Ich – Welt: KI und ihr Winter

Weil das Thema gerade in alle Munde ist. Hier eine kurze Historie zum Thema “Künstliche Intelligenz” (englisch Artifical Intelligence) und einige Tipps für die Herangehensweise an das Thema.

Im Turing-Test formulierte Alan Turing im Jahr 1950 eine Idee, wie man feststellen könnte, ob ein Computer, also eine Maschine, ein dem Menschen gleichwertiges Denkvermögen hätte. Das war der Startzeitpunkt für GOFAI, was für “Good Old-Fashioned Artificial Intelligence” steht. Diese konnte sich nicht durchsetzen, weil ihre Abbildung der Realität nicht genügend war. Das Thema erlebte seinen ersten “KI Winter”.

Nachdem sich die Branche vom ersten KI Winter in den späten 1970ern erholt hatte, wurden grosse Hoffnungen in Expertensysteme und Lisp-Maschinen gesetzt. Beiden Techniken hatten aber noch nicht genügend Rechenleistung und Daten- oder Sensorleistung zur Verfügung. Der zweite KI-Winter begann Ende der 1980er Jahre mit der Enttäuschung, dass die hochgesteckten Erwartungen mit diesem Ansatz nicht erreicht werden konnten. Es kam zum nächsten “KI Winter”.

Gleichzeitig eröffneten sich aber dank genügend Compute Power in der Cloud und Big Data neue Möglichkeiten. Diese wurden durch Tools wie Deep Blue, ein Schachprogramm, dass Garri Kasparow 1997 unter Wettkampf-Bedingungen schlug, nachdem es 1996 noch verloren hatte. Oder Watson, das als Lösung 2011 in Jeopardy! gegen zwei Menschen gewonnen hat. Während Deep Blue bewies, was genügend Rechenleistung bringen kann, konnte mit Watson die verbesserte Sensorik durch semantische Spracherkennung bewiesen werden und dann die Fähigkeit grosse Datenbestände effizient zu durchsuchen. Mit Alpha Go bewies Google, dass auch komplexe Spiele wie Go durch eine KI zu gewinnen sind.

Im Ausblick stellt sich die Frage, wo wir Enden werden mit der KI Welle. Werden wir wieder einen “KI Winter” erleben oder einen Status Quo, wo wir dank Anwendungen wie “Autonomen Fahren” Vorteile aus der Technologie ziehen können. Oder werden wir dank “Deep Learning” gar zu einem Quantensprung ansetzen können? Momentan befinden wir uns Nahe dem Zenit des Zyklus und ich bin gespannt was sein wird.

Für alle, die damit Erfahrungen machen wollen, hier einige Ratschläge:

• Offen und experimentierfreudig sein – Es gibt kein Patentrezept – bleiben Sie offen für Kursänderungen und Neues.
• Zielvorstellungen vorgängig formulieren – Machen Sie die Zielerreichung messbar.
• Anwendbarkeit der Ergebnisse im Auge behalten – Bleiben Sie praxisorientiert und behalten Sie den geschäftlichen Nutzen stets im Blick.
• Mit kleinen, in sich abgeschlossenen Projekten beginnen – Beginnen Sie mit einem kleinen Projekt und weiten Sie den Einsatz von KI nach und nach aus.
• Von Best Practices profitieren – Vermeiden Sie Fehler, die andere Unternehmen bereits gemacht haben, indem Sie einen Profi als Coach ins Boot holen.
• Auf Fachkompetenz setzen – Engagieren Sie einen Data Scientist – ob intern oder extern.
• Daten konsequent veredeln – Data Analytics und Machine Learning leben vom Informationsgehalt der Daten – nutzen Sie externe Datenquellen, Services und Modelle, um diesen insbesondere bei unstrukturierten Daten zu erhöhen und zugänglicher zu machen.