noch verhalten einsetzen, ist der Kostenfaktor. Hardware-, Software- und Personalkosten für KI können teuer sein; daher greifen Unternehmen auch oftmals auf externe Anbieter zurück, die KI-Komponenten in ihre Standardangebote integriert haben oder Cloud-basierte Angebote bereitstellen.

Zu den bekanntesten AI-Cloud-Angeboten gehören unter anderem:

• Google AI

• IBM Watson Assistent

• AI-Dienste von Microsoft

• Amazon AI / AWS

Stichwort Microsoft – Das Unternehmen gehört zu den wichtigsten Finanziers von OpenAI. Jenem Start-up, das sich für Produkte wie ChatGPT oder GPT-3 verantwortlich zeichnet. Bei beiden Diensten handelt es sich um Sprachmodelle. Ein Kurzer Vergleich:

Wie der Name bereits vermuten lässt, steht hier die „Chat-Funktion“ im Vordergrund. Das Sprachmodell ist in der Lage, Aufforderungen in natürlicher Sprache zu verstehen und darauf zu reagieren. ChatGPT kann für eine Vielzahl von Aufgaben eingesetzt werden – wie Beispielsweise zur Beantwortung von Fragen, zum Schreiben von Codes oder zur Fehlerbehebung in ebensolchen.

Wichtig zu erwähnen ist, dass es sich bei ChatGPT nicht um eine Suchmaschine handelt – u.a. auch weil eine aktive Verbindung mit dem Internet nicht gegeben ist.

Was macht den aktuellen Hype um OpenAI/ChatGPT aus? Eine Frage, die Experte Stöckl wie folgt beantwortet:

„Einerseits hat die dahinterliegende Technologie der Verarbeitung natürlicher Sprache in den letzten Jahren enorme Fortschritte gemacht, sodass sie jetzt beginnt brauchbare Resultate zu liefern. Wir setzen genau die hinter ChatGPT liegenden Modelle in den letzten beiden Jahren sehr erfolgreich in Forschungs- und Industrieprojekten ein, aber das ist nicht in den Fokus der Öffentlichkeit gelangt. Bei ChatGPT kommt dazu, dass es eine Anwendung ist, die für jeden sehr einfach zu bedienen und zugänglich ist, und somit kann jeder mit Internetzugang eigene Erfahrungen machen.“

GPT-3 steht für Generative Pre-trained Transformer 3 und ist das künstliche neuronale Netzwerk-Sprachmodell, auf dem auch ChatGPT aufbaut. Wie der Name verrät handelt es sich dabei eben um ein Modell, das vorab auf die Beantwortung von Fragen trainiert wurde. Fragen, die das System nicht erlernt hat, kann es daher auch nicht beantworten. Das Modell wurde konzipiert, um natürliche Sprache und dessen Struktur abbilden zu können. Essenziell für die Bedienung von GPT-3 ist das sogenannte Prompt-Engineering. Prompts sind jene Informationen, die eingegeben werden müssen, damit das Tool das tut, was von ihm verlangt wird.

Weitere bekannte Text-Tools sind:

• Jasper

• Frase

• Neuroflash

• Simplified

Eine Tool-Auswahl aus dem Bereich Text/Bild:

• DALL-E

• DeepAI

• Stable Diffusion

Mit der fortschreitenden Digitalisierung steigt auch die produzierte Datenmenge. Eine KI kann große Datenmengen viel schneller verarbeitet und genauere Vorhersagen machen, als es ein Mensch könnte. Sicherlich ein grundlegender Vorteil von Künstlicher Intelligenz. Ein wesentlicher Nachteil, der bereits erwähnt wurde (vgl. Gründe gegen einen Einsatz von KI) ist der Kostenfaktor.

Im Folgenden sollen Vor- und Nachteile eines KI-Einsatzes skizziert werden. Die Auflistung erhebt nicht den Anspruch vollständig zu sein – Überschneidungen sind möglich; bspw. der Themenaspekt Sicherheit ist sowohl bei Vor- als auch bei Nachteilen gelistet.

• Datenintensive Aufgaben können schneller, effizienter und tiefgreifender erledigt werden

• KI erschließt das volle Potenzial von Daten

• Optimierung der Produktivität „11 %-37 % ; Geschätzter Anstieg der Arbeitsproduktivität im Zusammenhang mit KI bis 2035“ EP Think Tank 2020

• KI eignet sich gut für detailorientierte Aufgaben – höchste Genauigkeit

• Banale, wiederkehrende Aufgaben können automatisiert werden

• Auswirkungen auf Jobs – neue Jobs können im KI-nahen Bereich entstehen

• Stärkung der Sicherheit

• Teuer

• erfordert umfassendes technisches Fachwissen

• Mangelnde Fähigkeit zur Verallgemeinerung

• Mangel an Fachkräften, die für die Entwicklung von KI-Tools notwendig wären

• Auswirkungen auf Jobs – Laut einem Paper des EU-Parlaments „wird erwartet, dass die Nutzung von KI am Arbeitsplatz zur Einsparung von Arbeitsplätzen führen wird“

• Probleme im Bereich Moral und Ethik (Stichwort: Algorithmic Bias)

• Haftung: Wer ist im Falle von Schäden verantwortlich?

