Chancen und Grenzen der KI Künstliche Intelligenz ist ein Werkzeug

Der Hype um die Möglichkeiten und Einsatzgebiete Künstlicher Intelligenz (KI) scheint aktuell keine Grenzen zu kennen. Angepriesen werden die KI-Verfahren und -Lösungen als wahre Allheilmittel. Dabei sind sie, nüchtern betrachtet, nur ein weiteres Werkzeug im Werkzeugkasten der IT-Experten.

Anbieter zum Thema

Bissantz & Company GmbH

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

adesso AG

Es gibt Einsatzszenarien, bei denen KI-Anwendungen bessere Ergebnisse liefern. Aber daraus lässt sich keine generelle Überlegenheit ableiten. Vielmehr müssen die IT-Verantwortlichen bei jedem Projekt sehr genau prüfen, was sie einsetzen wollen. Um diese Frage zu beantworten, müssen die Entscheider das Thema KI im Zusammenhang mit anderen Konzepten betrachten.

KI ersetzt nicht, KI ergänzt

Grundlegend lassen sich in der IT zwei unterschiedliche Verfahren unterscheiden: der programmatische oder der modellgetriebene Ansatz. Der erste zeichnet sich durch das klassische Entwickeln von Software aus. Programmierer schreiben Code-Zeile für Code-Zeile auf, welche Anforderungen ein System wie umsetzen soll: vom Erfassen der Adressinformationen in einer CRM-Datenbank über das Berechnen von Tarifoptionen in der Krankenversicherung bis hin zur Drehzahl einer Fräsmaschine in Abhängigkeit vom Werkstück. Typischer Vertreter dieses Ansatzes sind Standardlösungen wie Enterprise-Ressource-Planning-Software (ERP), aber auch Individualsoftware oder Mischformen, die Standard mit individuell erstellten Komponenten kombinieren.

Zum modellgetriebenen Ansatz hingegen gehören weniger Programmierung – im Sinne des Aufschreibens von Code-Zeilen – dafür liegt der Fokus mehr auf fachlichen, funktionalen Aspekten. Damit einher geht eine stärkere Abstraktion von technischen Belangen. Es geht hier um die Darstellung von Zusammenhängen und Auswirkungen in Form eines Modells. Dieses Modell wird händisch modelliert oder trainiert, die so gewonnenen Erkenntnisse kann es dann auf neuen Input, beispielsweise andere Datensätze, anwenden.

Grundsätzlich sind beide IT-Lösungen hinsichtlich des Ergebnisses gleichwertig – die gleiche Aufgabe können sowohl ein programmiertes System als auch eine KI lösen. Allerdings hat die Auswahl des Lösungsweges Auswirkungen auf das Projektdesign, auf die -beteiligten, auf den -aufwand und schließlich auch auf den gesamten Lebenszyklus der IT-Lösung.

KI-Projekte sind ähnlich, nur anders

Setzen die Verantwortlichen auf einen Software-Entwicklungsprozess, durchläuft das Projekt die klassischen Schritte der Planung und Umsetzung: Anforderungen verstehen, auf dieser Basis Software entwickeln, testen, ausrollen und betreiben. Neue oder veränderte Anforderungen sorgen dafür, dass die Beteiligten diesen Zyklus immer wieder neu durchlaufen.

Anders sieht der Ablauf beim Modell-basierten Ansatz aus: Auch hier fängt alles mit dem Verstehen der Anforderungen an. Dann gilt es aber, diese Anforderungen in ein Modell zu gießen, die Qualität des Modells zum Beispiel mit Testdaten zu überprüfen, um es dann in den IT-Betrieb zu integrieren, auszurollen und zu betreiben. Das typische IT-Implementierungsprojekt erfolgt, analog zu dem oben beschriebenen Ablauf, also erst im Anschluss. Allerdings ist die Fachlichkeit im Sinne der benötigten Funktionalität bereits durch das Modell gegeben. Beim Implementierungsprojekt geht es dann „nur“ noch um sogenannte Non-functional Requirements (NFR) wie Performance, Skalierbarkeit oder Verfügbarkeit. Dieses Vorgehen sorgt also für eine deutliche Trennung von Fachlichkeit und technischen Belangen. Entsprechend kommt bei diesem Verfahren, im Vergleich zur Programmierung, den Fachexperten und dem Modellieren eine größere Rolle zu; IT-Kompetenz ist dafür weniger relevant.

Für die Modellierung gibt es wiederum zwei unterschiedliche Ansätze: Einerseits können die Experten das Modell händisch, beispielsweise durch Aufschreiben der Regeln, beschreiben. Andererseits können sie auf selbstlernende Systeme (Machine Learning) setzen. Hier löst ein Lernalgorithmus menschliche Entwickler ab. Damit dieser Algorithmus funktioniert, benötigt er Input. Entweder in Form von Training auf Basis historischer Datensätze – beispielsweise kategorisierte Fotos – oder in Form von direkten Rückmeldungen durch die Experten. In welchen Situationen sollten die Verantwortlichen zu welchem Verfahren greifen? Das lässt sich pauschal nicht beantworten, aber es gibt einige Indikatoren, die Tendenzen anzeigen.

