Kommentar von Torsten Deutsch, T-Systems Fake KI – welcher Algorithmus ist wirklich intelligent?

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Sinequa

Insider Research

T-Systems

Das Thema Künstliche Intelligenz (KI) weckt bei Unternehmen große Hoffnungen und Begehrlichkeiten. Daher laufen zahlreiche Produkte und Lösungen heute unter dem Label KI. Doch nicht immer verbirgt sich dahinter tatsächlich ein lernfähiges System. Wie also können Unternehmen erkennen, ob eine KI wirklich intelligent ist?

Künstliche Intelligenz gehört inzwischen ganz selbstverständlich zu unserem Alltag: Wir sprechen mit unseren Smartphones, unsere Kinder ordern ihre Hörspiele bei Alexa, Chatbots beantworten unsere Anfragen an Servicehotlines und Logistikunternehmen testen autonom fliegende Drohnen für die Paketausllieferung. Auch Industrie und Wissenschaft setzen auf die Technologie, beim autonomen Fahren, bei der Sprach- und Bilderkennung, bei der Automatisierung in Fabriken, sogar bei der Tumorerkennung in der medizinischen Diagnostik.

KI scheint also so etwas wie eine digitale Wunderwaffe zu sein. Neue bahnbrechende Entwicklungen haben ein großes Medieninteresse geschürt und Schlaglichter auf die KI-Forschung geworfen.

Großer Zukunftsmarkt

Der KI-Markt wächst. Trotz Corona-Pandemie legte er laut einer Studie der Marktforscher von IDC aus dem Jahr 2020 um mehr als zwölf Prozent im Vergleich zum Vorjahr zu – ein Marktvolumen von 156 Milliarden US-Dollar. Künstliche Intelligenz gilt demnach als eine der wichtigsten technologischen Errungenschaften der Moderne. Die Deutsche Telekom etwa hält in ihrem Digitalisierungsindex Mittelstand 2020/21 fest, dass 31 Prozent der befragten Unternehmen von KI disruptive Veränderungen in ihrer Branche erwarten. 77 Prozent möchten mit dem Einsatz entsprechender Algorithmen ihre Service- und Produktqualität verbessern. Nach Angaben des Bundeswirtschaftsministeriums setzten rund 17.000 Unternehmen in der deutschen Wirtschaft im Jahr 2020 Künstliche Intelligenz in Produkten, Dienstleistungen oder internen Prozessen ein.

Dabei geht es um gewaltige Investitionssummen: 2019 gaben deutsche Unternehmen rund 4,8 Milliarden Euro aus, um KI-Verfahren zu entwickeln und einzuführen, so das Bundesministerium für Wirtschaft. Experten von McKinsey monieren, dass die EU in Sachen KI noch gewaltigen Nachholbedarf habe. Doch wenn sich die EU stärker auf KI fokussiere, ließe sich die Wirtschaftsleistung bis 2030 um satte 19 Prozentpunkte steigern, so die Einschätzung von McKinsey.

Teurer Etikettenschwindel?

Kein Wunder also, dass sich viele Unternehmen mit der neuen zukunftsweisenden Technolgie schmücken und von ihr profitieren wollen. Zahlreiche Anbieter haben KI in ihre Dienste und Produkte integriert, was einen deutlichen Mehrwert bringen soll. Zum Beispiel in Form von Chatbot-Lösungen im Bereich Customer Support, wodurch sich die Bewertung des Service verbessert und die Anzahl der Anfragen reduziert. Antwortzeiten lassen sich verkürzen und damit Zeit und Ressourcen sparen. KI kann aber auch knifflige Aufgaben lösen, mit denen andere Systeme oder traditionelle Software schnell überfordert sind. Ein populäres Beispiel ist die Bild- oder Gesichtserkennung.

Doch wie lässt sich KI übehaupt definieren und erkennen? Künstliche Intelligenz zeichnet sich dadurch aus, dass sie lernfähig ist, dass es also eine Evolution gibt. Wenn sich bereits heute sagen lässt, welche Entscheidung eine Software in drei Jahren treffen wird, lernt das Programm offensichtlich nicht dazu. Heißt: Sie funktioniert regelbasiert. In regelbasierter Software steckt klassischerweise keine KI.

Für viele Anwendungsfälle ist regelbasierte Software dennoch eine gute Wahl. Produzierende Unternehmen arbeiten zum Beispiel mit regelbasierter Predictive Maintenance Software. Ihre Algorithmen schlagen automatisch Alarm, wenn Produktionsmaschinen oder Anlagen bestimmte Messwerte überschreiten. Diese sind fest definiert, Training und Weiterentwicklung der Software ist nicht notwendig.

