Künstliche Intelligenz – welche Unterschiede gibt es?
Künstliche Intelligenz – welche Unterschiede gibt es?
Künstliche Intelligenz – es gibt kaum ein anderes Thema über das aktuell so viel geredet wird. Die einen sind begeistert, die anderen dagegen verunsichert. Ganz gleich wie man darüber denkt, wenn man vorhat eine App entwickeln zu lassen sollte man wissen wie KI funktioniert und was sie bewirken kann.
Auf der Startup-Plattform AngelList gibt es tausende Unternehmen, die künstliche Intelligenz als Teil ihrer Produkte und Dienstleistungen vermarkten. Die durchschnittliche Bewertung dieser Unternehmen liegt bei 4.5 Millionen Euro. Nach einer IDC-Prognose wird der Markt für Künstliche Intelligenz bis 2022 ein Volumen von mehr als 69 Milliarden Euro haben, bis zu 62% aller Unternehmen planen die Technologie bis zum nächsten Jahr einsetzen.
Was jedoch ist Künstliche Intelligenz?
Sind es Roboter, die denken können? Oder Apps, die einfach wissen was man denkt? In Wirklichkeit ist Künstliche Intelligenz keine einzelne Technologie, sondern ein Oberbegriff, der mehrere verschiedene Technologien umfasst. Deren Ziel ist es, menschliche Intelligenz nachzuahmen und so sich so zu verhalten / zu denken wie ein Mensch es tun würde. Diese Technologien lernen aus unserem Verhalten und passen sich an, werden mit der Zeit besser, und versuchen, “menschliche” Lösungen für Probleme aller Art anzubieten. Die wichtigsten Technologien, die KI beinhalten, sind:
1. Maschinelles Lernen
Machine Learning (ML) ist ein Teil der künstlichen Intelligenz, der durch Erfahrung lernt und sich verbessert, ohne das eine explizite Programmierung notwendig ist. Der Fokus liegt also auf der Entwicklung von Programmen und Routinen, die Daten beobachten, analysieren und wiederrum implementieren, um ihre Leistung zu verbessern und Funktionen zu personalisieren. Im Wesentlichen ermöglicht das maschinelle Lernen also einer App oder einem Programm, mit dem Benutzer zu wachsen und Muster in seinem Verhalten zu identifizieren, und dadurch die Interaktion mit dem Benutzer nach seinen Wünschen zu verändern.
Wie Apps Machine Learning nutzen
Ein gutes Beispiel ist Netflix. Eventuell hat man sich schon einmal gefragt, warum der Streamingdienst so gut darin ist vorauszusagen, was man als nächstes sehen will. Netflix beobachtet genau, wie man auf auf jedes Video reagiert das man sich ansieht, und passt seine Empfehlungen entsprechend an. Pausiert man oft? Sieht man es sich bis zum Ende an? Zu welcher Tageszeit sieht man sich welche Genres an? Je mehr man sieht, desto besser weiß Netflix, was man gerne als nächstes sehen würde.
2. Neuronale Netze
Die Beschreibung neuronaler Netzwerke würde viel länger dauern, als in diesem Blog dafür Platz ist. Abstrakt gesagt ist ein neuronales Netzwerk eine Gruppe von Programmen. Diese Programme sind untereinander vernetzt und bestehen aus mehreren Schichten einfacher Verarbeitungsknoten, die als Ganzes die Funktionsweise des menschlichen Gehirns nachahmen, obwohl man natürlich noch weit davon entfernt ist, die Gehirnfunktion zu reproduzieren.
Im Wesentlichen erkennen neuronale Netze ein Muster, sei es in Bildern, Klängen, Texten oder einem anderen Format, und verwenden die gesammelten Datensätze, um das jeweilige Muster identifizieren zu können.
Wie Apps neuronale Netze nutzen
Eines der ersten, wirklich bekannten Beispiele für die Anwendung neuronaler Netze ist Shazam. Zu einer Zeit, als Künstliche Intelligenz noch kaum ein Thema war, hat Shazam bereits neuronaler Netze zur Identifizierung von Songs verwendet.