Keine festen Regeln für den KI-Einsatz

Wie bereits erläutert, löst KI nichts Bekanntes ab, sondern ergänzt den IT-Lösungsraum um weitere Optionen. Folgende Indikatoren sprechen dabei für die Wahl einer KI-basierten Lösung:

• Die fachliche Komplexität ist hoch und eines Modells würdig.

• Die Trennung von fachlichen Fragestellungen und technischen Notwendigkeiten bringt Vorteile. Beispielsweise, weil Fachexperten das System so selbstständig erweitern und optimieren können.

• Die Fachlichkeit können die Experten nur mit hohem Aufwand abbilden und warten. In diesen Fällen kann sich der Einsatz von lernenden Systemen rechnen.

Soweit die Theorie. Ein Beispiel verdeutlicht, wie sich Programmierung beziehungsweise Modellierung von Hand im Gegensatz zu maschinellem Lernen bei ein und demselben Anwendungsfall bewähren.

Ein gutes Gehör

Schauplatz für diesen Vergleich ist der naturgemäß eher verschlossene Bereich der militärischen Überwachung: Für die Analyse von Funksignalen werden diese klassifiziert. Solange sie nicht verschlüsselt sind, werden die Inhalte dann decodiert. Die Inhalte können entweder Sprache oder Daten sein. Bei Sprachsignalen unterscheiden die Experten in analoge Sprache oder solche Sprachsignale, die digital codiert sind. Angesichts des technischen Fortschritts mag es überraschend sein, aber es werden immer noch jede Menge analoger, unverschlüsselter Signale eingesetzt.

Mit dem Abhören dieser Funksignale sind zahlreiche Menschen beschäftigt, die tagtäglich analoge Funksignale erfassen und transkribieren. Ein zeitaufwendiges und teures Verfahren. Der Prozess würde deutlich einfacher werden, wenn ein System analoge Sprachsignale automatisch von digitalen Signalen unterscheiden könnte.

Um die Grundlagen für so ein System zu schaffen, haben die Projektbeteiligten Funksignale zunächst manuell in die Kategorien analog beziehungsweise digital eingeordnet. Dazu hörten sie die Funksignale ab und markierten den Beginn und das Ende jedes analogen Sprachsignals. Auf diese Art markierten sie Funksignale von circa 24 Stunden Dauer. Dann setzten die Projektverantwortlichen zwei unterschiedliche Verfahren ein: Im ersten Ansatz programmierte ein Team Algorithmen, um Merkmale aus den Signalen zu extrahieren. Diese Merkmale wurden dann durch programmierte Fallunterscheidungen klassifiziert. Ein aufwendiges, zeitintensives Projekt.

Tiefes Neuronales Netz übernimmt Signalbewertung

Im Gegensatz dazu beschäftigte sich eine Masterarbeit mit einer Lösung auf Basis selbstlernender Verfahren. Dazu verwendete die Studierende ein sogenanntes Tiefes Neuronales Netz, das mit den klassifizierten Daten trainiert wurde. Sowohl Auswahl als auch die Bewertung der Signale überließ die Studierende dem Neuronalen Netz. Es wurde also nichts programmiert; die Vorbereitung bestand aus der Aufbereitung des Datenmaterials und der Konfiguration des Netzes. Schon nach circa drei Personenmonaten lag ein funktionsfähiges System vor.

Der Vergleich beider Verfahren zeigt, dass das lernende System, trotz des geringen Aufwandes, die besseren Ergebnisse erzielt. Es erreichte eine Erkennungsrate von analogen Sprachsignalen von 95 Prozent – und lag damit deutlich über der Quote, die das programmierte Verfahren erreichte.

Die Verantwortlichen müssen bei jedem Einzelfall also sorgfältig abwägen, ob der Einsatz von KI-Technologien die beste Möglichkeit ist. Oder ob sich rechnet, auf klassische Programmierung zu setzen. Nur selten besteht die Möglichkeit, wie in diesem Beispiel, mehrere Verfahren parallel auszuarbeiten. Bei der Auswahl des geeigneten Verfahrens sind dann die menschliche Intelligenz und Erfahrung gefragt.

Ergänzendes zum Thema

Die Autoren

Prof. Dr. Jürgen Angele

Prof. Dr. Jürgen Angele

Prof. Dr. Jürgen Angele leitet das Competence Center „Künstliche Intelligenz“ bei der Adesso AG. Er berät Firmen beim Einsatz von Methoden der Künstlichen Intelligenz und leitet entsprechende Projekte. Er promovierte im Teilgebiet „Wissensrepräsentation und Schlussfolgerungssysteme“. Prof. Angele verfügt über dreißig Jahre Erfahrung in KI-Projekten, als Wissenschaftler, Gründer und Leiter eines Unternehmens und bei der Beratung von Start-ups. Er publizierte über 100 Veröffentlichungen und hält neun Softwarepatente in diesem Bereich.

Dr. Thomas Franz

Dr. Thomas Franz

Dr. Thomas Franz leitet den Technologiebeirat der Adesso AG. Er berät Unternehmen zum Einsatz neuer IT-Ansätze und zu den einhergehenden architektonischen, methodischen und organisatorischen Veränderungen. Er promovierte in einem Teilgebiet der Künstlichen Intelligenz, dem „Semantic Web“, und verfügt über zehn Jahre Erfahrung in KI-Projekten – als Wissenschaftler, Gründer eines Start-ups sowie als Berater.

(ID:45640525)