Was ist Artifical Intelligence (AI)?

Artifical Intelligence – Grundwissen, Einsatzgebiete und Trends

Artifical Intelligence ist nicht neu, aber derzeit äußerst populär. Aktuell bahnen sich zahlreiche nützlichen AI-Funktionen ihren Weg in Unternehmen – auch in ERP-Systeme wie SAP. Experten sind sich einig, dass sich hierdurch enorme Potenziale erschließen lassen. Fehler lassen sich bereits vor ihrer Entstehung identifizieren. Kundenbeziehungen, Logistikketten und Warenflüsse können optimiert werden. Schon bald werden sich zudem komplette Prozesse automatisieren lassen, wobei Maschinen intelligente Entscheidungen treffen oder zumindest vorbereiten.

Doch was verbirgt sich konkret hinter dem Begriff Artifical Intelligence? Seit wann sind AI-Anwendungen verfügbar und warum haben sie sich in jüngster Vergangenheit zum absoluten Trend-Thema entwickelt? Was kann AI bereits heute leisten und wo befinden sich die Grenzen? Wie geht SAP mit künstlicher Intelligenz um? Was verbirgt sich hinter „Machine Learning“ und „Deep Learning“? Und wie wird Artifical Intelligence Unternehmen und die Gesellschaft in der Zukunft verändern? Auf dieser Seite gehen wir umfassend auf diese und weitere Fragen rund um das Themengebiet AI ein.

Artifical Intelligence: Definition

Artifical Intelligence, kurz AI (deutsch: künstliche Intelligenz, kurz KI) ist eine Disziplin der Informatik. Sie beschäftigt sich mit Methoden, die es Maschinen (Computern) ermöglichen, Aufgaben so zu lösen, wie dies ein Mensch mit seiner Intelligenz tun würde. Künstliche Intelligenz umfasst daher nicht nur Aspekte der Informationstechnologie, sondern wurde auch durch Psychologie, Neurowissenschaften, Linguistik, Kommunikationswissenschaften, Mathematik und Philosophie geprägt. Die Informatik kann eher als Mittel zum Zweck betrachtet werden. Sie bringt die Forschungsbereiche zusammen und ermöglicht die Umsetzung.

Grundsätzlich hat Artifical Intelligence zwei Zielrichtungen:

• Nachahmung des menschlichen Denkens und Verhaltens (starke AI)
• Autonome und automatische Erledigung von Aufgaben (schwache AI)

Der erstgenannte Punkt ist deutlich anspruchsvoller und aus heutiger Sicht noch als Vision zu bezeichnen. Der zweite Aspekt ist hingegen bereits Realität. Hier übernimmt AI abgegrenzte, klar definierte Aufgabenstellungen. Lösungen wie intelligente Software-Assistenten oder Spracherkennungssysteme funktionieren schon jetzt zuverlässig und halten zunehmend Einzug in unseren Alltag. Obwohl entsprechende Systeme bereits eine enorme Leistungsfähigkeit erreicht haben, werden Sie in der Fachsprache auch „schwache AI“ genannt. Ein Grund hierfür ist, dass schwache KI-Lösungen auf einem relativ oberflächlichen Intelligenz-Level agieren und kein tiefes Verständnis für Problemlösungen entwickeln.

Die starke AI (auch Strong AI oder Superintelligenz genannt) hat das Ziel, intellektuelle Fähigkeiten von Menschen zu erlangen oder diese sogar zu übertreffen. Eine starke KI handelt aktiv, flexibel und intelligent. Bis dato ist es noch nicht gelungen, eine „Superintelligenz“ zu entwickeln. In den Forscher-Kreisen wird kontrovers diskutiert, ob die Entwicklung einer solchen KI überhaupt realisierbar ist.

Unterschied zwischen Artificial Intelligence, Machine Learning und Deep Learning

Während es sich bei „Artificial Intelligence“ um einen Oberbegriff handelt, der alle eingesetzten Technologien zur Erbringung von Intelligenzleistungen zusammenfasst, ist Machine Learning ein Teilgebiet der AI. Deep Learning wiederum ist ein Teilbereich von Machine Learning. Sehen wir uns die Ansätze im Folgenden näher an, um die Unterschiede herauszuarbeiten.

