1.1.1 KI – eine Annäherung

Sucht man heute nach einer einheitlichen, allumfassenden Definition für »Künstliche Intelligenz«, tut man sich in aller Regel schwer. An Versuchen zur Begriffsbestimmung mangelt es kaum. Aber wer sich intensiver mit der Thematik befasst, merkt schnell, dass es problematisch ist, den Reigen an Bereichen, Funktionen, Leistungen und Attributen, die hiermit verbunden zu sein scheinen, unter einen Hut zu bringen. Das liegt einerseits daran, dass die rasante Entwicklung insbesondere der letzten Jahre auf diesem Gebiet kaum eine Konsolidierung des Wissensstandes zulässt. Zum anderen sind wir uns noch nicht mal einig, was eigentlich überhaupt genau »Intelligenz« ist. Auf den Menschen bezogen verstehen wir darunter zwar allgemein in etwa die Fähigkeit, abstrakt und vernünftig zu denken, Zusammenhänge zu erkennen und Probleme zu lösen sowie daraus zweckgerichtetes Handeln abzuleiten. Allerdings ist unklar, welche Attribute und Eigenschaften uns zu diesen Leistungen befähigen und im Detail darunter zu erfassen sind. Zudem ist umstritten, ob und wie sich Intelligenz empirisch korrekt messen lässt.1 Vor nicht allzu langer Zeit galt Intelligenz noch als angeboren und damit unveränderbar über die Lebenszeit hinweg. Heute wird oft auch nachdrücklich die Meinung vertreten, dass sich sehr wohl ebenso in späteren Lebensabschnitten die Intelligenz verändern kann und zwar durchaus in beide Richtungen, nach unten wie nach oben, abhängig vom Lebenswandel und der Bereitschaft, geistige Herausforderungen anzunehmen.

Während also die Deutungshoheit auf diesem Feld seit Jahrzehnten hart umkämpft ist, diskutieren wir heute parallel bereits über verschiedenste künstliche Formen von Intelligenz, ohne dass deren Kerngehalt abschließend geklärt zu sein scheint. Was daraus resultiert, ist ein definitorischer Flickenteppich, der nicht selten für Verwirrung und viele Unklarheiten sorgt.

Schwache und starke KI

Unterschieden wird dabei oft zwischen »schwacher« und »starker« KI.2 Der Begriff der »schwachen KI« (auch englisch Applied Artificial Intelligence (AAI), also »angewandte KI«) bezieht sich meist auf die mechanisierte Abwicklung einzelner Problemlösungen und Anwendungsbereiche durch »intelligente« Systeme, mit einem beschränkten Grad an Eigenständigkeit in der Entscheidungsfindung und bei der Ausführung von daraus abgeleiteten Handlungen. Er beschreibt auf diese Weise eher ein »Nachahmen« von Intelligenz und schließt dabei in der Regel die meisten der bekannten KI-Applikationen, wie etwa Bild- und Texterkennung oder die Sprachfunktionen von Amazons Alexa oder Apples Siri mit ein.

»Starke KI« (auch englisch Artificial General Intelligence (AGI), also »künstliche allgemeine Intelligenz«) umfasst hingegen die Vision einer tatsächlichen Nachbildung menschlicher Denkweisen und entsprechender Abstraktionsfähigkeiten sowie möglicherweise sogar die Entwicklung eines eigenen »Bewusstseins« – letztlich also die Vorstellung, KI könne perspektivisch die menschlichen Fähigkeiten vollständig nachbilden und eines Tages sogar übertreffen. Damit eng verbunden ist der vieldiskutierte Themenkomplex der Singularität, womit der Zeitpunkt umschrieben wird, an dem KI in Form von Softwaresystemen, Maschinen oder Robotern den Menschen hinsichtlich seiner geistigen Leistungsfähigkeit eingeholt hat (vgl. Teil C 1.2 und 4).

