Berliner Wirtschaft Juni 2020

Merkmale extrahieren Modell Vorhersagen Daten aufbereiten Modell trainieren Testdaten telt werden, das systematisch unterschieden werden kann. Dieses Grundprinzip lässt sich fast beliebig übertragen, wenn entsprechende Daten vorliegen, etwa aus Sensoren oder digi- talen Prozessen. Maschinenlernen, neuronale Netze & Co. Künstliche Intelligenz ist ein Sammelbegriff für viele verschiedene spezifische Verfah- ren wie Expertensysteme, Maschinenlernen, Sprach- und Bilderkennung. In der öffentli- chen Debatte dominiert häufig das verklärte Bild der menschenähnlichen „starken KI“, die beliebige Probleme autonom lösen kann. Tat- sächlich wirtschaftlich relevant ist derzeit jedoch nur die hoch spezialisierte „schwache KI“, die jeweils nur eine ganz bestimmte Auf- gabe lösen kann. Kann ein solcher „Fachidi- oten-Algorithmus“ beispielsweise mit beein- druckender Sicherheit Bilder von Gesichtern einzelnen Personen zuordnen, wird er jedoch nicht Schach spielen lernen – egal, wie viele Bilder von Schachzügen ihm eingespeist wer- den. ImVergleich zu klassischen IT-Lösungen folgt das KI-System bei der Problemlösung jedoch nicht stumpf vorprogrammierten Ent- scheidungskriterien, sondern ermittelt diese Kriterien – innerhalb eines klar abgesteckten Rahmens – selbst. Algorithmen auf die Finger schauen Derzeit sind die Ergebnisfindungsprozesse bei der Nutzung von neuronalen Netzen für Men- schen aufgrund der Vielzahl der einbezogenen Faktoren und Kombinationen kaumnachvoll- ziehbar. Gleichzeitig sind neuronale Netze für zahlreiche Aufgabenstellungen jedoch die leis- tungsstärkste Methode innerhalb der künstli- chen Intelligenz. Während dieses Dilemma bei unkritischen und leicht revidierbaren Anwen- dungen (beispielsweise bei der Sortierung von Paketen) unproblematisch erscheint, ist eine solche „Black Box“ etwa bei der folgenreichen Bewilligung von Krediten deutlich kritischer. In solchen Anwendungsfällen ist das Offen- legen des Entscheidungswegs des neuronalen Netzes wenig hilfreich, da er für Menschen nur schwer zu verstehen ist. Stattdessen ist Erklär- barkeit, also die Entscheidung der KI an sich plausibel zu machen, ein wichtiger Baustein für Vertrauen in künstliche Intelligenz. ■ Maschinenlernen Das Grundprinzip basiert auf aufbereiteten Daten, deren Merkmale ein Modell generieren. Dessen Testergebnisse bilden wiederum die Grundlage für weitere Vorhersagen Möglichkeiten ➜ Anpassungs- und lernfähige Maschi- nen und Verfahren ➜ sich selbst verbessernde Entschei- dungsunterstützung ➜ Werkzeuge für Wissensarbeit und -gewinnung Wagnisse ➜ Beherrschung komplexer Maschinen und Verfahren ➜ Interpretation theoriefreier Analysen ➜ Zuschreibung von Verantwortung bei KI-Nutzung Künstliche Intelligenz Pro und Contra: Wie jede neue Technologie birgt auch diese nicht nur enorme Chancen und großes Innovationspotenzial, sondern sie ist auch mit einigen Risiken verbunden Grafik: BW Quelle: ÖFIT BEGRIFFLICHE VERORTUNG Künstliche Intelligenz Big Data Maschinenlesbarkeit Maschinenlernen Erfassung komplexer Situationen Lernfähigkeit in variablem Umfeld Komfortable Interaktionen Erklärungsfähigkeit Trendschau Die ÖFIT-Trendschau verortet und bewertet neue Themen- landschaften in der öffentlichen IT: oefit.de/trendschau 55 IHK BERLIN  |  BERLINER WIRTSCHAFT 06 | 2020 SERVICE | Digitalisierung