323 32 865KB
German Pages XI, 48 [56] Year 2020
Ronald Deckert · Eike Meyer
Digitalisierung und Künstliche Intelligenz Kooperation von Menschen und Maschinen aktiv gestalten
essentials
essentials liefern aktuelles Wissen in konzentrierter Form. Die Essenz dessen, worauf es als „State-of-the-Art“ in der gegenwärtigen Fachdiskussion oder in der Praxis ankommt. essentials informieren schnell, unkompliziert und verständlich • als Einführung in ein aktuelles Thema aus Ihrem Fachgebiet • als Einstieg in ein für Sie noch unbekanntes Themenfeld • als Einblick, um zum Thema mitreden zu können Die Bücher in elektronischer und gedruckter Form bringen das Expertenwissen von Springer-Fachautoren kompakt zur Darstellung. Sie sind besonders für die Nutzung als eBook auf Tablet-PCs, eBook-Readern und Smartphones geeignet. essentials: Wissensbausteine aus den Wirtschafts-, Sozial- und Geisteswissenschaften, aus Technik und Naturwissenschaften sowie aus Medizin, Psychologie und Gesundheitsberufen. Von renommierten Autoren aller SpringerVerlagsmarken.
Weitere Bände in der Reihe http://www.springer.com/series/13088
Ronald Deckert · Eike Meyer
Digitalisierung und Künstliche Intelligenz Kooperation von Menschen und Maschinen aktiv gestalten
Ronald Deckert HFH · Hamburger Fern-Hochschule, Hamburg, Deutschland
Eike Meyer Hamburg, Deutschland
ISSN 2197-6708 ISSN 2197-6716 (electronic) essentials ISBN 978-3-658-31794-2 ISBN 978-3-658-31795-9 (eBook) https://doi.org/10.1007/978-3-658-31795-9 Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar. © Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte des jeweiligen Zeicheninhabers sind zu beachten. Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral. Planung/Lektorat: Isabella Hanser Springer Gabler ist ein Imprint der eingetragenen Gesellschaft Springer Fachmedien Wiesbaden GmbH und ist ein Teil von Springer Nature. Die Anschrift der Gesellschaft ist: Abraham-Lincoln-Str. 46, 65189 Wiesbaden, Germany
Was Sie in diesem essential finden können
• Komprimiertes Überblickswissen rund um Digitalisierung und Künstliche Intelligenz • Ausgewählte Zusammenhänge mit großen gesellschaftlichen Herausforderungen • Anwendungsfelder und Herausforderungen beim Einsatz von Künstlicher Intelligenz • Kompetenzen zwecks sinngebender Kooperation von Menschen und Maschinen • Vielfältige Anknüpfungspunkte zu weiteren Offline- und OnlineLiteraturquellen
V
Vorwort
Unsere Lebens- und Erlebenswelten werden heute weitreichend durch Entwicklungen rund um die Digitalisierung durchdrungen. Vielfältige Begriffe, wie beispielsweise Cloud, Internet der Dinge, Industrie 4.0, Cyber Security, 3-DDruck, Virtual Reality, Augmented Reality, Blockchain oder Big Data greifen Raum. Es treten beachtliche Ereignisse auf, wie beispielsweise ein Hackathon unter der Schirmherrschaft des Chefs im Bundeskanzleramt in Reaktion auf die Coronavirus-Krise. Mit Blick auf unsere Zukunft finden sich in vielfältiger Weise Plädoyers dafür, die Entwicklungen zu Digitalisierung und nachhaltiger Entwicklung verknüpft zu denken und entsprechend zu handeln. Eng verwoben mit all dem werden Perspektiven und Auswirkungen Künstlicher Intelligenz mitunter breit diskutiert. Vor diesem Hintergrund ist es für jeden von uns wichtig, sich mit diesen Entwicklungen unsere individuelle persönliche und berufliche Zukunft betreffend auseinanderzusetzen. Das essential fokussiert auf Künstliche Intelligenz als einem Bereich, der sich in sehr beachtlicher Weise stetig weiterentwickelt. Wir freuen uns jederzeit über den Austausch zu diesen Themenstellungen und deren zukünftiger Entwicklung. Wir hoffen, mit diesem essential einen Überblick gebenden Beitrag zu leisten, und wünschen unseren Leserinnen und Lesern eine spannende Lektüre. Prof. Dr. Ronald Deckert Dr. Eike Meyer
VII
Inhaltsverzeichnis
1 Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
2 Ausgewählte Grundlagen zu Digitalisierung . . . . . . . . . . . . . . . . . . . . . . 2.1 Von den Anfängen der Digitalisierung bis zu Data Science . . . . . . 2.2 Vernetzung von Menschen und Dingen . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Vernetzung von Menschen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Vernetzung von Dingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Ausgewählte grundlegende Entwicklungen zu Künstlicher Intelligenz (KI) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 6 8 9 10
3 Anwendungsmöglichkeiten Künstlicher Intelligenz . . . . . . . . . . . . . . . . 3.1 Ausgewählte Anwendungsfelder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 Verbraucherorientierte Anwendung von KI . . . . . . . . . . . . . . 3.1.2 KI in Unternehmen und Organisationen . . . . . . . . . . . . . . . . 3.2 AI-Landscape . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Herausforderungen beim Einsatz von KI . . . . . . . . . . . . . . . . . . . . . . 3.3.1 Der Arbeitsmarkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.2 Schleichender Qualifikationsverlust . . . . . . . . . . . . . . . . . . . . 3.3.3 Deep Fakes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.4 Diskriminierung durch KI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.5 Intransparenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.6 Datenqualität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.7 Social Profiling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.8 Autonome Waffensysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.9 IT-Sicherheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 Kompetenzen für eine sinngebende Kooperation von Menschen und Maschinen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
12 17 18 18 19 25 26 28 28 29 29 30 30 31 31 31 32
IX
X
Inhaltsverzeichnis
4 Zusammenfassung und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
37
Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
Über die Autoren
Prof. Dr. Ronald Deckert HFH · Hamburger FernHochschule Alter Teichweg 19 22081 Hamburg https://www.hfh-fernstudium.de/ E-Mail: [email protected]
Dr. Eike Meyer Lehrbeauftragter FH Kiel E-Mail: [email protected]
XI
1
Einleitung
Die gesellschaftliche Entwicklung wird zukünftig maßgeblich durch Ereignisse und Aktivitäten rund um Digitalisierung und nachhaltige Entwicklung geprägt, wobei diese eng miteinander verwoben sind. Der WBGU – Wissenschaftlicher Beirat der Bundesregierung Globale Umweltveränderungen (2019) – gibt hiermit verknüpft Handlungsempfehlungen in folgenden Bereichen an: • • • • • • • • •
Erhaltung der natürlichen Lebensgrundlagen, Armutsbekämpfung und inklusive Entwicklung, Arbeit der Zukunft und Abbau von Ungleichheit, Zukunftsbildung, Big Data und Privatsphäre, Fragilität und Autonomie technischer Systeme, ökonomische und politische Machtverschiebungen, Global Governance für die nachhaltige Gestaltung des digitalen Zeitalters, neue normative Fragen – Die Zukunft des Homo sapiens.
Diese Felder präsentieren sich stärker komprimiert als die 17 Sustainable Development Goals (SGD) der Vereinten Nationen (United Nations o. J.) und beziehen Aspekte rund um Digitalisierung vergleichsweise prominent mit ein. Digitalisierung und nachhaltige Entwicklung verknüpfen sich und dabei erfolgt ein „Zusammendenken der beiden wohl wichtigsten Entwicklungen der jüngeren Moderne, nämlich der wachsenden Bedrohung der natürlichen Lebensgrundlagen der Menschheit einerseits und der explosiven Fortschritte im Bereich der Informations- und Kommunikationstechnologie andererseits“ (WBGU 2019, S. 2).
