Künstliche Intelligenz und Maschinelles Lernen – Anwendungen, Grenzen, Science-Fiction

Potenziale der Künstlichen Intelligenz und des maschinellen Lernens

Häufig werde ich von Führungskräften, Politikern, Wissenschaftlern oder Studenten  gefragt, ob mir die Entwicklungen im Bereich der Künstlichen Intelligenz (KI) keine Sorgen bereiten würden. Hintergrund der Fragen ist natürlich in den meisten Fällen die Befürchtung, dass Maschinen zu mächtig werden könnten, wie es ja auch schon seit langer Zeit von Science-Fiction-Autoren vorgedacht wurde. Klassiker sind der Supercomputer HAL9000 aus „2001: Odysee im Weltraum“ sowie Filme wie Terminator oder Blade Runner. Die Debatte über die Macht von Algorithmen wird – nach den vielen Erfolgen der KI – auch unter dem Schlagwort „Singularity“ geführt. In die Öffentlichkeit getragen wurde die Diskussion dieses Jahr auch durch Statements des Physik-Genies Stephen Hawking oder die öffentlichkeitswirksame Kontroverse zwischen Marc Zuckerberg und Elon Musk, den Chefs von Facebook und Tesla. Dabei führte Marc Zuckerberg Beispiele an, in denen er zeigte, wie KI den Menschen bei bestimmten Problemstellungen unterstützen kann, etwa im Bereich der Gesundheit. Elon Musk, der sogar einen eigenen Think Tank zu dem Thema KI gegründet hat, argumentierte demgegenüber eher brachial. So wurde er zitiert mit Statements wie „Artificial Intelligence will kill us all“ oder er verglich die Gefahren der KI mit denen des Atomwaffenarsenals Nordkoreas. Ich stehe in diesem Punkt eher auf der Seite von Marc Zuckerberg. Warum?

Betrachten wir zunächst die Fortschritte der KI-Forschung, insbesondere im Bereich des Maschinellen Lernens. Die Entwicklungen sind in der Tat zum Teil atemberaubend. Noch im Jahr 2015 hatten KI-Experten im Rahmen einer Befragung der Oxford University prognostiziert, dass erst im Jahr 2027 Algorithmen die besten Go-Spieler der Welt besiegen könnten (das asiatische Brettspiel Go ist viel komplexer als etwa Schach). Aber bereits 2016 war es soweit. Ebenfalls große Fortschritte konnten in Anwendungsbereichen wie Spracherkennung, Medizin oder autonomes Fahren gemacht werden.

Trotz dieser zum Teil unerwarteten Erfolge brauchen wir uns m.E. keine Sorgen zu machen, dass Maschinen zukünftig uns Menschen dominieren, gegen unseren Willen Entscheidungen treffen oder gar die Weltherrschaft übernehmen werden. Denn trotz dieser enormen Fortschritte ist die Anwendbarkeit von Algorithmen heute auf abgegrenzte und strukturierte Problemstellungen begrenzt. Es handelt sich also salopp formuliert um Fachidioten. Sie können die Ausfallwahrscheinlichkeit von Maschinen vorhersagen, Schach spielen, Sprache erkennen etc. Aber kein Programm, das beispielsweise Go oder Schach spielen kann, kann auf die Idee kommen, sein  Anwendungsgebiet zu erweitern und nach Macht oder ähnlichem zu streben.

Grenzen der Algorithmen zum maschinellen Lernen

Natürlich hat die Anwendung von KI-Algorithmen aber auch Grenzen und es handelt sich nicht um „Wundertüten“. Insbesondere müssen wir uns über zwei Limitationen im Klaren sein: Zum einen kommen sie in vielen Szenarien zwar rein statistisch gesehen zu sehr guten Ergebnissen bzw. Entscheidungen. Das bedeutet aber nicht, dass sie keine Fehlentscheidungen treffen. Schauen wir uns dazu das folgende Bild an.

Diese Katze wurde von einer Google-KI-Lösung nicht als solche erkannt, sondern als Guacamole. Ein anderes Beispiel ist eine auf dem Rücken liegende Schildkröte, die der Algorithmus für ein Gewehr gehalten hat. Im Falle des Katzen-Guacamole-Beispiels wurde der Algorithmus einfach ausgetrickst. Kennt man die Parameter des Algorithmus, kann das neuronale Netz durch ein paar wenige hinzugefügte Striche oder Punkte einfach überlistet werden. Das ist im obigen Beispiel witzig, in anderen Anwendungsszenarien könnten Kriminelle oder Hacker diese potenzielle Schwäche mit dramatischen Folgen ausnutzen, wenn wir etwa an ein Beispiel wie autonomes Fahren denken.

Zum anderen – und damit kommen wir zu dem zweiten Punkt der Limitationen – arbeiten ML-Ansätze häufig wie eine Black Box, d.h., sie geben keine Auskunft darüber, warum sie zu einem bestimmten Ergebnis gekommen sind. Wenn man aber nicht weiß, warum ein Algorithmus ein bestimmtes Ergebnis produziert, würde ich solche Ansätze in bestimmten Anwendungsbereichen nicht verwenden. Nehmen wir als Beispiel aus dem HR-Bereich die Bewertung von Bewerbungen. Stellen wir uns vor, der Algorithmus kommt bei seinem Auswahlprozess auf der Grundlage von Profilen der Bewerberinnen und Bewerbern zu dem Ergebnis, dass bestimmte Mitarbeiter für eine Stelle geeignet sind oder eben nicht – und wir wissen nicht warum. Die ist zum einen problematisch, weil wir den Bewerbern unsere Auswahlentscheidungen natürlich erklären müssen und wollen. Zum anderen können mit dieser fehlenden Entscheidungstransparenz auch ethische Probleme einhergehen, wie in diesem Fall: So wissen wir nicht, ob der Algorithmus beispielsweise Parameter, wie Geschlecht, Hautfarbe oder Religion, in seine Entscheidung einbezogen hat. Wir wissen das deswegen nicht, weil sich künstliche neuronale Netze ein Stückweit wie eine Black Box verhalten. Die Entscheidung erfolgt letztlich auf Basis der errechneten Gewichte der Kanten zwischen den Neuronen (Knoten) des Netzwerks, die wir nur sehr schwer interpretieren können.

Zeitalter des  maschinellen Lernens

Grundsätzlich gilt aber, dass Ansätze des Maschinellen Lernens für viele (strukturierte) Problemstellungen in Unternehmen gut geeignet sind. So bieten diese Algorithmen eine Vielzahl von Chancen, Effizienzgewinne zu realisieren oder sie können auch die Grundlage für die Gestaltung digitaler Geschäftsmodelle bilden. Entscheider müssen sich nur ein fundiertes Bild davon machen, für welche Aufgaben KI-Algorithmen geeignet sind und für welche nicht. Die  Rahmenbedingungen sind auf jeden Fall prädestiniert für das Zeitalter des Maschinellen Lernens. So sind Daten als Grundlage des Maschinellen Lernens in einem noch nie bekannten Maße verfügbar. Ebenso kann Rechenpower aus der Cloud so kostengünstig wie noch nie bezogen werden. Hinzu kommen viele Open-Source-Werkzeuge, die es KI-Experten und Softwareentwicklern immer einfacher machen, Anwendungen zu erstellen. Die Zeit ist also reif, sich intensiv mit dem Thema KI zu beschäftigen. Erik Brynjolfsson und Andrew McAfee vom MIT sprechen von „the most important general-purpose technology of our era.“ Die zweite Welle der Digitalisierung ist angekommen.