Machine Learning

Machine Learning, zu Deutsch „Maschinelles Lernen“, beschreibt mathematische Methoden, die es einer Maschine ermöglichen, selbstständig Wissen aus Erfahrungswerten zu generieren. Oder salopp formuliert: Machine Learning lässt Computer nützliche Dinge tun, ohne sie vorher dafür zu programmieren. Aus technischer Sicht werden beim Machine Learning Programme eingesetzt, die bestimmte Gesetzmäßigkeiten und Muster in Daten aufgrund selbstlernender Algorithmen eigenständig erkennen können. Hierfür muss die Software zunächst mit umfangreichen Daten versorgt werden. In der Entwicklungsphase sorgt ein Programmierer dafür, dass das Machine-Learning-Modell fortlaufend angepasst und optimiert wird. So wird der Algorithmus von Datensatz zu Datensatz „intelligenter“, bis er seine Aufgabe schließlich eigenständig wahrnehmen kann.

Die wesentlichen Ziele von Machine Learning sind, Zusammenhänge zu erkennen, Daten intelligent zu verknüpfen, Rückschlüsse zu ziehen und präzise Vorhersagen zu realisieren. Im Business-Umfeld besitzen Maschine-Learning-Anwendungen das Potenzial, Mitarbeiter von langwierigen, unproduktiven Tätigkeiten zu entlasten. Dadurch werden Ressourcen für neue Bereiche geschaffen und Arbeit effizienter sowie wirtschaftlicher. So kann lernende Software zum Beispiel Papierdokumente eigenständig scannen, den Text erkennen, weitere Schritte veranlassen und die Archivierung organisieren. Ein komplexeres Szenario, in dem maschinelles Lernen schon heute eingesetzt wird, ist Predictive Maintenance. Hier sind die Algorithmen in der Lage, mögliche Schäden an technischen Anlagen und Fehlermuster zu erkennen, um bei Bedarf eine Wartung anzufordern.

Die Spracherkennung auf Mobiltelefonen, Spam-Filter in E-Mail-Postfächern und auch die Gesichtserkennung bei der Fotoverwaltung werden in wesentlichen Teilen von Machine-Learning-Algorithmen gesteuert. Oftmals haben wir Kontakt mit maschinellem Lernen, ohne es zu wissen. Dies ist beispielsweise der Fall, wenn uns personalisierte Werbung angezeigt wird.

Deep Learning

Deep Learning ist ein Teilbereich von Machine Learning. Es handelt sich um eine spezielle Methode, die sogenannte künstliche neuronale Netze und große Datenmengen nutzt, um besonders effizient zu lernen. Die Funktionsweise orientiert sich an Lernvorgängen im menschlichen Gehirn. Basierend auf vorliegenden Informationen können entsprechende Systeme Erlerntes immer wieder mit neuen Inhalten verknüpfen und dadurch kontinuierlich dazulernen. Ab einem bestimmten Punkt ist die Maschine dann in der Lage, Prognosen zu liefern, eigenständig Entscheidungen zu treffen und diese zu hinterfragen. Ist das Ergebnis der Entscheidung nicht zufriedenstellend, so wird es in einem neuen Anlauf angepasst. Der Mensch greift in diesen Lernvorgang normalerweise nicht ein. Dies ist auch der wesentliche Unterschied zum Machine Learning.

Deep Learning eignet sich insbesondere für Szenarien, in denen große Datenmengen auf Modelle und Muster untersucht werden sollen. Anwendungsbeispiele sind auch hier die Sprach-, Objekt- oder Gesichtserkennung. Bei der Spracherkennung ermöglicht es Deep Learning beispielsweise, den Wortschatz von Systemen selbstständig mit neuen Wörtern und Wortvarianten zu erweitern. Weitere Einsatzbereiche sind autonome Fahrzeuge oder Roboter, KI in Computerspielen oder eine Vorhersage des Kundenverhaltens im Rahmen von CRM-Lösungen.

Entwicklung und Einsatz von Artifical Intelligence

Seit ihrer Entstehung hat Artifical Intelligence enorme Entwicklungssprünge vollzogen. Dies gilt insbesondere für die jüngste Vergangenheit. Im Management von Konzernen ist KI aktuell eine Zukunftsthematik, in der das Potenzial gesehen wird, Unternehmen und die Gesellschaft grundlegend zu verändern. Es ergeben sich Möglichkeiten zur Optimierung des eigenen Geschäfts und gar zur Neuordnung kompletter Branchen. Doch wie ist Artifical Intelligence entstanden und welche Ausprägungen haben entsprechende Systeme bis heute tatsächlich erreicht?