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 R. Deckert und E. Meyer, Digitalisierung und Künstliche Intelligenz, essentials, https://doi.org/10.1007/978-3-658-31795-9_1
1
2
1
Einleitung
Diejenigen Menschen, die sich besonders dafür engagieren, Lösungen für reale Problemstellungen zu finden und diese voranzutreiben, bereiten sich hiermit auch in besonderer Weise auf eine „stärker technologisch geprägte Lebenswelt“ (Deckert 2019, S. 3) vor. Denn: „Große gesellschaftliche Herausforderungen“ (Wissenschaftsrat 2015) bieten reale Probleme, die wir Menschen – Aoun (2017) folgend – nutzen können, um uns für den vermehrten Einsatz Künstlicher (oder auch technischer oder maschineller) Intelligenz zu wappnen. Denn: Künstliche Intelligenz kann eher gut mit vergleichsweise einfacher strukturierten Problemen umgehen. Probleme der realen Welt werden typischerweise verbunden mit dem Akronym „VUCA (volatility, uncertainty, complexity, ambiguity)“ charakterisiert (aktuell auch durch Scharmer (2018, o. S.) angeführt). Auch eine Kooperation von Mensch und Maschine kann für die Lösung realer Probleme hilfreich sein und sollte hieran ausgerichtet werden. Insbesondere wären ohne ein sinnvolles Zusammenwirken von Mensch und Software die Erkenntnisse beispielsweise zu den Notwendigkeiten rund um den Klimawandel – wie heute vorhanden – nicht zu erlangen gewesen. Vor dem Hintergrund der hiermit verbundenen Überlegungen tun wir Menschen gut daran, wenn wir uns – zusätzlich zum 1) Befassen mit realen Problemen – 2) damit auseinandersetzen, was uns als Mensch gegenüber Maschinen auszeichnet und zwar ganz generell und individuell, und uns 3) mit Technologie beschäftigen sowie damit, wie 4) Mensch und Maschine sinnvoll zusammenwirken. In diesem essential bieten Kap. 2 und 3, abgerundet durch 4, hierzu einen Einstieg und die Gelegenheit, sich mit zugehörigen Themenstellungen zu befassen. Beispielsweise verknüpft mit Handlungsfeldern wie Bewegung, Ernährung, Konsum, Besitz, Energie oder Engagement (#BEKBEE), für nachhaltige Entwicklung (Deckert und Saß 2020), sorgt der Mensch idealerweise dafür, dass eine strategische Mensch-Maschine-Partnerschaft sinngebend ausgestaltet wird: „It’s certainly a good and necessary thing for strategists to begin embedding their thinking into cognitive technologies, but they also have to keep their eyes on the broader world. There is a level of sense-making that only a human strategist is capable of – at least for now. It’s a skill that will be more prized than ever as we enter an era of truly strategic human–machine partnerships. [Hervorhebung ergänzt]“ (Davenport 2016, S. 23).
Durch das Befassen mit Künstlicher Intelligenz und eine Kooperation von Menschen und Maschinen stoßen wir Menschen in einen Bereich vor, der unseres Erachtens zukünftig weiter an Relevanz gewinnen wird. Je nachdem, wie viel die oder der Einzelne schon über die Möglichkeiten von Künstlicher Intelligenz
1
Einleitung
3
und mögliche weitere Entwicklungen weiß, können die folgenden Ausführungen durchaus einige Überraschungen für die eine oder andere bzw. den einen oder anderen bereithalten.
Tipp Dem WBGU (2019, S. 3) folgend, findet sich im Zeichen eines „Kompass für die Große Transformation zur Nachhaltigkeit in einer digitalisierten Gesellschaft“ die Würde des Menschen im Fokus, umgeben von Eigenart/Vielfalt, Teilhabe und natürlichen Lebensgrundlagen (vgl. Internetlink zum Dokument des WBGU im Literaturverzeichnis). In diesem Dokument des WBGU (2019) finden sich insbesondere auch Ausführungen zu Künstlicher Intelligenz ab Seite 75.
Den weiteren Ausführungen in diesem essential wird Folgendes vorausgeschickt: Der WBGU (2019) geht mit Rückgriff auf weitere Quellen von begrifflichen Unschärfen rund um menschliche Intelligenz und Künstliche Intelligenz (KI) aus, wobei sich im Rückgriff auf Mainzer (2016) nach WBGU (2019, S. 75) grundsätzlich „intelligente Systeme […] durch die Fähigkeit aus[zeichnen], selbstständig und effizient Probleme zu lösen“. Bereits dieser gedankliche Ausgangspunkt zu Künstlicher Intelligenz legt nahe, dass Mensch und Maschine in einer strategischen Mensch-Maschine-Partnerschaft zusammenwirken können, denn: Fähigkeiten rund um das Lösen von Problemen sind für die akademische Ausbildung in Deutschland zentral (Kultusministerkonferenz 2017) und damit wichtig für den Menschen sowie – im Kontext der Gedanken des Wissenschaftsrates (2015) – wichtig für die Bewältigung großer gesellschaftlicher Herausforderungen. Auch in diesem Sinne kann „Künstliche Intelligenz […] ein Schlüssel zur Welt von morgen“ (BMBF 2020) werden. Vor diesem Hintergrund kann folgende grundlegende Einordnung nur unterstützt werden: „Die Bundesregierung forciert mit ihrer nationalen Strategie seit einem Jahr den Weg von Künstlicher Intelligenz Made in Germany an die Weltspitze. Es geht um individuelle Freiheitsrechte, Autonomie, Persönlichkeitsrechte, die Entscheidungsfreiheit des Einzelnen. Um Hoffnungen, Ängste, Potenziale und Erwartungen. Es geht aber auch um neue Märkte für deutsche Unternehmen, den weltweiten Wettbewerb, vor allem mit den USA und China, und um die Zukunft Deutschlands als Industriestandort. Die Bundesregierung ist sich dieser enormen Verantwortung bewusst: Die KI-Strategie für Deutschland entstand in einem umfassenden demokratischen Prozess. Viele Experten beteiligten sich daran. Mit Mut und Gestaltungswillen und immer mit dem Fokus auf eine Künstliche Intelligenz im Dienste und zum Wohle der Menschen! […] Die KI-Strategie ist als lernende Strategie angelegt, die es kontinuierlich gemeinsam durch Politik, Wissenschaft, Wirtschaft und Zivilgesellschaft neu zu justieren gilt“ (BMBF 2020, o. S.).
4
1
Einleitung
Tipp Unter dem Link https://www.ki-strategie-deutschland.de/home. html (abgerufen am 23.05.2020) finden sich vielfältige Informationen, wie beispielsweise auch eine Zusammenstellung der KI-Strategien anderer Länder. Ebenso lohnt es sich, die dort gegebene „Definition – Begriffsbestimmung Künstliche Intelligenz“ anzusehen.
2
Ausgewählte Grundlagen zu Digitalisierung
Während am 10.02.2017 im Studienzentrum der HFH Hamburger Fern-Hochschule in Stuttgart die Ereignisse rund um den Sieg der Software Libratus gegen menschliche Pokerspieler (Spice 2017) besprochen werden, spricht Frau A. Sichlidou den Ausdruck „binäres Pokerface“ aus (Deckert und Günther 2018, o. S.), der dieses Ereignis in eingängiger Weise adressiert. Etwas mehr als zwei Jahre später wird berichtet, dass die Software Pluribus nicht allein im ZweispielerPokerspiel, wie Libratus, sondern in einem Sechsspieler-Pokerspiel gewinnt (Hsu 2019). Vor allem eine wichtige und spannende Frage bleibt: Wer trickst am Ende wen aus, der Mensch die Software oder Software uns Menschen?
