Der Begriff "Künstliche Intelligenz" (KI) beschreibt ein breites Feld in der Informatik und wurde in den 1950er Jahren geprägt. Damals wollten Forscher eine Maschine dazu bringen, sich so zu verhalten, wie es ein intelligenter Mensch tun würde und Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. Dabei wurde auf dem Dartmouth Workshop 1956 die Vermutung formuliert, dass – sinngemäß – jede Eigenschaft von Intelligenz "im Prinzip so präzise beschrieben werden kann, dass eine Maschine hergestellt werden kann, diese zu simulieren".
"Intelligenz" war zu dieser Zeit mit der Verwendung von Sprache, der Entwicklung von Ideen sowie der Fähigkeit, sich selbst zu verbessern und Probleme zu lösen, die ursprünglich "dem Menschen vorbehalten" waren, assoziiert. Weitere Definitionen beinhalten ferner die Fähigkeit, Umgebungsdaten aufzunehmen, zu verarbeiten und als Wissen zu speichern.
Einfach und einprägsam wird auf der Webseite des Europäischen Parlaments KI wie folgt definiert:
Zitat
Künstliche Intelligenz ist die Fähigkeit einer Maschine, menschliche Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität zu imitieren.
[1]
Ein Merkmal von KI-Systemen ist insbesondere die Fähigkeit, ihr Handeln anzupassen, indem sie Folgen früherer Aktionen analysieren und autonom arbeiten.
Grundlegende Begriffe
Künstliche Intelligenz kann in verschiedene Fachgebiete eingeteilt werden, wie beispielsweise Sprachverarbeitung, Robotik oder das Maschinelle Lernen. So versucht die Robotik durch manipulative Intelligenz unbequeme Tätigkeiten wie Schweißen, Lackieren oder gar gefährliche Aufgaben wie Minensuche zu automatisieren, um Arbeiter zu entlasten. Das Ziel besteht darin, Systeme zu entwickeln, die in der Lage sind, die intelligenten Verhaltensweisen von Lebewesen nachzuahmen.
An dieser Stelle soll jedoch im Wesentlichen auf das Maschinelle Lernen (Machine Learning, ML) eingegangen werden. Dies bezeichnet die Fähigkeit von Computern, aus Daten zu lernen und sich zu verbessern, ohne – wie früher – für spezifische Aufgaben explizit programmiert werden zu müssen. Aus der Analyse von Mustern in Daten gilt es dabei eine allgemeine Regel abzuleiten. Auf dieser Basis können ML-Modelle dann Vorhersagen oder auf neuen, vorher nie gesehenen Daten Entscheidungen treffen.
Neuronale Netze als Anwendungen des Maschinellen Lernens sind von der Struktur und der Funktionsweise des menschlichen Gehirns inspiriert. Sie bestehen aus Neuronen (Knoten), die in Schichten angeordnet und miteinander verbunden sind. In ihnen werden Signale übertragen und entsprechend den Gewichtungen ihrer Verbindungen werden Vorhersagen und Entscheidungen getroffen.
Deep Learning schließlich basiert auf neuronalen Netzen mit vielen Schichten (Deep Neural Networks). Diese Technik ist besonders leistungsfähig in der Interpretation und Verarbeitung von großen und komplexen Datenstrukturen wie Text, Bildern oder auch Sprache.
Ein Large Language Modell (LLM), wie das oben erwähnte GPT, ist eine spezifische Anwendung von Deep Learning und neuronalen Netzen im Bereich der natürlichen Sprachverarbeitung (NLP). Ein LLM kann also natürliche Sprache verstehen, verarbeiten und generieren. GPT steht dabei für "Generative Pre-Trained Transformer". Es handelt sich also um generative KI, die für die Generierung von (Antwort-) Texten basierend auf eingegebenem Text (Fragen) entwickelt und vorab trainiert wurde.
Dabei sind Ergebnisse der aktuellen generative KI nicht perfekt. So gibt es beim wahrscheinlich meistgenutzten Chatbot ChatGPT neben der Warnung "ChatGPT can make mistakes. Consider checking important information" auch die Möglichkeit als Nutzer die generierte Antwort als "bad response" (schlechte oder falsche Antwort) zu kennzeichnen und somit für das Training des Modells zur Verbesserung zurückzumelden.
Eine weitere wichtige Unterscheidung betrifft deskriptive und generative KI. Eine wie eben beschrieben generative KI erschafft mit ihren Modellen neue Inhalte, zum Beispiel Texte oder Bilder. Dagegen wird KI deskriptiv genannt, wenn es darum geht, Muster in Vergangenheitsdaten zu erkennen und daraus Entscheidungen oder Vorhersagen abzuleiten.
Ein Beispiel für eine Lösung mit deskriptiver KI im Kontext Arbeitsschutz wäre die Analyse historischer Sicherheitsdaten mit der Erkennung von Mustern für Unfälle oder Gefährdungen. Generative Modelle könnten dagegen innovative Simulationen oder Szenarien erstellen, um potenzielle Risiken am Arbeitsplatz zu identifizieren und präventive Maßnahmen zu entwickeln.
Anwendung von KI im Alltag
In der Vergangenheit beschränkte sich der Einsatz von künstlicher Intelligenz auf einzelne, begrenzte Gebiete. Die bekanntesten Beispiele für die erfolgreiche Entwicklung von KI-Systemen sind sicherlich der Sieg von IBMs Deep Blue System gegen Garry Kasparov im Schach 1997, der Sieg von IBM Watson im amerikanischen Quiz Jeopardy gegen zwei der weltbesten Spieler 2011 und schließlich der Sieg von Googles AlphaGo...
Das ist nur ein Ausschnitt aus dem Produkt Arbeitsschutz Office Professional. Sie wollen mehr?
Jetzt kostenlos 4 Wochen testen
Anmelden und Beitrag in meinem Produkt lesen