Der Beginn der Artifical Intelligence

Die Ursprünge von Artifical Intelligence reichen bis in die 1950er Jahre zurück. Bereits in diesem Jahrzehnt wurde der Begriff auf einer Wissenschaftskonferenz in den USA verwendet. Als einer der Gründungsväter der AI gilt der Wissenschaftler Marvin Minsky. Im Jahr 1966 formulierte er folgende Definition: „Artificial Intelligence is the science of making machines do things that would require intelligence if done by men.“ Frei übersetzt bedeutet das: Künstliche Intelligenz ist dann gegeben, wenn Maschinen Dinge tun, für deren Ausführung menschliche Intelligenz erforderlich ist.

Ein früher Meilenstein der KI war außerdem der Turing Test. Er wurde in den 1950er Jahren vom britischen Mathematiker Alan Turing entwickelt und sollte es ermöglichen, dass ein Mensch über eine Chat-Software synchron mit anderen Menschen und einer Maschine kommuniziert. In den 1960er Jahren wurde der sogenannte „General Problem Solver“ präsentiert. Es handelte sich hierbei um ein KI-System, das einfache Problemstellungen lösen konnte. Im gleichen Jahrzehnt sorgte die Software ELIZA für Aufsehen. Das Chat-System ermöglichte es seinerzeit, Therapiegespräche zu simulieren. 1997 schlug ein Computer den damaligen Weltmeister im Schach.

In den Folgejahrzehnten verbesserten sich die Fähigkeiten von Artifical Intelligence kontinuierlich. Im Wesentlichen war dies auf stetig besser werdende Speichermöglichkeiten und Rechenleistungen zurückzuführen. 2011 wurde die Software Watson von IBM vorgestellt. Sie konnte die Quiz-Show Jeopardy gegen menschliche Gegner gewinnen. AlphaGo ist ein weiteres AI-Programm, das die zuvor als nahezu unmöglich angesehene Leistung vollbrachte, einen professionellen Go-Spieler zu schlagen.

Heutiger Einsatz von Artifical Intelligence

Künstliche Intelligenz ist heute sowohl in unserem privaten als auch im beruflichen Alltag präsent. Ein klassisches Beispiel ist die Spracherkennung, die durch Anwendungen wie Siri und Alexa Bekanntheit erlangt hat. Zudem wird an Übersetzungssystemen gearbeitet, die Konversationen live in eine andere Sprache übersetzen. Darüber hinaus begegnen uns seit einigen Jahren sogenannte Chatbots, die von Unternehmen eingesetzt werden, um die Effizienz der Kundenkommunikation zu steigern. Es handelt sich um Software, die durch umfangreiche Datenbanken, linguistisches Wissen und eine Volltextsuchmaschine einen intelligenten Dialog mit Anwendern führen kann. Im englischsprachigen Raum fungieren Chatbots bereits als Ansprechpartner für medizinische Fragen.

Ein weiteres wichtiges Einsatzgebiet von Artifical Intelligence ist „Predective Analytics“. Hier erstellen Algorithmen auf Basis historischer Daten aus unterschiedlichsten Quellen Vorhersagen für die zukünftige Entwicklung von Kundenbeziehungen, Ergebnissen und Geschäftsprozessen. Der Finanzsektor nutzt entsprechende Anwendungen im Schadensmanagement und für die Betrugserkennung. Auch die Planung von Marketingkampagnen lässt sich mit Predective Analytics optimieren. So können Algorithmen etwa vorhersagen, welcher Kunde, zu welchem Zeitpunkt, an welchem Ort ein bestimmtes Produkt kaufen wird.

Auch im Service Management sind erste KI-Anwendungen im Einsatz. Hier übernimmt Artifical Intelligence beispielsweise die Kategorisierung von Incidents und das Führen von Support-Dialogen. Zudem können die Support-Mitarbeiter bei der Analyse und Lösung von Problemen unterstützt werden, sofern eine geeignete Wissensdatenbank vorhanden ist.

In der IT-Sicherheit hat AI ebenfalls zu erheblichen Verbesserungen geführt. Hier ermöglichen es KI-basierte Lösungen mittlerweile, Angriffsmuster zu erkennen und Sicherheitsvorfälle zu priorisieren. Die Security-Systeme entwickeln sich mit Methoden des maschinellen Lernens kontinuierlich weiter, indem sie Daten zu Bedrohungen sammeln, analysieren und klassifizieren.

Was bedeutet Artifical Intelligence für SAP?