Mit Digitalisierung und aktuellen Entwicklungen rund um Industrie 4.0 ist insgesamt ein für die Gesellschaft – und insbesondere für Bildung und Wirtschaft – weitreichender Ereignis-, Gedanken- und Handlungskomplex verbunden, der mit vielfältigen Auswirkungen in allen Lebensbereichen und einer breiten Diskussion einhergeht. Es hat sich ein umfassender Begriffs- und Bedeutungskontext entfaltet, der durch Verbindung zu großen gesellschaftlichen Herausforderungen, durch Chancen und Risiken sowie durch eine recht grundsätzliche Weiterentwicklung geprägt ist – die „Menschheit kommt zu sich selbst“ (WBGU 2019, S. 7). Zudem zeigt sich hier eine wissenschaftsdisziplinäre Vielfalt, da verschiedene Disziplinen, wie die Natur- und Ingenieurwissenschaften und beispielsweise die Sozialwissenschaften oder die Psychologie, Beiträge leisten bzw. ihr Erkenntnisinteresse geltend machen. Die technologische Entwicklung weist uns Menschen dann am Ende vielleicht auch einmal mehr den Weg dahin, uns bei konsequenter Verbindung von Eignung und Neigung unseren individuellen Stärken zuzuwenden (Deckert 2019). © Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 R. Deckert und E. Meyer, Digitalisierung und Künstliche Intelligenz, essentials, https://doi.org/10.1007/978-3-658-31795-9_2
5
6
2
Ausgewählte Grundlagen zu Digitalisierung
Insoweit die aktuellen Entwicklungen rund um Industrie 4.0 in Digitalisierung, Vernetzung und (Künstlicher) Intelligenz eine begriffliche Verankerung finden (Lübbecke 2015), wird dieser Dreiklang der Gliederung in den nachfolgenden Abschnitten zugrunde gelegt, wie es sich mehrfach für einführende Darstellungen bewährt hat (Deckert und Günther 2018; Deckert 2019; Deckert und Saß 2020). Darin finden sich dann Gedanken mit Blick auf Industrie 4.0, verknüpft mit einer Vernetzung von Dingen, eingebunden.
2.1
Von den Anfängen der Digitalisierung bis zu Data Science
Für den Begriff Digitalisierung und eine erste technisch geprägte Orientierung kann folgendes Verständnis zugrunde gelegt werden: „Teile unserer Lebenswelt mittels Bits und Bytes […] digitalzu erfassen bedeutet, dass kontinuierlich und stufenlos gedachte (analoge) Wertebereiche von Merkmalen unserer Lebenswelt auf diskrete (gestufte) Wertebereiche abgebildet werden [Hervorhebung ergänzt]“ (Deckert und Langer 2018, S. 873).
Grundlegend hierfür sind vor allem binäre Datenformate, wobei die Begriffe „digital“ und „binär“ auf eine spannende Weise verknüpft werden können und zwar über die zentrale Einheit für Information Binary Digit oder kurz Bit, die nach C. E. Shannon (1948) von J. W. Tukey vorgeschlagen wurde. Unsere Lebenswelt kann digital mehr oder weniger genau abgebildet werden (Beispiel: Mehr oder weniger gut aufgelöste digitale Bilder mittels Dateien, die dann mehr oder weniger Speicherplatz benötigen), und Digitalisierung bietet vielfältige Möglichkeiten, verbunden mit der Sammlung, Speicherung, Verarbeitung und Analyse von Daten. Der nachfolgende Überblick zeigt zusammenfassend einige für Digitalisierung wichtige Stationen. Digitalisierung
• Der erste funktionsfähige Digitalrechner Z3 stammt von Konrad Zuse und wird am 12. Mai 1941 in Berlin vorgestellt (Zuse 2020). • Die zentrale Einheit für Information „Binary Digits“ – oder kurz „Bits“– findet 1948 Erwähnung und geht nach Shannon (1948) auf J. W. Tukey zurück.
2.1 Von den Anfängen der Digitalisierung bis zu Data Science
7
• Das nach dem Intel-Mitbegründer Gordon Moore benannte Moore’sche Gesetz wird unter https://www.intel.com/content/www/us/en/history/ museum-gordon-moore-law.html (abgerufen am 02.05.2020) auf der Internetseite von Intel wie folgt angegeben: „The number of transistors incorporated in a chip will approximately double every 24 months [Hervorhebung ergänzt].“ • Die Rechenleistung gemessen in FLOPS (Floating Point Operations Per Second) wird von Zuses Z3 im Jahre 1941 zum Rechner Tianhe-2 im Jahre 2014 um einen Faktor von ungefähr 1017 oder ungefähr 257 gesteigert (Ludwig 2015). • Verbunden mit der Entwicklung zur Digitalisierung entstehen in jüngerer Zeit Anwendungsfelder beispielsweise rund um Cloud, Virtual Reality (VR), Augmented Reality (AR), 3D-Druck, Open Data, Blockchain oder Big Data. • Die Entwicklungen rund um Industrie 4.0 sind nach Schuh et al. (2017, S. 10) verbunden mit „digitaler Veredelung“ sowie „digitaler Identität“ von Objekten wie Maschinen oder von Menschen; auch „digitaler Schatten“ als Basis für Predictive Analytics. Eng verbunden mit Big Data entsteht das Handlungsfeld Data Science, wobei nach O’Neil und Schutt (2014) ein „Data Scientist Profile“ insbesondere Fertigkeiten rund um • • • • • •
Computerwissenschaften, Mathematik, Statistik, Machine Learning, Kommunikation und Präsentation sowie Datenvisualisierung
vereint. Der sinngebende Umgang mit großen Datenmengen – also Daten beispielsweise im Unternehmenskontext Bedeutung beizumessen und sie zu interpretieren – erfordert heute Wissen um Tools und Methoden auf akademischem Niveau (O’Neil und Schutt 2014). „Data Scientists“ könnten sich zukünftig – über Fertigkeiten in den oben benannten Bereichen und zu Programmierung hinaus – beispielsweise auch durch Problemlösungsfähigkeiten, Vielseitigkeit,
8
2
Ausgewählte Grundlagen zu Digitalisierung
Interdisziplinarität, Soft Skills, Stellen von guten Fragen und ethisches Herangehen auszeichnen müssen (ebd., S. 352 ff.). Diese Gedanken schließen gut an die Ausführungen in der Einleitung an und zwar dahin gehend, dass Menschen und Maschinen zur Lösung von Problemstellungen rund um große gesellschaftliche Herausforderungen zusammenwirken sollten. Hierfür kann nicht jeder ein Data Scientist werden und auch vor diesem Hintergrund können die nachfolgenden Ausführungen in diesem essential dazu dienen, dass jeder seine eigene Rolle auf dem Weg in die Zukunft im Zusammenwirken mit Künstlicher Intelligenz reflektiert und vielleicht ein Stück weit absteckt.
2.2
Vernetzung von Menschen und Dingen
Das Internet, das in heutiger Zeit bereits einen nicht unerheblichen Einsatz von Ressourcen und Energie erfordert (Lange und Santarius 2018), bietet Möglichkeiten insbesondere bezüglich der Vernetzung von Dingen als unbelebte Materie und der Vernetzung von Menschen als belebte Materie, die miteinander verknüpft zu denken sind (Deckert 2019).
Tipp Ein Screenshot des World Wide Web Browsers von Tim Berners-Lee aus dem Forschungszentrum CERN um das Jahr 1991 herum findet sich unter http://info.cern.ch/NextBrowser.html (abgerufen am 02.05.2020), und dieser Screenshot unter http://info. cern.ch/NextBrowser1.html (abgerufen am 02.05.2020) entsteht etwas später.