Echte Künstliche Intelligenz hingegen findet dort Einsatz, wo die Software durch eigenes Lernen erkennen soll, welche Parameter sich wie verändern müssen, damit ein Ausfall wahrscheinlich wird.Oft ist es ratsam, beides miteinander zu kombinieren.

Viele Unternehmen nutzen regelbasierte Algorithmen, um die tägliche Post zu sortieren. Auf der Basis von Bild und Schrift erkennt das System, ob es sich um eine Rechnung handelt und schickt sie zur entsprechenden Abteilung. Das funktioniert beständig und routiniert. Ändern sich aber Inhalt und Struktur der Rechnungen, kommt die regelbasierte Software an ihre Grenzen. Beispielsweise, wenn es darum geht, ob die Rechnung auch mit neuem Erscheinungsbild noch steurrechtlich konform ist. Die Entwickler müssen den Algorithmus mit neuen Regeln füttern, damit das Programm seine ursprüngliche Qualität erreicht. Daher setzen viele Unternehmen auf eine Kombination beider Techniken: Sie verwenden regelbasierte Software, wenn die Maschine entscheiden soll, in welche Abteilung sie das Dokument weiterleiten soll. Das kostet weniger Rechenzeit und ist in der Regel günstiger als der Einsatz von KI. Machine-Learning-Lösungen setzen eher Fachabteilungen ein, weil es hier um genauere Analysen geht.

Die Kehrseite des sich anbahnenden KI-Booms: Immer mehr Unternehmen möchten die Vorteile der intelligenten Algorithmen schnell und einfach nutzen. KI wird zum Marketingversprechen. Ob allerdings wirklich Künstliche Intelligenz zum Einsatz kommt oder nicht, ist für Laien kaum erkennbar. Fest steht jedoch: Wer auf Fake KI setzt, zieht keinerlei Nutzen daraus, sondern verschwendet nur Zeit und Geld.

Was müssen Chatbots können?

In Zusammenhang mit KI im Kundenservice ist oft die Rede von sogenannten Chatbots. Sie sollen Anfragen von Kunden automatisch beantworten und so die hohen Kosten für Callcenter reduzieren. Ein regelbasierter Chatbot erkennt die Absicht des Nutzers auf Basis bestimmter Regeln: Er identifiziert im gesprochenen oder geschriebenen Text des Kunden bestimmte Schlüsselwörter, sogenannte Entitätswerte. Passend dazu ruft er eine hinterlegte Antwort ab. Falls der Nutzer keines der Schlüsselwörter nennt und der Chatbot somit den Hintergrund der Anfrage nicht auf Anhieb erkennen kann, sind im System Strategien vorprogrammiert. Der Chatbot stellt Rückfragen, die darauf abzielen, die fehlenden Schlüsselwörter zu ermitteln. Soll der Chatbot einen klar eingegrenzten Aufgabenbereich abdecken, reicht die regelbasierte Erkennung völlig aus. Entsprechende Programme sind schnell einsetzbar und müssen so gut wie gar nicht angelernt werden.

Dagegen braucht ein waschechter KI-Bot einige Trainingseinheiten, bevor er sein volles Potenzial entfalten kann. KI-Bots wenden Machine-Learning-Modelle an, um sinnvolle und hilfreiche Antworten auf die Anfragen zu geben. Entwickler müssen zunächst viele Beispiele und damit Daten sammeln, mit denen sie das Modell trainieren. Auf der Basis des Gelernten kann die Software anschließend verallgemeinern. Sie erkennt in den Nutzereingaben Muster und kann antworten, ohne auf vorformulierte Sätze zurückgreifen zu müssen. Der große Vorteil: Ein solcher KI-Chatbot versteht Anfragen selbst dann, wenn bestimmte Schlüsselwörter fehlen.

Der Nachteil: Es dauert deutlich länger als bei regelbaiserten Systemen, den Chatbot so zu trainieren, dass er den gewünschten Mehrwert bringt. Mit der Zeit werden sie aber immer besser, weil sie nicht erst für jedes Nutzeranliegen eine neue Erkennungsregel brauchen, sondern selbstständig lernen.

Unternehmen, die KI einsetzen wollen oder entsprechende Angebote erhalten, müssen also auf einige Standards achten. Wenn zum Beispiel die Einführung in einem Unternehmensbereich kein Training des Programms erfordern soll, oder das Training bereits nach einem Tag als erledigt gilt, muss jeder Fachmann misstrauisch werden. Denn klassischerweise müssen Anwendungen mit KI-Modellen immer trainiert werden. Hierfür stehen im Markt bereits einige KI-Entwicklungstools zur Verfügung wie „ModelArts“ der Open Telekom Cloud. Diese Plattformen unterstützen Unternehmen beim Training und der Einführung ihrer KI-Vorhaben.

(ID:47515201)