Die Diskussion um KI allgemein und insbesondere hinsichtlich der damit verbundenen Risiken und Chancen wird oft sehr emotional geführt. Auch innerhalb der »akademischen Standesgrenzen« besteht keineswegs immer Einigkeit, ab wann ein technisches System nun tatsächlich als »intelligent« zählen darf. Vielleicht macht es daher Sinn, sich über eine Beschreibung der Aufgaben und Erscheinungsformen von KI zu nähern.

1.1.2 Mustererkennung (Pattern Recognition)

Die Erkennung von Mustern und Gleichmäßigkeiten in Datenstrukturen verkörpert ein wichtiges Grundprinzip von KI. Dabei werden aus großen Datenmengen statistische Häufungen analysiert und gruppiert, um Rückschlüsse auf allgemeingültige Zusammenhänge zu ermöglichen. Die Mustererkennung bildet damit auch die Grundlage für die Prognosefähigkeiten intelligenter Systeme und Predictive Analytics sowie für das maschinelle Lernen.

Spam-Mails identifizieren

Zu den Anwendungsgebieten zählt etwa die Identifizierung von Spam-Mails. Diese weisen im Vergleich zu E-Mails, die nicht als Spam klassifiziert werden, typische Besonderheiten und entsprechende Ähnlichkeiten auf, beispielsweise typische Schlüsselwörter im Text oder in der Betreffzeile (»Viagra«, …), bestimmte, bereits zuvor negativ aufgefallene Absender oder einfach entsprechende Spam-Markierungen anderer Adressaten. Von einem derartig trainierten System können diese dann automatisiert in den Junk-Ordner des E-Mail-Clients sortiert werden, ohne dass der unfreiwillige Empfänger diese zuvor zu Gesicht bekommt.

Einen wichtigen Beitrag zum digitalen Marketing leistet auch das Erkennen von Verhaltensmustern beim Surfen im Internet. Entsprechen die Inhalte der angesteuerten Webseiten oder das Klickverhalten einer einzelnen Person jenen einer größeren Vergleichsgruppe, kann dies als Indiz für eine weiterreichende Ähnlichkeit interpretiert werden. Dies wiederum ist relevant für das Targeting (vgl. Teil B 2.2.3), der zielgenauen Zuspielung von spezifischer Werbung.

1.1.3 Ableitung von Prognosen und Mustervorhersagen

Eng verwoben mit der Erkennung von Mustern ist die Ableitung von Voraussagungen und Prognosen. Ist es gelungen, maßgebliche übereinstimmende Eigenschaften von zwei Objekten oder Personen zu identifizieren, so lässt dies weitere Rückschlüsse auf Entwicklungen und auch zukünftige Verhaltensweisen zu. Im Prinzip kann man diese Zusammenhänge wie einen Dreisatz erklären: »Wenn A sich auf die gegebene Art und Weise verhält und gleichzeitig B wie A ist, dann wird sich auch B entsprechend wie A verhalten.« Das bekannteste Beispiel hierfür ist sicherlich der schon eingangs erwähnte Amazon-Algorithmus »Kunden, die das gekauft haben, haben auch gekauft …«.

Produktempfehlung für Einbrecher

In der Praxis kann dies bisweilen zu erstaunlichen Erkenntnissen führen: Berühmt ist etwa die Produktempfehlung des Onlinehändlers für Interessenten eines Glasrundschneiders. Krimi-Enthusiasten sollte dieses Produkt als hilfreiches Utensil für Einbrecher bekannt sein, lassen sich damit doch, dank Vakuumpfropfen und Zirkelklinge, kreisrunde Löcher in Fensterschreiben schneiden, und zwar geräuschlos und ohne spitze Scherben dabei zu verursachen. Kunden, die dieses Produkt erworben haben, hatten sich auch für die blickdichte und bis auf zwei Augenschlitze das Gesicht komplett verhüllende Sturmhaube, Marke »Balaclava« interessiert. Man kann wohl getrost davon ausgehen, dass die Heranziehung dieser Daten im Rahmen der Aufklärung einer Einbruchsserie – was natürlich mit deutschem Recht aus gutem Grunde nicht vereinbar wäre – wertvolle Hinweise zu den Tätern liefern dürfte.

Entsprechend gehört zu den bereits...