Auf die Entwicklung des Internets kann hier nicht näher eingegangen werden. Es findet lediglich Erwähnung, dass es für die Architektur von Kommunikationssystemen neben Flexibilität eine hohe Bedeutung hat, sich auf Notwendiges zu beschränken (Balakrishnan 2012). Balakrishnan zitiert Antoine de Saint-Exupéry in englischer Übersetzung: „Perfection is achieved, not when there is nothing more to add, but when there is nothing left to take away.“ Anders ausgedrückt: „Less is more“ oder „When in doubt, leave it out“ (ebd.). Neben den nachfolgenden Gedanken zur Vernetzung von Menschen und von Dingen kann Vernetzung mit weiteren Überlegungen einhergehen, wie sich bei Deckert und Saß (2020) branchenbezogen mit Blick auf die Energiewirtschaft als einem Beispiel nachlesen lässt (bspw. Vernetzung durch den Transport von Energieträgern, Vernetzung in Eigentümerstrukturen, mitunter sozial geprägte
2.2 Vernetzung von Menschen und Dingen
9
Einbettung der Aufgaben von Stadtwerken). Netzwerkartige Wertschöpfungssysteme gründen auf vertikaler Vernetzung und horizontaler Vernetzung (Schuh et al. 2017). Zudem kann soziale Vernetzung integral zu betrachten sein: „[…] maturing digital businesses are focused on integrating digital technologies, such as social, mobile, analytics and cloud, in the service of transforming how their businesses work [Hervorhebungen ergänzt]“ (Kane et al. 2015, S. 3).
Lerntheoretisch betrachtet, kommt mit Beginn des 21. Jahrhunderts eine Lerntheorieströmung auf, die eng mit Vernetzung verbunden ist. Großen Lerntheorien im 20. Jahrhundert (Behaviorismus, Kognitivismus, Konstruktivismus) haften, Siemens (2006) folgend, Einschränkungen an und zwar, dass 1) Lernen nur in Personen bzw. Gehirnen stattfindet, 2) einer Evaluation zum Wert von Informationen und Fähigkeiten zur Synthetisierung und Erkennung von Verbindungen und Mustern wenig Raum zukommt und 3) technologische Entwicklungen keine Beachtung finden. Vor diesem Hintergrund stellt Siemens (2006) den Konnektivismus zur Diskussion, der wohl auch heute noch nicht überall als Lerntheorie akzeptiert ist, aber mit Campbell und Schwier (2014, S. 367) als eine aufkommende Lerntheorie des 21. Jahrhunderts gesehen werden kann. Folgt man Anderson und Dron (2011, S. 80 ff.), so ordnet sich die „connectivist pedagogy“ als dritte Generation nach „cognitive-behaviourist“ und der „social constructivist […] pedagogy“ ein und bietet einen Ausgangspunkt für die nächste (also die 4.) Generation, die sich – in Bezug auf die Befähigung von Menschen, sich mit Wissen zu verbinden und Wissensquellen zu erschließen – als (kollektiv) intelligenter erweisen könnte. Alle diese Lerntheorieströmungen können je nach Anwendungsfall Beiträge zur Beschreibung und Gestaltung von Lernen leisten. Insoweit Vernetzung also durch vielfältige Überlegungen geprägt ist, sollten für die Bewahrung eines stets offenen und weiten Blickes auch Gedanken beispielsweise rund um Industrie 4.0 nicht auf Vernetzung von Dingen beschränkt bleiben; auch wenn ein Internet der Dinge hierbei mit im Zentrum steht.
2.2.1
Vernetzung von Menschen
Die Vernetzung von Menschen soll hier bezüglich ausgewählter Informationen im nachfolgenden Überblick verdeutlicht werden.
10
2
Ausgewählte Grundlagen zu Digitalisierung
Vernetzung von Menschen
• Verbunden mit dem Terminus Small World Problem wird bereits vor dem Aufkommen des Internets festgestellt, dass zwei – bei Travers und Milgram (1969) unter gewissen Rahmenbedingungen – ausgewählte Menschen typischerweise über einige wenige weitere Menschen miteinander bekannt sind. Dies bestätigt sich bei Dodds et al. (2003) verbunden mit dem Internet. • Nach D21 Digital Index 2018/2019 ist die Internetnutzung in Deutschland heute zu charakterisieren durch: ca. 84 % „Onliner“ (gestiegen von 81 % im D21 Digital Index 2017/2018) und eine mobile Internetnutzung bei ca. 68 % (gestiegen von 64 % im D21 Digital Index 2017/2018), wobei 16 % als „Offliner“ gelten, von denen 75 % 65 Jahre oder älter sind (Initiative D21 2019, 2018). • Die United Nations (2016) konstatieren am 15. September 2016, dass nahezu 47 % der Erdbevölkerung nun online sind. Gemäß United Nations (2018) wird die 50 %-Marke zum Ende des Jahres 2018 hin erreicht. • Bezüglich mobiler Zugriffsmöglichkeiten ist festzustellen, dass die Anzahl an „Wireless mobile broadband subscriptions“ (mit beworbener Datenübertragungsrate von 256.000 Bit pro Sekunde oder mehr) pro 100 Einwohner im Jahre 2017 im OECD-Durchschnitt erstmalig über 100 liegt (OECD 2018).
2.2.2
Vernetzung von Dingen
Die Vernetzung von Dingen betreffend, repräsentiert der Ausdruck „Internet of Things“ (IoT, zu Deutsch: Internet der Dinge), der nach Ashton (2009) ursprünglich eng mit RFID-Technologie in Verbindung steht, ein Kernelement der Überlegungen rund um Industrie 4.0. Vor dem Hintergrund, dass es sich nach Bendel (2019, o. S.) bei Industrie 4.0 um einen „Marketingbegriff“ handelt, der „sich […] – wie “Web 2.0” und “Web 3.0” – ein Stück weit einer wissenschaftlichen Präzisierung“ entzieht, ist zunächst einmal festzustellen, dass Industrie 4.0 drei vorausgegangenen industriellen Entwicklungen folgt: Diese sind grob zu charakterisieren durch Mechanisierung, Elektrifizierung und „(erste) Automatisierung“ – wie Deckert und Günther (2018, o. S.) die dritte Entwicklung bezeichnen. Zu den ersten drei industriellen Revolutionen kann beispielsweise bei Kagermann
2.2 Vernetzung von Menschen und Dingen
11
et al. (2011) nachgelesen werden (vgl. Internetlink im Literaturverzeichnis). Die folgende Zusammenstellung von Begriffs- und Bedeutungskategorien, die mit Industrie 4.0 verbunden sind, geht auf Deckert und Günther (2018) im Rückgriff auf die Forschungsunion Wirtschaft und Wissenschaft (2013) und auf Kagermann et al. (2013) zurück: • Internet der Dinge (IoT = Internet of Things), Daten und Dienste (IoS = Internet of Services), • cyber-physische Systeme (CPS), cyber-physische Produktionssysteme (CPPS), vertikale und horizontale Vernetzung von Unternehmen sowie • Smart Factories, Smart Devices und Smart Products. Nach Forschungsunion Wirtschaft und Wissenschaft (2013, S. 10, S. 54 ff.) sind technologische Grundlagen in den Bereichen kleiner (hoch leistungsfähiger) Computer und Internet zu finden. Bauer et al. (2014) geben die fünf Technologiefelder Embedded Systems CPS, Smart Factory, Robuste Netze, Cloud Computing und IT-Security an und benennen ein an das „Internet der Dinge (Zeitalter Mobiler Geräte)“ anschließendes sogenanntes „Internet of Everything (Menschen, Prozesse, Daten, Dinge) [Hervorhebung ergänzt]“ (Bauer et al. 2014, S. 17). Vernetzung von Dingen
• Als ein erstes „Ding“ im Internet der Dinge kann ein Cola-Automat an der Carnegie Mellon University in Pennsylvania aus dem Jahre 1982 gelten, wobei Informationen über Füllstand und Kühlung bereitstellt wurden (Carnegie Mellon University 2005). • Die Vernetzung von Dingen kann ganz grundsätzlich für zentral und/oder dezentral fokussierte Steuerungsmechanismen genutzt werden. • Ein Internet der Dinge könnte zukünftig in ein „Internet of Everything (Menschen, Prozesse, Daten, Dinge) [Hervorhebung ergänzt]“ (Bauer et al. 2014, S. 17) integriert sein.