Die derzeitige Ausrichtung von SAP lässt erkennen: Das Walldorfer Unternehmen möchte sich als Softwareanbieter positionieren, der mit seinen Produkten intelligente Unternehmen möglich macht. Mit KI will SAP Prozesse automatisieren und das Nutzererlebnis verbessern. Das Ziel ist unter anderem eine ERP-Lösung, die sich gänzlich ohne Tastatur und stattdessen mittels Spracherkennung bedienen lässt. Hierfür wurde bereits der integrierte Assistent namens „CoPilot“ vorgestellt. Er ermöglicht es Nutzern, per Sprache mit dem System zu interagieren und beispielsweise nach Informationen zu suchen. Im Einkauf und bei der Bezugsquellenfindung sollen sprachbasierte Elemente etwa Bestellanforderungen beschleunigen und vereinfachen. Vertriebsmitarbeiter werden hingegen in die Lage versetzt, Angebote via Sprachbefehl in Aufträge umzuwandeln. Eine Vision ist zudem ein intelligenter Assistent, der beispielsweise in der Lage ist, die Agenda von Meetings zu verstehen und automatisch die passenden Kennzahlen zu liefern. Die entsprechende Software soll von den Gewohnheiten des Anwenders lernen und sich auf dieser Basis intelligent anpassen.

Ein weiteres wichtiges Einsatzgebiet von künstlicher Intelligenz im SAP-Umfeld wird die Automatisierung von Prozessen sein. Bis zum Jahr 2021 möchte der Softwareanbieter bereits 50 Prozent alle Aufgaben automatisieren, die bisher manuell durchgeführt wurden. Hieraus ergeben sich enorme Einsparungen für Unternehmen.

Betrachten wir den aktuellen Stand, so hat SAP bereits heute mehrere KI- und Machine-Learning-Anwendungen im Portfolio. Zu nennen sind unter anderem:

• SAP Leonardo: Sammlung von Anwendungen und Microservices für IoT, Machine Learning, Blockchain, Big Data und Analytik
• SAP Cash Application: Automatisierung des Forderungsabgleichs
• SAP Service Ticket Intelligence: Automatisieren der Ticketerfassung, Klassifizierung, Weiterleitung und Lösungsfindung
• SAP Brand Impact: Analyse von Werbekampagnen mit automatischer Logo-Erkennung
• SAP Customer Retention: Vorhersage des Kundenverhaltens, vorausschauende Analysen
• SAP Predictive Service: vorausschauende Analysen, Vorhersagen zur Unterstützung von Servicemitarbeitern
• SAP Predictive Analytics: Wahrscheinlichkeit zukünftiger Geschäftsergebnisse prognostizieren

Im SAP-Produkt SAP S/4HANA sind Artifical Intelligence und Machine Learning bereits integriert.

Ethische Grundsätze bereits definiert

Artifical Intelligence geht mit enormen gesellschaftlichen Veränderungen und Herausforderungen beim Datenschutz einher. Auch mit diesen „Schattenseiten“ der KI hat sich SAP bereits eingehend beschäftigt. So hat der Software-Konzern Leitlinien entwickelt, mit denen die Einführung und Entwicklung von KI-Komponenten gesteuert werden soll. Das übergeordnete Ziel ist es hierbei „die Abläufe der weltweiten Wirtschaft und das Leben der Menschen zu verbessern“. Die Grundsätze umfassen folgende Aspekte:

• Werteorientiertes Handeln (Achtung von Menschenrechten und UNO-Leitprinzipien)
• Mensch und Benutzererlebnis im Mittelpunkt
• Vorurteilsfreies Handeln für Unternehmen
• Transparenz und Integrität
• Qualität und Sicherheit
• Datenschutz und Privatsphäre

Zudem möchte SAP die gesellschaftlichen Herausforderungen angehen, die sich durch AI ergeben. Hier spielen Aspekte wie ökonomische Umverteilung, wirtschaftliche Entwicklung, soziale Sicherheit und normative Fragestellungen eine Rolle.

Ethische und moralische Fragestellungen im Bereich der künstlichen Intelligenz

Im Zusammenhang mit künstlicher Intelligenz ergeben sich mehrere ethische Dilemmata. So ist kritisch zu hinterfragen, ob Entscheidungen von autonomen Maschinen möglicherweise eine Bedrohung für den freien Willen und das Übernehmen von Verantwortung darstellen. Zudem können Entwickler KI-Software mit Tendenzen versehen, die etwa zum Ausschluss von Personen oder zur Diskriminierung führen. Besonders problematisch ist dieser Umstand, wenn diese Tendenzen im Rahmen von Machine Learning unbeabsichtigt entstehen. Weiterhin besteht das Risiko, dass sich Menschen über Algorithmen profilieren. Hierdurch könnte der kulturelle und politische Pluralismus in Gefahr geraten.