Die OCR Technologie ist ein weiteres Beispiel für neuronale Netze. Durch sie wird Apps ermöglicht Bücher vorzulesen oder Übersetzungen einzublenden. Die Kamera reicht dafür Bildinformationen weiter zur Bildverarbeitung, welche den Text z.B. im Buch oder auf einem Schild erkennt und vorliest bzw. übersetzt.
3. Verarbeitung natürlicher Sprache
“Hey Siri! Was ist eine natürliche Sprachverarbeitung?”
Allein die Tatsache, dass Siri diese Frage verstehen und einem eine nahezu perfekte Antwort geben kann, ist eine technologische Meisterleistung der natürlichen Sprachverarbeitung. Informatik, Computerlinguistik und künstliche Intelligenz werden kombiniert und ermöglichen eine völlig neue Art der Interaktion mit Smartphones.
Beim gesprochenen Text müssen nicht nur die Wörter erkannt werden, sondern auch der Sinn dahinter. Dabei müssen unterschiedliche Dialekte und Redewendungen berücksichtigt werden – und zwar ohne, das jemand diese vorher einspricht bzw. dem System beibringt. Künstliche Intelligenz bzw. ein skalierbares Produkt für den Massenmarkt muss in der Lage sein, ständig dazu zu lernen. Denn auch Sprache als solche verändert sich.
Wie Apps die Verarbeitung natürlicher Sprache nutzen
Siri, Alexa, Google Talk und alle anderen Sprachtechnologien basieren auf der natürlichen Sprachverarbeitung. Selbst die mittlerweile veraltete Windows Speech to Text Funktion und andere Speech to Text Systeme sind Beispiele hierfür. Von der Notizenerfassung über die Gerätesteuerung bis zur Heimautomation und vieles mehr kann durch die Verarbeitung natürlicher Sprache (NLU, Natural Language Understanding) realisiert werden.
Diese Art der Kommunikation mit der steigenden Anzahl elektronischer Helferlein wird eins der zentralen Themen der Zukunft. Und im Gegensatz zu z.B. physikalischen / physischen Problemen (wie z.B. alternativer Energiequellen) gilt die natürliche Spracherkennung als sicher lösbar.
4. Deep Learning
Deep Learning hört sich ersteinmal ähnlich an wie maschinelles Lernen (ML). Es gibt tatsächlich auch Überschneidungen zu ML. In gewisser Weise ist es eine optimierte, komplexere Version davon.
Während maschinelles Lernen Daten analysieren und Algorithmen anwendet um die gewünschten Ergebnisse zu liefern, erfordern differenziertere Interpretationen dennoch einen Menschen.
Deep-Learning schichtet und strukturiert Algorithmen, um ein künstliches neuronales Netzwerk zu schaffen, das das System leistungsfähiger machen kann als maschinelles Lernen. Während das maschinelle Lernen verbale Hinweise von bestimmten Wörtern nehmen würde, um eine personalisierte Antwort zu geben, könnte Deep Learning mit der Zeit auch andere Wörter und Satzbauteile identifizieren, die im Wesentlichen dasselbe bedeuten und dennoch passende Ergebnisse liefern, selbst wenn man das Keyword noch nicht gesagt hat.
Wie Apps Deep Learning nutzen
Einige der wichtigsten Anwendungen von Deep Learning sind im Kundenservice zu finden. Chat- oder Support-Bots, die Kundenfragen beantworten können wie es ein echter Kundendienstmitarbeiter würde, können nur mit Deep Learning realisiert werden. Ein Beispiel wäre der Answer-Bot von Zendesk, welcher den Kontext eines Support-Tickets versteht und die Anfragen mit den entsprechenden Antworten und Hilfe-Artikeln beantwortet.
Fazit
Künstliche Intelligenz ist bereits ein untrennbarer Bestandteil unseres Lebens, alle wichtigen Apps setzen bereits massiv darauf. Je eher Unternehmen sich damit auseinander setzen, desto besser werden die Apps von Kunden bzw. Mitarbeitern aufgenommen. Apps können und müssen heutzutage in der Lage sein, zu beobachten und vom Benutzerverhalten lernen. Dadurch können Probleme gelöst werden, bevor der Benutzer diese meldet. Als Agentur für App Entwicklung haben wir bereits einige Apps mit Deep Learning für Unternehmen realisiert. Sprechen Sie uns darauf an!