An diese Überlegungen können, wie sich beispielsweise bei Deckert (2019) nachlesen lässt, weitere Begriffe anschließen, wie Smart Services, Losgröße eins,
12
2
Ausgewählte Grundlagen zu Digitalisierung
Digital Twins oder Co-Creation. Diese einführenden Gedanken sollen bis hierher genügen; auch da der Schwerpunkt des essentials auf Künstlicher Intelligenz liegt.
2.3
Ausgewählte grundlegende Entwicklungen zu Künstlicher Intelligenz (KI)
Zur Erschließung von Grundlagen zu Künstlicher Intelligenz wird mit folgendem Überblick begonnen. Ein Hinweis sei vorweg gegeben: Anstelle des Begriffs „Künstliche Intelligenz“ (KI) hätten auch Begriffe wie „technische Intelligenz“ oder „maschinelle Intelligenz“ Verwendung finden können. Der Begriff „Künstliche Intelligenz“ hat den Vorteil, dass dieser an den international gebräuchlichen Begriff „Artificial Intelligence“ (AI) direkt anschließt. Künstliche Intelligenz
• Die Geburtsstunde von Artificial Intelligence (AI) – Künstlicher Intelligenz (KI) – kann auf die sechswöchige Konferenz „Summer Research Project on Artificial Intelligence“ im Jahre 1956 am Dartmouth College in Hanover (New Hampshire) terminiert werden (Buxmann und Schmidt 2019). Die gezielte Entwicklung von „Algorithmen für bestimmte, abgegrenzte Problemstellungen“ wird als schwache Künstliche Intelligenz – auf Englisch: „Weak AI“ oder „Narrow AI“ – bezeichnet, und hierzu gehören heute praktisch alle Anwendungen Künstlicher Intelligenz, da bislang keine wirklich starke Künstliche Intelligenz – auf Englisch: „Strong AI“ – entwickelt wurde, die der Anforderung umfassend gerecht würde, „den Menschen bzw. die Vorgänge im Gehirn abzubilden und zu imitieren“ (Buxmann und Schmidt 2019, S. 6 f.). Die KI-Forschung kann nach Wahlster (2017a) in vier Phasen Heuristische Systeme (bis 1970), Wissensbasierte Systeme (bis 1990), Lernende Systeme (bis 2010) und Kognitive Systeme (ab 2010) unterteilt werden. • Computer gewinnen nach und nach in immer mehr Spielen gegen den Menschen. Dieses sind einige Meilensteine: Backgammon 1979, Othello 1997, Schach 1997, Scrabble 2002, Bridge 2005 und Jeopardy! 2010 (Bostrom 2014), wobei beispielsweise Kritiker zum Sieg Künstlicher Intelligenz im Schach anmerkten an, dass einfach eine hohe Rechenleistung, also „Brute Force“, angewandt wurde (Buxmann
2.3 Ausgewählte grundlegende Entwicklungen zu Künstlicher …
und Schmidt 2019). Es folgten Go/2016 und Poker/2017. Im Jahre 2017 gewann die von Tuomas Sandholm und Noam Brown von der Carnegie Mellon University entwickelte Software Libratus einen 20-tägigen Marathon im Zweispieler-Pokern gegen vier der weltbesten menschlichen Pokerspieler. Diese Software demonstriert einen beachtlichen Grad an 1) strategischer Entscheidungsfähigkeit bei unvollkommener Informationslage und 2) die Fähigkeit zu bluffen (Spice 2017). Etwas mehr als zwei Jahre später gewinnt die Software Pluribus in einem SechsspielerPokerspiel gegen Menschen (Hsu 2019). OpenAI gewinnt bei dem teambasierten Onlinespiel DOTA2 (Agrawal und Guja 2020). • Bezüglich der Dimensionen sensomotorischer, kognitiver, emotionaler und sozialer Intelligenz ist nach Wahlster (2017b, o. S.) der Mensch in sensomotorischer (Sensorfusion, Feinmotorik) sowie emotionaler und sozialer Intelligenz der Künstlichen Intelligenz überlegen. Unsere „heutigen Fußballroboter kommen einfach an die Ballkünste unserer Nationalspieler nicht heran“ und bei „der emotionalen und sozialen Intelligenz gibt es bei KI-Systemen noch große Schwächen und erst einfache Modelle für die Erkennung von Emotionen und sozialem Verhalten“ (Wahlster 2017b, o. S.). Wie sich beispielsweise an Spielen zeigt (s. oben), ist Künstliche Intelligenz in Teilen kognitiver Intelligenz überlegen und zwar „wenn extrem viele Daten und Handlungsoptionen schnell analysiert werden müssen“ (Wahlster 2017b, o. S.). • Nach Dengler und Matthes (2015, S. 8), die auf Frey und Osborne (2013) verweisen, ist auf Basis einer Analyse von Expertenmeinungen festzustellen, dass Folgendes „in naher Zukunft nicht von (computergesteuerten) Maschinen ersetzt werden“ kann: „Wahrnehmung und Feinmotorik (z. B. koordiniertes Bewegen von einzelnen Fingern, um kleine Dinge zu fertigen), kreative Intelligenz (z. B. Kunst, kreative Problemlösungen) und soziale Intelligenz (z. B. verhandeln, überzeugen) [Hervorhebungen ergänzt]“. • Sinngebung auf hohem Niveau kann heute als Bereich gelten, in dem der Mensch Künstlicher Intelligenz voraus ist (Davenport 2016), ebenso wie in der Fähigkeit, Verbindung zwischen zunächst einmal weit auseinanderliegenden Themenstellungen herzustellen (Aoun 2017). Auch Krenn et al. (2020) geben mit Rückgriff auf Weizenbaum (1978) an, dass sich menschliche Intelligenz bis heute – neben Intuition – mit Blick auf Kontextualisierung auszeichnet.
13
14
2
Ausgewählte Grundlagen zu Digitalisierung
• Ob und inwieweit Künstliche Intelligenz in der Zukunft menschliche Intelligenz übertreffen kann, wird verbunden mit Begriffen wie Superintelligenz, Intelligenzexplosion und technologische Singularität kontrovers diskutiert (Bostrom 2014). • Seifert et al. (2018, S. 13, 15) unterscheiden sieben Kategorien für KI-Technologien (kognitive Modellierung, Natural Language Processing, semantische Technologien, Computer Vision, Machine Learning, Aktionsplanung und Optimierung sowie Neuromorphic Computing) und neun Kategorien für KI-Anwendungen (Predictive Analytics, optimiertes Ressourcenmanagement, Qualitätskontrolle, intelligente Assistenzsysteme, Wissensmanagement, Robotik, autonomes Fahren und Fliegen, intelligente Automatisierung sowie intelligente Sensorik), wobei vielfältige Verknüpfungen bestehen, für die Seifert et al. (2018, S. 23) bei Anbietern sowie Forscherinnen und Forschern Schwerpunktbezüge wie semantische Technologien ↔ Wissensmanagement, Machine Learning ↔ Predictive Analytics und Computer Vision ↔ autonomes Fahren und Fliegen feststellen. • Insbesondere Bill Gates, Stephen Hawking und Steve Wozniak haben bereits vor den Gefahren Künstlicher Intelligenz gewarnt (Ludwig 2015). Der Einsatz von Künstlicher Intelligenz zum Wohle des Menschen, orientiert an Grundrechten und ethischen Prinzipien, hat erst begonnen, und im Jahre 2019 lässt die Europäische Kommission verbunden mit „Ethics Guidelines for Trustworthy AI“ die „Trustworthy AI Assessment List“ diskutieren (Europäische Kommission 2020).
