1
Grundlagen der Künstlichen Intelligenz

In diesem Kapitel werden die Grundlagen der Künstlichen Intelligenz (KI) behandelt. International spricht man von »Artificial Intelligence« (AI). Das Ziel ist es, ein Verständnis für die Funktionsweise, Terminologie und Technologie von KI zu schaffen. Weniger im technischen Sinne, sondern eher für Sie als Entscheider aufbereitet. Es soll erreicht werden, dass Sie die aktuellen und kurzfristigen erwarteten Möglichkeiten so einordnen können, dass Sie gute Entscheidungen für Ihr Geschäftsmodell treffen können. Dies bildet die Grundlage für das tiefere Verständnis, wie KI im B2B-Vertrieb sinnvoll genutzt werden kann.

Was ist KI?

Künstliche Intelligenz, kurz KI, ist in aller Munde. Von selbstfahrenden Autos bis hin zu smarten Assistenten, die uns den Alltag erleichtern - KI scheint überall zu sein. Doch was genau verbirgt sich hinter diesem Begriff, der so vielversprechend und zugleich schwer fassbar klingt?

Eine Definition, die Licht ins Dunkel bringt

Wenn wir über KI sprechen, meinen wir im Wesentlichen Maschinen oder Systeme, die Aufgaben übernehmen können, die normalerweise menschliche Intelligenz erfordern. Diese Aufgaben umfassen das Verstehen von Sprache, das Treffen von Entscheidungen auf Basis unstrukturierter Information, das Erkennen von Mustern und sogar das Lernen aus Erfahrungen.

Künstliche Intelligenz bedeutet also, Maschinen so zu programmieren, dass sie in gewissem Maße »denken« und »handeln« können - zumindest in den Grenzen, die ihnen von ihren Entwicklern gesetzt werden.

Ein besonders alltagsnahes Beispiel für Künstliche Intelligenz, das wir fast alle nutzen, ist das Navigationssystem in unseren Autos oder auf unseren Smartphones. Diese Systeme verwenden KI, um Routen in Echtzeit zu berechnen, basierend auf einer Vielzahl von Daten wie Verkehrsinformationen, Straßensperrungen und gemessenen Reisezeiten.

Dabei lernen sie kontinuierlich aus neuen Informationen, um die besten Strecken vorzuschlagen. So wird die Fahrt nicht nur schneller und effizienter, sondern das System kann sich auch an individuelle Vorlieben anpassen, wie etwa die Vermeidung von Autobahnen oder Mautstraßen. Dies zeigt, dass KI in vielen Bereichen unseres Lebens eine stille, aber effektive Rolle spielt - oft, ohne dass wir es überhaupt bewusst wahrnehmen.

Von den Anfängen bis heute: Ein Blick zurück

Die Idee, Maschinen zu bauen, die denken können, ist nicht neu. Bereits in den 1950er Jahren legten Vordenker wie Alan Turing und John McCarthy die theoretischen Grundlagen der KI. Turing entwickelte den nach ihm benannten Turing-Test, der prüfen sollte, ob eine Maschine menschliche Intelligenz nachahmen kann, ohne dass der Mensch den Unterschied bemerkt.

McCarthy prägte den Begriff »Künstliche Intelligenz« und veranstaltete 1956 die berühmte Dartmouth-Konferenz, die als offizieller Startpunkt der KI-Forschung gilt. Seitdem hat sich die Technologie rasant weiterentwickelt.

Obwohl die Science-Fiction-Literatur schon in den 1960er Jahren visionäre Ideen von denkenden Maschinen und selbstlernenden Robotern hervorbrachte, verlief die tatsächliche Entwicklung der Künstlichen Intelligenz zunächst enttäuschend langsam. Werke wie Isaac Asimovs Robotergesetze oder Filme wie 2001: Odyssee im Weltraum zeigten Welten, in denen KI tief in den Alltag integriert war und menschliche Aufgaben übernahm.

Die Realität hinkte diesen Visionen jedoch lange hinterher. In den ersten Jahrzehnten der KI-Forschung waren die Fortschritte bescheiden, und die hochgesteckten Erwartungen der frühen Forscher konnten oft nicht erfüllt werden. Es fehlte an Rechenleistung, Daten und ausgefeilten Algorithmen, um diese Ideen Wirklichkeit werden zu lassen.

Doch was damals nach einem ernüchternden Stillstand aussah, hat sich heute grundlegend verändert: Viele der Konzepte aus der Science-Fiction - von Sprachassistenten bis zu selbstfahrenden Autos - sind inzwischen Teil unseres Alltags geworden, angetrieben durch Fortschritte in der Rechentechnik und dem exponentiellen Wachstum von Daten.

Insbesondere die Verfügbarkeit großer Datenmengen, die für automatisierte Lernprozesse der KI-Systeme genutzt werden können, hat die Geschwindigkeit der Entwicklung enorm beschleunigt.

Schwache und starke KI

Wenn wir von KI sprechen, müssen wir zwischen zwei grundlegenden Typen unterscheiden: der schwachen und der starken KI.

