Als der US-Bundesstaat Utah sich kürzlich intensiver mit der für die vorausschauende Polizeiarbeit (Predictive Policing) angeschafften KI-Software des Startups Banjo beschäftigte, war die Überraschung groß: Anstatt intelligenter Algorithmen nutzte das Startup keinerlei Techniken, die der Branchendefinition von künstlicher Intelligenz entsprechen. Anstatt intelligenter Algorithmen werteten teilweise menschliche Datenanalysten vorhandene Informationen aus.
Solche Beispiele kosten Behörden und Unternehmen nicht nur Zeit und Geld, sondern rücken eine Technologie ins schlechte Licht, auf die viele Hoffnungen bauen. Laut einer Studie des Bundesministeriums für Wirtschaft und Energie leistet KI einen enormen Beitrag zur Innovationskraft. Betriebe, die KI einsetzen, bringen eher anspruchsvolle Innovationen mit hohem Neuheitsgrad hervor als Firmen, die diese Technologie nicht nutzen. So zahlt der KI-Einsatz direkt auf das Wachstum ein: KI-Lösungen machen Unternehmen produktiver, wettbewerbsfähiger und sorgen für höhere Umsätze.
Die Umsätze mit KI-basierten Anwendungen sollen von derzeit 26 Milliarden US-Dollar auf knapp 100 Milliarden US-Dollar im Jahr 2025 steigen, prognostizieren die Analysten von Tractica. Kein Wunder, dass viele Softwarehäuser und Start-ups auf den KI-Zug springen. Doch nicht alle Anbieter beherrschen die Technologie wirklich, sondern locken mit bloßen Marketingversprechen. Laut einer Untersuchung der Londoner Investmentfirma MMC Ventures im Jahr 2019 war bei rund 40 Prozent aller „KI-Start-ups“ in Europa künstliche Intelligenz kein Bestandteil des Geschäfts oder Angebots.
Deutlich bekannter als Fake-KI sind zurzeit Deepfakes. Der Begriff setzt sich aus „Deep Learning“ und „Fake“ zusammen – also einer Methode des maschinellen Lernens und einer Fälschung. Dabei handelt es sich meist um ein durch KI erstelltes und verfälschtes Bild oder Video einer Person. Deepfakes wirken täuschend echt und verbreiten sich immer stärker im Internet, da es inzwischen zahlreiche kostenfreie „Fake-Apps“ gibt, mit denen sich Gesichter vertauschen, Tonaufnahmen verändern und andere Inhalte manipulieren lassen.
Doch zurück zur Fake-KI: Wie erkennen Unternehmen eine echte KI? Welche Merkmale kennzeichnen eine Fake-KI? Regelbasierte Software funktioniert nach dem „Wenn, dann …“-Prinzip. Dabei basieren die genutzten Algorithmen auf von Menschen festgelegten Regeln und sind statisch. Das heißt, die Software entwickelt sich nicht weiter und wird in einem Jahr genau dieselben Entscheidungen treffen wie heute. Ganz anders bei KI: Die Lösung lernt kontinuierlich dazu, sie durchläuft eine Evolution – ermöglicht durch Technologien wie Machine Learning.
Der Einsatz von Chatbots im Kundenservice zeigt, wie sich beide Ansätze unterscheiden:
Ein regelbasierter Chatbot scannt die Anfrage des Kunden nach Schlüsselwörtern und gibt eine hinterlegte Antwort. Ist das Anliegen nicht klar formuliert, ermittelt er mittels Rückfragen beim Kunden die fehlenden Schlüsselwörter. Statt den Bot mit zahlreichen Datensätzen zu trainieren, reicht in diesen Fällen ein hinterlegter FAQ-Katalog. Der Vorteil: Regelbasierte Bots für klar umrissene Aufgabenbereiche sind schnell einsetzbar, da sie nicht angelernt werden müssen.
Im Gegensatz dazu startet ein „echter“ KI-Bot erst nach entsprechendem Training durch. Das heißt, die Entwickler müssen viele Beispiele und damit Daten sammeln und klassifizieren, mit denen die Maschine lernen kann. Auf der Basis des Gelernten kann sie verallgemeinern. Sie erkennt in den Eingaben des Nutzers verschiedene Muster – und antwortet, ohne auf vorformulierte Sätze zurückzugreifen. Ein KI-Chatbot versteht Anfragen selbst dann, wenn keine Schlüsselwörter auftauchen. Der Vorteil: Anders als regelbasierte Software ist KI in der Lage, eigenständig neue Probleme zu lösen. Daher sind ihre ermittelten Ergebnisse nicht statisch, sondern verbessern sich laufend.
… wenn die Einführung in einen spezifischen Bereich entweder ohne oder nur mit kurzem Training des Systems gelingt. Da KI oft auf Maschine Learning basiert, müssen die Systeme erst umfassend antrainiert werden, um nutzbringende Ergebnisse liefern zu können.
… wenn die Qualität der ermittelten Ergebnisse sinkt. Denn um aktuell zu bleiben, braucht regelbasierte Software permanent neue Regeln. Erhält sie diese nicht, können sich die Resultate verschlechtern. Anders KI: Je mehr Massendaten sie auswertet – und damit trainiert –, umso besser wird sie.
… wenn die Lösung kaum Computing-Ressourcen benötigt. Zwar ist Cloud Computing per se keine Grundvoraussetzung für erfolgreiche KI. Allerdings braucht es hoch performante Kapazitäten, um KI zu entwickeln, zu implementieren und zu betreiben. Von daher sind bedarfsgerechte Ressourcen beispielsweise aus der Open Telekom Cloud erste Wahl. Warum?
Zum einen beansprucht das Training der KI-Modelle enorme Rechen-Power, zum anderen lassen sich AI-Anwendungen im laufenden Betrieb dank Public Cloud fast grenzenlos skalieren.
Seriöse Anbieter von echter künstlicher Intelligenz werden immer erklären können, wie die Analysen und Modelle funktionieren, die ihrer Lösung zugrunde liegen. Auch gibt es inzwischen zahlreiche Modelle, nach denen Ihnen komplette Entwicklungsumgebungen für Künstliche Intelligenz bedarfsgerecht aus der Cloud bereitgestellt werden. Hier finden Sie alles, was Sie zur Entwicklung eigener KI-Modelle benötigen. Zum Beispiel mit ModelArts aus der OpenTelekom Cloud, das neben der Entwicklung auch das Training und die Bereitstellung der KI ermöglicht. Dabei gilt: Gibt es in Ihrem Unternehmen keine Data Scientists oder KI-Spezialisten, die Ihre vorhandene KI überprüfen oder ein neues Modell entwickeln können, helfen wir gerne mit unserer Expertise weiter.