Dieses Zitat von Aoun (2017, S. 87) verdeutlicht seine im Überblick oben angesprochene Einordnung: “[…], no computer has yet displayed creativity, entrepreneurialism, or cultural agility. […], our potential to master far transfer is our competitive advantage over intelligent machines [Hervorhebungen ergänzt].”
Zu Ansätzen Künstlicher Intelligenz können insbesondere neuronale Netze und evolutionäre Algorithmen gezählt werden. So wie in früheren Zeiten zur Ergründung des menschlichen Körpers menschliche Gehirne untersucht wurden, werden heutzutage bereits künstliche neuronale Netze zwecks Erkundung ihrer Funktionsweise „seziert“ (englisch: Network Dissection). Die Aufklärung der
2.3 Ausgewählte grundlegende Entwicklungen zu Künstlicher …
15
Funktionsweise wird im Sinne des Kriteriums der Transparenz mit der steigenden Verbreitung von KI-Systemen stetig relevanter. Insbesondere in Anwendungsfeldern, in denen auf KI basierende Entscheidungen schwerwiegende Konsequenzen nach sich ziehen können, ist die Nachvollziehbarkeit des Entscheidungsweges ein zentraler Aspekt. Wenn in solchen Szenarien die menschliche Entscheidung von der KI abweicht, ist eine qualifizierte Bewertung nur bei nachvollziehbaren Datenlagen möglich.
Tipp Zu Entwicklungen rund um die Ethics Guidelines for Trustworthy AI lässt sich unter diesem Link https://ec.europa.eu/kno wledge4policy/publication/ethics-guidelines-trustworthy-ai_en (abgerufen am 02.05.2020) und zur deutschen KI-Strategie unter diesem Link https://www.ki-strategie-deutschland.de/home.html (abgerufen am 02.05.2020) nachlesen. Auch weitere Quellen, wie seitens ÖAW (2019) https://www.oeaw.ac.at/detail/news/ki-wird-alle-ber eiche-des-lebens-umkrempeln/ und von Jordan (2019) https://hdsr.mit press.mit.edu/pub/wot7mkc1/release/8 (beide Quellen abgerufen am 02.05.2020), lohnt es sich zu lesen.
Aus dem Projekt „Smart Service Welt“ ist das „Schichtmodell digitale Infrastrukturen“ bekannt, in dem sich neben Smart Talent zudem Serviceplattformen (Smart Services) software-definierte Plattformen (Smart Data), vernetzte physische Plattformen (Smart Products) und technische Infrastruktur (Smart Spaces) benannt finden (acatech 2015). Vielleicht ist der Weg eines vermehrten Einsatzes Künstlicher Intelligenz zugleich der Weg in Richtung einer Klärung der Frage, was sich hinter „smarten“ Problemlösungen genau verbirgt bzw. verbergen sollte und inwieweit der Mensch hierbei seine Stärken einbringt: „Die informationstechnologischen Errungenschaften könnten nicht zuletzt unsere Aufmerksamkeit und Wertschätzung auf die nicht unmittelbar kognitiven Kapazitäten lenken, die oft pauschal als emotionale und soziale Intelligenz bezeichnet werden. Diese waren vermutlich mindestens so zivilisationsbildend wie die Leistungen des Messens, Rechnens und Dokumentierens. KI würde uns möglicherweise eine gewisse Emanzipation von den Letzteren erlauben und eine stärkere Hinwendung zu Fähigkeiten wie Empathie, Fürsorge und Solidarität gestatten [Hervorhebung ergänzt]“ (WBGU 2019, S. 7).
Das essential bietet vielleicht einen Beitrag dazu, sich eine Meinung zu bilden, was „smart“ heute und in Zukunft bedeutet und bedeuten kann, wobei wir vielleicht davon ausgehen sollten, dass die richtig smarten Lösungen wohl weder
16
2
Ausgewählte Grundlagen zu Digitalisierung
rein maschinell noch rein menschlich sind, sondern erst im sinngebenden Zusammenwirken von Menschen und Maschinen entstehen. Insbesondere auch in diesem Gedanken könnte eine „Smartly Sustained Society […], in der die Entwicklungen rund um Digitalisierung und nachhaltige Entwicklung zum Wohl des Menschen fokussiert werden“ (Deckert et al. 2019a, S. 2), Orientierung finden.
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
Die Entwicklungen rund um Künstliche Intelligenz könnten zukünftig vieles infrage stellen. Vielleicht werden wir auch hier einmal sagen: „Nichts war so vergänglich wie das, was wir für selbstverständlich hielten“ (https://twitter.com/Sinnmacht/status/1265237310339252224, abgerufen am 04.06.2020). Gerade da die Veränderungen sehr grundlegend sein könnten, sollte man sich einführend mit der Vielfalt der Anwendungsfelder sowie mit den Herausforderungen auseinandersetzen. Es wäre zu wünschen, dass Künstliche Intelligenz – bei deutlich eingegrenzten und kalkulierbaren Risiken – eben auch zu einem wahren Abenteuer im positiven Sinne werden kann, bei dem es für Menschen mit Neugier viel zu entdecken gibt. Dies erfordert jedoch einen hohen Grad an Achtsamkeit und kontinuierliche Anstrengungen, was es nicht zu unterschätzen gilt. Eine wertvolle Forderung ist zusätzlich, dass zu jeder Zeit eine konsequente Aufklärung von Nutzern nicht nur mit Blick auf die Verwendung ihrer Daten erfolgt, sondern eben auch mit Blick darauf, mit was für einer Art an Algorithmus sie gerade in Interaktion stehen und was dieser Algorithmus auf welche Art und Weise leistet. Zudem werden sich sicherlich nicht wenige Menschen auf dem Weg in die Zukunft über Anleitung freuen. Wir nennen diese fünf Begriffe die Big Five einer wünschenswerten Entwicklung zu Künstlicher Intelligenz.
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 R. Deckert und E. Meyer, Digitalisierung und Künstliche Intelligenz, essentials, https://doi.org/10.1007/978-3-658-31795-9_3
17
18
3.1
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
Ausgewählte Anwendungsfelder
Die Vielzahl der Anwendungsfelder, in denen KI-Technologien zum Einsatz kommen, wächst stetig und ist heute bereits kaum überschaubar. Hier soll dennoch anhand ausgewählter Beispiele ein erster Überblick gegeben werden, der verdeutlicht, welche Relevanz Künstliche Intelligenz bereits heute in der Gesellschaft hat. Um dies zu strukturieren, bietet sich ein Blick aus der Nutzerperspektive und eine Gruppierung eben jener Nutzer in zwei Felder an: die der Verbraucher sowie die der Unternehmen und Organisationen. Dieser Ansatz wurde gewählt, obwohl nicht alle Technologien und Anwendungsgebiete trennscharf kategorisiert werden können.
