Künstliche Intelligenz - Kennen Sie die Begriffe?

Begriffe zur künstlichen Intelligenz auf einer Seite schnell erklärt.

Der Begriff „Künstliche Intelligenz (KI)“ oder "Artificial Intelligence (AI)" entstand bereits im Sommer 1956. Der US-amerikanische Informatiker John McCarthy verwendete diesen Begriff in einem Förderantrag für die sechswöchige Dartmouth Conference, dem ersten wissenschaftlichen Forschungsprojekt über künstliche Intelligenz.

Schwache KI

Schwache KI beschränkt sich auf Lösungen, die den Menschen maschinell intelligent dabei unterstützen, Entscheidungen in bestimmten Bereichen zu treffen. Die Problemlösung erfolgt hierbei auf Basis von Methoden der Mathematik und Informatik, die speziell für die jeweilige Anforderung entwickelt und optimiert werden.

Alle zur Zeit existierenden Lösungen der künstlichen Intelligenz fallen unter die Kategorie "Schwache KI".
Bei schwacher KI kommt als Lösungsmethode Machine Learning (ML), zu Deutsch: maschinelles Lernen zum Einsatz.


Beispiele:
Automatisierte Übersetzung, Expertensysteme auf Basis von Wissensdatenbanken, Bilderkennung

Starke KI

Starke KI zielt auf die Imitation der menschlichen Intelligenz. Sie handelt aktiv, intelligent und flexibel aus eigenem Antrieb heraus. Das umfasst die Fähigkeit, Wissen vielfältig zu kombinieren und so in verschiedenen Bereichen anzuwenden.
Es ist bisher noch nicht gelungen, starke KI-Systeme zu entwickeln. Die Mehrheit der Forscher ist sich einig darüber, dass starke KI entwickelt werden wird. Es gilt unter den Forschern als realistisch, dass dies bis Mitte des 21. Jahrhunderts geschehen wird.

Superintelligenz

Superintelligenz bezeichnet Wesen oder Maschinen, die in vielen oder allen Gebieten eine dem Menschen überlegene Intelligenz aufweisen.
Ein tatsächlich geistig überlegenes Wesen, das die Kriterien einer Superintelligenz erfüllt, ist nach heutigem Kenntnisstand nicht bekannt.

Machine Learning (ML)

ML (zu Deutsch: Maschinelles Lernen) stellt eine besondere Methode der schwachen KI dar. Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln. Zuvor sind Regeln für die Analyse des Datenbestands und das Erkennen der Muster aufzustellen. Je mehr spezifisches Datenmaterial für die angestrebte Lösung zugeführt wird, desto besser werden diese Modelle und Algorithmen. ML-Anwendungen „lernen“ so eigenständig und konstant weiter und können immer genauere Schlussfolgerungen ziehen und Ergebnisse liefern.

Deep Learning (DL)

DL (zu Deutsch: hierarchisches oder tiefgehendes Lernen) ist eine spezielle Methode von Machine Learning (ML). DL nutzt Algorithmen zur Mustererkennung aus neuronalen Netzen, die aus einer Vielzahl von aufeinanderfolgenden Schichten bestehen. Jede Schicht führt einen mathematischen Transformationsprozess durch, dessen Ergebnis wiederum in die jeweils nächste Schicht eingespeist wird. Das Ergebnis der letzten Schicht stellt am Schluss der selbstoptimierenden Prozesskette die finale Entscheidung für den jeweiligen Input dar.
Häufige Anwendungsfälle für Deep Learning sind Bild- und Spracherkennung, Analysen zur Vorhersehbarkeit, Empfehlungssysteme oder Anomalieerkennungen (z.B. in der Medizin).

Beispiele:
Bekannte Anwendungsbeispiele im Alltag sind die Sprachsteuerungssoftware von Alexa oder Siri, das Bilder-Tagging von Facebook oder automatische Übersetzungsysteme.