Darüber hinaus benötigen KI-Systeme riesige Datenmengen, um Lernvorgänge sinnvoll durchlaufen zu können. Hierzu zählen auch personenbezogene Daten. Die geltenden Datenschutzgesetze stehen hierzu in krassem Gegensatz. Die große Menge an Informationen birgt jedoch noch weitere Herausforderungen. So ist es bisweilen schwierig, korrekte und fehlerfreie Informationen herauszufiltern. Ist die Datenbasis nicht zweifelsfrei von hoher Qualität, kann Software-Ergebnissen und -Entscheidungen kein hohes Vertrauen geschenkt werden.

Ausblick: Wohin geht der Trend für Artifical Intelligence?

Artifical Intelligence ist zweifelsfrei ein stark emotionsgeladenes Thema. In der Diskussion dominieren oftmals Extrempositionen. Das eine Lager sieht AI als Bedrohung für die gesamte Menschheit, während die Technologie von der Gegenseite als Allheilmittel für all unsere Probleme aufgefasst wird. Ob eines dieser Szenarien eintritt, kann heute noch niemand beurteilen. Fakt ist jedoch: AI wird in den kommenden Jahren und Jahrzehnten signifikant an Bedeutung gewinnen. Experten sind sich einig, dass Artifical Intelligence eine Schlüsseltechnologie der digitalen Revolution ist.

Für Unternehmen, die in Sachen Digitalisierung vorankommen möchten, führt daher kaum ein Weg an der Verknüpfung von künstlicher und menschlicher Intelligenz vorbei. Sehr wahrscheinlich ist es, dass die Mitarbeiter künftig durch AI von Routinetätigkeiten entlastet werden. Insbesondere Standardvorgänge, die sich in hoher Frequenz wiederholen, sind das potenzielle Einsatzgebiet. Das Institut für Arbeitsmarkt- und Berufsforschung sammelte dazu 2013 und 2016 Daten über die Entwicklung der Digitalisierung und der Veränderung von Berufsbildern in Deutschland. In dieser Zeitspanne ist insbesondere im Bereich der unternehmensbezogenen Dienstleistungsberufe das Potential im Bereich Machine Learning enorm gestiegen. Im Segment der Fertigungstechnik lag der Anteil der Tätigkeiten, die potenziell von Robotern erledigt werden könnten, bereits 2013 bei 65%.

Maschinen werden in den kommenden Jahren jedoch nicht nur Prozesse automatisieren. Ein enormes Potenzial verbirgt sich auch in der Analyse großer Datenmengen. Im Gegensatz zu klassischen Ansätzen, die rein auf der Auswertung von Vergangenheitswerten basieren, ermöglicht AI einen Blick in die Zukunft. Auf dieser Basis können wiederum präzise Entscheidungen getroffen und neue Geschäftsmodelle sowie „Smart Services“ wie die vorausschauende Wartung von Maschinen realisiert werden. Auch die Optimierung von Warenströmen und Logistikketten ist ein Einsatzbereich, in dem sich KI vermutlich durchsetzen wird.

Und wo bleibt der Mensch? Wird er in der Arbeitswelt in Kürze vollständig durch Roboter mit Artifical Intelligence ersetzt? Bestimmte Berufsbilder könnten durch KI zwar tatsächlich verschwinden, gleichzeitig entstehen jedoch auch neue Jobs. Menschliche Fähigkeiten wie Kreativität und Empathie könnten wieder in den Vordergrund rücken. Es entsteht Freiraum, sich wieder auf eigene Stärken zu konzentrieren und Innovationen zu entwickeln. Dies wirkt sich zudem positiv auf die Mitarbeiterzufriedenheit aus. Auch der Faktor Intuition wird weiterhin gefragt sein. Entscheidungen werden zwar deutlich stärker auf Daten aus intelligenten Analysen basieren. Ist die Entscheidungstragweite jedoch hoch, wird das letzte Wort bis auf Weiteres immer noch der Mensch haben.

Fazit: Chance und Risiko zugleich

Es besteht die Chance, dass sich AI positiv entwickelt und Menschen dazu befähigt, die Probleme einer modernen Gesellschaft besser zu lösen und mehr zu erreichen. Das Risiko besteht hingegen darin, AI über die Grenzen einer sinnvollen Kontrolle hinaus agieren zu lassen. Für Unternehmen wäre ein solches Vorgehen nicht nur in puncto Reputation und Ethik inakzeptabel. Das Management würde bei Fehlschlägen möglicherweise Innovationen verzögern oder gar vollständig stoppen. Das Maß an Sicherheit und Kontrolle beim Einsatz von Artifical Intelligence könnte also darüber entscheiden, ob intelligente Maschinen für uns zum Fluch oder zum Segen werden.