3.1.1
Verbraucherorientierte Anwendung von KI
Eines der am häufigsten verwendeten Geräte des Alltags ist das Smartphone und hier findet sich auch einer der zentralen Kontaktpunkte von Verbrauchern mit KI. Dies beginnt bereits bei der Bedienung und beispielsweise über die WortVorschläge bei der Eingabe auf der Tastatur. Hier lernt das System, basierend auf bisherigen Eingaben, welche Begriffe und Wortfolgen im Allgemeinen und durch den aktuellen Nutzer im Speziellen mit hoher Regelmäßigkeit genutzt werden. Darauf basierend kann es bereits nach den ersten eingegebenen Buchstaben logische Wortenden und Wortabfolgen vorschlagen mit dem Ziel, die Bedienung effizienter zu gestalten. Entsprechende Ansätze gibt es bereits aus dem Einsatz klassischer Mobiltelefone heraus (Dunlop und Crossan 2000). Daneben ist die steigende Verbreitung von Sprachsteuerung ein bekanntes Phänomen. Hier werden Algorithmen nutzerspezifisch trainiert, um deren persönliches Sprachbild zu interpretieren und die gesprochenen Wörter abzuleiten (Desai et al. 2013; Hannun et al. 2014). Ein weiteres Beispiel des Einsatzes von KI auf dem Smartphone ist Karten- und Navigationssoftware. Diese macht „intelligente“ Vorschläge zum Reiseverlauf und integriert bei Bedarf Points of Interest. Wie Sciuto et al. (2018) feststellen, haben in vielen Haushalten zudem bereits Systeme wie Amazons Alexa Einzug gehalten und sind neben der Einbindung in die Unterhaltungselektronik mitunter auch integriert in die smarte Steuerung des Hauses, wie bspw. der Beleuchtung. Durch Entwicklungen, wie bei den Einschränkungen im öffentlichen Leben bedingt durch die COVID-19-Krise, wurden Online-Portale und -Services wichtiger denn je. Dort eingesetzte Recommender Systems, etwa in Onlineshops, Musik- und Filmportalen und Suchmaschinen, verwenden historische Daten,
3.1 Ausgewählte Anwendungsfelder
19
um die Nutzerinteraktionen zu optimieren. Während dies für das Unternehmen den wirtschaftlichen Vorteil bieten kann, möglicherweise durch passende Angebote zusätzlichen Umsatz zu erzielen, bietet es dem Nutzer gegebenenfalls den Vorteil der Zeitersparnis. Ein weiterer Trend zeigt sich in Wearables und Smart Watches, die eine Ergänzung zum klassischen Smartphone darstellen. Neben einer Darstellung und Übermittlung von Kurzinformationen an den Nutzer ist hier insbesondere die Anwendung im Sport- und Gesundheitsbereich zu nennen. Durch das Sammeln und Auswerten von Biodaten der Nutzer können personenspezifisch Gesundheitsund Sportempfehlungen abgeleitet werden. Eine Herausforderung ist insbesondere in diesem Bereich natürlich die Sensibilität der Daten, was für viele potenzielle Anwender eine mögliche Hemmschwelle darstellen kann. Ein weiterer Bereich der Anwendung findet sich im Feld von Bild- und Videodaten. Komplexe KI-basierte Analyseverfahren haben hier zu sprunghaften Entwicklungen geführt. So ist die Kategorisierung von Bildern inzwischen so weit entwickelt, dass über das Erlernen neuer Gesichtsmuster einige neue SmartphoneModelle individuell mit Freischaltung durch Gesichtserkennung entsperrt werden können. Bildsuchen und die automatische Klassifizierung von Fotos sind Features bekannter Suchmaschinen. Selbst im Bereich der Textübersetzung können Schriften in Bildern erkannt, auf die Sprache hin analysiert und in eine andere Sprache überführt werden. Brisant wird die Entwicklung beim Einsatz sogenannter Deep Fakes, also von Medien, die mittels KI manipuliert wurden und deren Unterschied zur Realität für das ungeschulte oder unkritische Auge oft verborgen bleibt. Im positiven Sinne ist durch solche Technologiesprünge aber auch die automatische Nachbearbeitung und Kategorisierung von Fotos möglich, und Fortschritte in der Bilderkennung sind auch eine zentrale Grundlage für den sicheren Einsatz selbstfahrender Autos. Ein weiterer Anwendungsfall ist bei der Nutzung von E-Mail gegeben. Hier können Anbieter Spamfilter und Sortierfunktionen in der Klassifizierung durch das Nutzerverhalten einsetzen und so den Nutzern versuchen zu helfen, einen Überblick über die steigende Informationsflut im digitalen Zeitalter zu behalten.
3.1.2
KI in Unternehmen und Organisationen
Im Umfeld von Organisationen wird der Einsatz von KI in der Regel unter den Gesichtspunkten Kostensenkung, Qualitätssteigerung oder Innovation und Transformation von Geschäftsmodellen erwogen. Dabei seien im Folgenden einige
20
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
Anwendungsfelder dargelegt, die über die Anwenderzentrierung im vorherigen Unterkapitel hinausgehen.
3.1.2.1 Service Center Im Umfeld von Kundenhotlines und den dafür notwendigen Servicecentern ist der Einsatz digitaler Technologien schon lange verbreitet. Mit Neuerungen im Umfeld von KI tun sich hier auch neue Möglichkeiten auf. Da viele Anfragen inzwischen über das Internet gestellt werden, wird hier vermehrt der Einsatz von Chatbots zum Industriestandard. Im Gegensatz zur statischen Suche in einem Forum oder auf einer FAQ-Seite kann damit durch einen dynamischen Dialog zwischen Nutzer und System ein Mehrwert bereitgestellt werden, insoweit bei entsprechender Konfiguration das System in der Lage ist, Anfragen zu handhaben. Durch angepasste Dialogverläufe erhöht sich die Chance, dass das System bedarfsgerechte Informationen bereitstellt. Zum anderen ermöglicht die Weiterentwicklung von Spracherkennung bereits eine verbesserte Automatisierung zu Telefonanfragen, sodass Mitarbeiter erst in komplexeren Sachverhalten einbezogen werden müssten. So könnten mehr Erstanfragen durch die KI behandelt werden. Grundlage hierfür ist ab einer gewissen Komplexität der Sachverhalte neben der Automatisierung in Richtung Kunde auch die Qualität der Datenbasis im Unternehmen bzw. der Callcenter-Organisation.
3.1.2.2 Industrie und Robotik Im Rahmen der Produktion bieten sich verschiedene Optimierungspotenziale für den Einsatz von KI. Zunächst ist das Trainieren der Bewegungsabläufe von Robotern und Anlagen mittels lernender Algorithmen möglich. Während es bei statischen Szenarien einfacher erscheint, einen festen Ablauf zu programmieren, kann bei dynamischen Reaktionen zum Beispiel bei individuellen Reparaturen ein trainiertes System von Vorteil sein. Neben der Optimierung der Bewegungen und Aktionen kann im Vorfeld auch die Sensorik trainiert werden. Qualitätskontrollen auf Basis von Bilddatenauswertungen seien hier als Beispiel genannt, wobei Informationen gegebenenfalls analog derer aus menschlichen Sinnen, aber auch aus jeder Form elektronischer Sensorik (bspw. Kontaktpunkte) eingebunden werden können.
Robotik und KI Bereits 1985 publizierte Brady (1985) zu einem möglichen Einsatz von KI im Bereich Robotik und setzte dabei die Herausforderungen von Sensorik und KI in einen Kontext.
3.1 Ausgewählte Anwendungsfelder
21
Wenn Geräte, Maschinen oder Produkte eine spezifische Komplexität und einen eigenen Wartungszyklus besitzen, können hier über Sensoren auch Datenpunkte über den Lebenszyklus gesammelt werden, welche dann im Rahmen einer Wartung oder Reparatur an verschiedenen Stellen herangezogen werden können. Dies kann zum einen während klassischer Wartungs- oder Reparaturprozesse erfolgen, in denen die Daten aktuelle Fehler liefern und die Erlangung von Erkenntnissen über deren Ursachen unterstützen können. Unter dem Stichwort „Predictive Maintenance“, also dem Einsatz von Wartung als präventiver Maßnahme, können die Daten aber auch durch KI in Prognosemodellen zur Vorhersage von Ausfallrisiken verwendet werden. Insbesondere in Anwendungsszenarien mit signifikanten Folgen im Falle eines Ausfalls oder für vorbeugende Maßnahmen bei hohen Wartungskosten erscheint dies in der Praxis sinnvoll. Voraussetzung ist hier die Schaffung oder Verfügbarkeit einer sinnvollen Datenbasis auf Grundlage entsprechender Sensoren und Messpunkte, damit Prognosemodelle realistische Abschätzungen errechnen können.