• Umweltbelastung durch Künstliche Intelligenz

• Sicherheitsrisiken

Regulierung von KI bleibt weiterhin ein großes Thema für die Industrie und Technologiekonzerne. Derzeit erarbeitet die Europäische Kommission neue Regelungen für den Umgang mit KI in Europa.

Der oben erwähnte Aspekt „Auswirkungen auf Jobs“ wirft bei vielen die Frage auf „Wird die KI mich ersetzen?“

"In Bereichen, die von kognitiven Routinetätigkeiten bestimmt werden, ist hier die Gefahr die größte“, so Stöckl. „Möglicherweise trifft auch der Spruch zu, der derzeit seine Kreise zieht: “Du wirst nicht durch eine KI ersetzt, sondern durch jemanden der KI verwendet”. Das trifft insbesondere auch auf Softwareentwickler zu, also Leute, die KI Systeme bauen. Jegliche Jobs, die soziale Fähigkeiten benötigen oder handwerkliche sehe ich noch nicht so schnell betroffen.“

Von Seiten des Unternehmens SAP heißt es dazu: "Es besteht immer noch große Ungewissheit über die genauen Auswirkungen der KI auf den Arbeitsmarkt und den Zeithorizont, in dem Veränderungen eintreten werden. Wir halten es für wichtig, ehrlich zu sein und zu sagen, dass wir zwar glauben, dass KI ein unglaubliches Potenzial hat, die Welt besser zu machen und das Leben der Menschen zu verbessern, dass es aber auch immer Menschen gibt und gegeben hat, die vom technologischen Wandel negativ betroffen sind. Wir sind uns aber auch bewusst, dass die Veränderungen, die die KI mit sich bringen wird, höchstwahrscheinlich genauso aussehen werden wie andere große technologische Entwicklungen in der Geschichte (z. B. die industrielle Revolution), bei denen neue Arten von Arbeitsplätzen anstelle der durch die technologischen Entwicklungen ersetzten Arbeitsplätze geschaffen wurden."

"In der Informatik bezeichnet man mit Bias ein Fehlverhalten, das auf einer systematischen Verzerrung beruht", erklärt Dr. Feiyu Xu. "Da das Verhalten von KI-Systemen auf gelernten Zusammenhängen basiert, ist in der Regel die Beschaffenheit der dafür verwendeten Trainingsdaten für den Bias in KI-Systemen ursächlich. Problematisch wird Bias, wenn er zu Diskriminierung im rechtlichen oder moralischen Sinne führt.

Diskriminierung ist nicht immer leicht zu erkennen, speziell wenn sie auf einer Kombination verschiedener expliziter und impliziter Merkmale basiert. Technisch gesehen werden Diskriminierungen über die Berechnung von sogenannten Fairnessmaßen entdeckt. Diese beruhen wiederum auf Qualitätsmaßen der Entscheidungen, die von einer Maschine basierend auf einem Testdatensatz getroffen werden.

Um Diskriminierung zu vermeiden, gibt es grundsätzlich drei mögliche Ansätze:

1. Trainingsdaten um unterrepräsentierte Gruppen erweitern

2. Fairnessmaße als Optimierungsmaß in das Training integrieren

3. Ergebnisse der Ausgabe von KI-Systemen so gewichten, dass die erkannte Diskriminierung ausgeglichen wird."

Was kann KI - Was kann sie nicht?

Eine Einschätzung von FH-Prof. Stöckl: "Eine KI kann besonders gut Routinetätigkeiten, die immer wieder denselben Mustern folgen, und die sie im Rahmen von Daten oder Simulationen in der Vergangenheit gelernt hat. Ein Beispiel wäre die Tätigkeit aus unterschiedlichen Textdatenquellen Inhalte zusammentragen, diese zusammenzufassen, in Beziehung zu setzen, um daraus einen Überblicksartikel zu erstellen (Stichwort “Referate in Schulen”!). Der Umgang mit Menschen sowie alle sozialen Fähigkeiten sind für KI-Systeme keine guten Anwendungsgebiete. Ein Roboter Kindergärtner ist eher eine Horrorvorstellung als ein realistisches Szenario."

Und wie wird sich die KI weiterentwickeln? FH-Prof. Stöckl prognostiziert:

„Noch in diesem Jahr werden Systeme wie ChatGPT erheblich besser werden, und damit für viele neue Anwendungsfälle einsetzbar. Die größte Barriere für den Einsatz sind unsere eigenen Gehirne, die noch in alten Mustern verhaftet sind und daher die Entwicklung bremsen. Wesentlich dafür, ob die Entwicklung mehr positive oder negative Auswirkungen auf unser Leben haben wird, wird sein, welche gesellschaftlichen Rahmenbedingungen geschaffen werden. Was bedeutet enorm gesteigerte Produktivität für unseren Arbeitsalltag und wo landen die dadurch erwirtschafteten Gewinne?“