Alle bisher entwickelten Systeme gehören zur Schwachen KI: Sie können genau umrissene Aufgaben lösen – in der Regel besser als der Mensch –, aber am Tellerrand ist Ende. Wo die menschliche Dermatologin auch eine erfahrene Sängerin sein kann, wird ein KI-System, das zuverlässig Hautkrebs erkennt, genau darauf beschränkt bleiben. Starke KI hingegen gibt es in der Realität noch nicht: Sie könnte aus einem eigenen Bewusstsein heraus flexibel handeln und mindestens auf menschlichem Niveau Probleme unterschiedlicher Art lösen, so wie die beiden Roboter C3PO und R2D2 in Star Wars.

„Wir Menschen sind mit unseren Fähigkeiten so breit angelegt, da ist ein Computersystem noch weit von entfernt“, meint Professor Josef Pauli, Experte für Intelligente Systeme. KI bildet bisher lediglich einzelne menschliche intellektuelle Fähigkeiten nach. Statt für Aufgaben programmiert zu werden, kann eine KI eigenständig Antworten und Lösungen finden, indem sie aus Erfahrung schöpft und lernt, mit neuen Situationen umzugehen.

„Dabei geht es mitunter auch um sensomotorische Fähigkeiten“, weiß Pauli. „Angenommen, man gibt einem Roboterarm die Aufgabe, ein Objekt zu greifen, das außerhalb seiner Reichweite liegt. Dann muss er eine Vorstellung der eigenen Fähigkeiten

und seiner Position im Raum haben, um die Aufgabe lösen zu können – und sich zum Beispiel dort hinbewegen.“ KI wird von Menschen programmiert, doch es wird ihr überlassen, wie sie Aufgaben löst.

Für Unternehmen am interessantesten und für den derzeitigen Höhenflug der KI verantwortlich ist das Maschinelle Lernen (ML), ein Teilgebiet der KI: Hier lernt das System aus Erfahrung, indem es aus vorgegebenen Daten Muster erkennt, Regeln ableitet und sie – mit wachsender Datenmenge immer präziser – auf anschließende Fragen anwendet.

Innerhalb des ML gibt es wiederum das Deep Learning (DL), das Künstliche Neuronale Netze (KNN) verwendet, um Muster zu erkennen: Hier werden Daten aufgenommen, analog zum menschlichen Gehirn in vielen inneren Schritten verarbeitet und schließlich ein Ergebnis präsentiert. Aktuelle DL-Systeme sind bereits sehr erfolgreich: So analysieren KNN Überwachungsvideos, können Erkrankungen an der Stimme erkennen, Schweißnähte prüfen oder krakelige Handschriften auf Briefumschlägen entziffern.

Aber Deep Learning benötigt große Datensätze, viel Zeit und enorme Rechenkapazitäten. Diesen hohen Ressourcenbedarf möchte die KI-Forschung reduzieren. Eine weitere große Herausforderung besteht darin, Architekturen für DL so zu entwickeln, dass Menschen nachvollziehen können, nach welchen Regeln das System Entscheidungen trifft. „Wenn wir möchten, dass künftige KI-Systeme breit akzeptiert werden“, so Pauli, „ist diese Erklärbare KI wesentlich.“

_{Foto: Kras99/Adobestock.com}