• Schwache KI, auch »narrow AI« genannt, ist auf die Erfüllung spezifischer Aufgaben beschränkt. Beispiele dafür sind Sprachassistenten wie Siri oder Alexa, die in festgelegten Bereichen, wie der Spracherkennung und Befehlsausführung, brillieren. Diese Systeme können jedoch nicht über ihre programmierten Aufgaben hinausdenken oder handeln.
• Starke KI, oder »general AI«, wäre in der Lage, in einer Vielzahl von Bereichen so zu agieren wie ein Mensch - flexibel, lernfähig und anpassungsfähig. Bisher ist dies jedoch eher ein theoretisches Konzept und in der Praxis noch nicht verwirklicht. Wissenschaftler und Ingenieure arbeiten weltweit daran, diesen nächsten Schritt zu erreichen, aber es bleibt eine Herausforderung, die möglicherweise noch Jahrzehnte entfernt ist.

Abgrenzung der Begriffe in der Künstlichen Intelligenz

In der Diskussion rund um Künstliche Intelligenz (KI) begegnen uns häufig verschiedene Begriffe und Konzepte, die auf den ersten Blick verwirrend erscheinen können. Die Abbildung 1.1 visualisiert die Hierarchie und Abgrenzung einiger dieser zentralen Begriffe und hilft, die verschiedenen Bereiche der KI besser zu verstehen. Lassen Sie uns die einzelnen Schichten und Modelle näher betrachten, um eine fundierte Basis für strategische Entscheidungen im Geschäftsmodell zu schaffen.

Künstliche Intelligenz (KI)

Ganz oben, und zugleich der größte Rahmen, steht die Künstliche Intelligenz (KI) als übergeordneter Begriff. Sie umfasst alle Technologien, die darauf abzielen, menschenähnliche Intelligenz nachzuahmen - sei es durch maschinelles Lernen, das Verstehen und Generieren von Sprache oder das Erkennen von Bildern. Im Grunde genommen handelt es sich bei KI um die Fähigkeit von Maschinen, Aufgaben zu übernehmen, die traditionell menschliches Denken erfordern. Dabei geht es um Mustererkennung, Vorhersagen und die Automatisierung von Entscheidungen.

Abbildung 1.1: Zentrale Begriffe der KI

Maschinelles Lernen (ML)

Innerhalb der KI ist das Maschinelle Lernen (ML) ein besonders wichtiger Bereich. Hierbei geht es darum, dass Systeme aus Daten lernen, ohne explizit dafür programmiert zu werden. Während klassische Algorithmen auf festen Regeln basieren, können maschinelle Lernmodelle durch das Erkennen von Mustern in großen Datenmengen selbst lernen. Unternehmen können ML nutzen, um beispielsweise Prognosen zu erstellen, wie sich Märkte entwickeln, oder um Kaufverhalten vorherzusagen. Maschinelles Lernen bildet somit die Grundlage für viele der leistungsstarken KI-Systeme, die wir heute sehen.

Deep Neural Networks (DNN)

Ein spezieller Teil des maschinellen Lernens sind Deep Neural Networks (DNN). Diese tiefen neuronalen Netze sind inspiriert von der Struktur des menschlichen Gehirns und bestehen aus vielen Schichten von Neuronen, die komplexe Datenmuster erkennen können. Sie sind besonders effektiv bei der Verarbeitung unstrukturierter Daten, wie Bilder, Texte oder Audiodateien. Dies macht sie zu einem unverzichtbaren Werkzeug für Anwendungen, bei denen es um die Analyse großer, komplexer Datensätze geht. Im Vertrieb können Deep Neural Networks helfen, Kundensegmente zu identifizieren oder komplexe Kundeninteraktionen zu analysieren.

Transformer-Modelle

Ein großer Durchbruch in der Entwicklung von KI sind die sogenannten Transformer-Modelle. Diese Modelle sind besonders effektiv in der Verarbeitung von Sequenzen, wie Texte oder gesprochene Sprache, und haben die Entwicklung von leistungsfähigen Sprachmodellen erst möglich gemacht. Ein bekannter Vertreter dieser Modelle ist GPT-4o von OpenAI, ein Large Language Model, das in der Lage ist, menschliche Sprache zu verstehen und selbst zu generieren. Ebenso gehört Claude von Anthropic zu dieser Kategorie. Diese Modelle finden beispielsweise im Vertrieb Anwendung, indem sie personalisierte Texte für Kundenkommunikation erzeugen oder automatisch Antworten auf Kundenanfragen formulieren.

Diese Architektur wurde 2017 in dem Papier Attention is All You Need1 eingeführt. Der Schlüsselmechanismus ist die Selbstaufmerksamkeit (self-attention), die es dem Modell ermöglicht, den Kontext jedes Wortes in einem Satz zu verstehen, unabhängig von seiner Position.

Transformer-Modelle bestehen aus zwei Hauptteilen: dem Encoder und dem Decoder. Der Encoder verarbeitet die Eingabesequenz, und der Decoder erzeugt die Ausgabesequenz.

Transformermodelle sind besonders gut für NLP-Aufgaben geeignet, wie maschinelle Übersetzung,...