3.1.2.3 Wissensmanagement und Ad-hoc-Anleitung Zu verschiedenen Anlässen, insbesondere im Rahmen von Interaktionen zwischen Mensch und Maschine, ist oft die Qualifikation eine notwendige Vorbedingung; sei es bei Produktion, Reparatur, Bedienung oder Wartung eines physischen oder virtuellen Systems. Hier bietet der Einsatz von KI im Bereich der Wissensbereitstellung neues Potenzial. Wenn ein Unternehmen oder eine Organisation in der Lage ist, relevantes Wissen aufbereitet zur Verfügung zu stellen, können digitale Assistenten die Mitarbeiter im Alltag begleiten und fehlendes Wissen ad hoc bereitstellen oder ergänzen. Dies kann in Textform auf einem Bildschirm, in Form einer sprachlichen Anleitung mittels Text-to-Speech durch ein Audiosystem oder auch durch die interaktive Begleitung im Rahmen der Nutzung von Augmented Reality, z. B. via HoloLens oder Google Glass, mit dynamischer Bilderkennung und Einblendung von Modellen und Videos erfolgen. Der Einsatz von Audio- und Videoinput und die Interpretation dieser Daten mittels KI können vor allem in Prozessen, in denen die Hände bereits aktiv im Prozessverlauf verwendet werden, Unterstützung bieten.
3.1.2.4 E-Mail-Kommunikation In vielen Organisationen ist E-Mail heute ein vorherrschendes Kommunikationsmedium. Gerade bei hohem Datenaufkommen entstehen hier allerdings auch hohe Aufwände für die sinnvolle Zuordnung, Weiterleitung und Bearbeitung. Die textbasierte Interpretation und unternehmensspezifische Klassifizierung entlang vorhandener Organisationsstrukturen, Themen oder Prozesse können hier
22
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
zu erhöhter Effizienz führen und damit Aufwände reduzieren. Eine kontextuelle Einordnung sollten Kommunikationsempfänger aber weiterhin vornehmen bzw. prüfen, da wie Banday und Jan (2009) feststellen, eine fehlerhafte Einordnung trotz hoher Erfolgsquote weiterhin möglich ist.
3.1.2.5 Medizinische Diagnose und Behandlung Kaum ein Feld unterliegt derart starken ethischen Rahmenbedingungen wie die Medizin, und so wundert es nicht, dass hier der Einsatz von KI intensiv diskutiert wird. Während eine direkte Interaktion zwischen KI und Patient an den meisten Stellen aufgrund der Limitationen und der Tragweite möglicher Fehler durchaus kritisch gesehen werden kann und auch sollte, bieten sich aber auch unterstützende Einsatzfälle gerade in Richtung des ärztlichen Personals an. Als Beispiel sei der Bereich der Krebserkennung genannt. Hier wurden Patientendaten analysiert und darauf basierend Diagnose- und Behandlungsmöglichkeiten vorgeschlagen (Ross und Swetlitz 2018). Ohne den Arzt sind solche Systeme aufgrund ihres limitierten Kontextwissens nur eingeschränkt nutzbar. Eine KI kann ausschließlich Sachverhalte analysieren, auf die sie trainiert wurde, sie verfügt aber weder über einen „gesunden Menschenverstand“ noch über die mitunter jahrzehntelange Lebenserfahrung eines ausgebildeten Arztes. Als Entscheidungsunterstützung ist es jedoch potenziell möglich, durch ein solches System schnell Daten auszuwerten, zusammenzustellen und zum Beispiel mit aktuellen medizinischen Informationen zu ergänzen, sodass ein behandelnder Arzt eine bessere Datenbasis für seine Entscheidungen verfügbar hat, wobei der Arzt stets auf alle verfügbaren Informationen nach Bedarf zurückgreifen können sollte. Daneben ist auch die Analyse von Bildern oder Krankheitsdaten auf Muster hin möglich, sodass sich in Zukunft hier auch weitere Anwendungsgebiete ergeben können, zum Beispiel bei der Auswertung von Röntgenbildern o. Ä. (Hamet und Tremblay 2017).
Tipp Ein Beitrag zu Anwendungen Künstlicher Intelligenz in der Pathologie findet sich bei Serag et al. (2019) unter dem im Literaturverzeichnis zu dieser Quelle angegebenen Link.
3.1.2.6 Pflege Ein in Zeiten von alternden Bevölkerungen immer wieder gesellschaftlich diskutiertes Handlungsfeld ist das der Pflege und des Pflegekräftemangels. Auch hier wird intensiv am Einsatz von Robotern geforscht und entwickelt. Es gibt bereits erste Ansätze, bei denen Personalmangel durch die Betreuung von Robotern
3.1 Ausgewählte Anwendungsfelder
23
zumindest teilweise kompensiert werden kann. Zum Beispiel hilft der Roboter bei der Einnahme von Tabletten, erinnert aktiv an diese und prüft, ob die Tagesdosis schon eingenommen wurde. Auch eine Interaktion mit dem zu betreuenden Menschen ist ähnlich wie bei digitalen Smartphone-Assistenten möglich. KITechnologien wie Spracherkennung und Generierung von Sprache, Videoanalyse und Musterkennung können hier helfen. Daneben kann menschliches Personal durch das System informiert und eingebunden werden. Beispiele: Pflegebrille und Projekt Sprint-Doku
Beispiele sind hier die Pflegebrille, zu der unter https://pflegebrille.de/ (abgerufen am 06.06.2020) nachgelesen werden kann, und das Projekt SprintDoku, mit zugehörigen Informationen unter dem Link https://www.sprint-dok u.de/ (abgerufen am 06.06.2020).
Tipp Weitere Informationen rund um Digitalisierung und Technisierung sozialer Dienstleistungen, inklusive zentraler Themen zu Wirkung und Nebenfolgen, lassen sich beispielsweise bei Deckert und Langer (2018) nachlesen.
3.1.2.7 Learning Analytics Auch in der Lehre mit Blick auf Lernplattformen sind zunehmend Recommender Systems im Einsatz. Basierend auf der bisherigen eigenen Entwicklung und zugehörigen Lernfortschritten sowie historischen Daten anderer Nutzer empfehlen die Systeme der Teilnehmerin bzw. dem Teilnehmer nächste Schritte oder können beim Festigen des Lernfortschritts unterstützen (Bodily und Verbert 2017). Denkbar ist auch die stärkere Einbindung von Chatbots als Lernpartner, um durch eine intensivere Interaktion Inhalte besser zu festigen. Organisationen könnten hierüber zum Beispiel zu vermittelnde Inhalte oder relevante Kurse optimieren und so vermutlich einen höheren Effizienzgrad erreichen.
3.1.2.8 Finanzanalyse Insbesondere im Bereich von Finanzunternehmen ist die Analyse von Finanzdaten verschiedener Ausprägung schon seit Langem ein eigenes Geschäftsmodell. KI-Algorithmen gehen mit der Hoffnung auf Effizienzsteigerungen einher und ermöglichen neue Geschäftsmodelle. Die Prognose von Marktentwicklungen mittels Algorithmen ist gerade im Bereich von Wertpapieren seit Jahren etabliert. Daytrading und der Hochfrequenzhandel wären anders als maschinengestützt
24
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
kaum möglich. Gerade in rein zahlenbasierten Systemen mit hoch verfügbaren Daten können KI-basierte Prognosesysteme ihre Stärke ausspielen. Daneben entdecken viele junge Unternehmen aber auch neue Anwendungsgebiete für KI. Ein Beispiel ist die Vergabe von Mikrokrediten, die von regulären Bankhäusern insbesondere in Risikosituationen oder in bestimmten Ländern nicht abgedeckt wird. Hier kommt teilweise Technologie zum Einsatz, um auf Basis von Online-Nutzerdaten Risikoeinschätzungen bei der Kreditvergabe zu ermitteln und darauf basierend Vergabekriterien zu setzen (Kozodoi et al. 2019). Dieses und viele weitere Geschäftsmodelle sind namensgebend für die Entstehung und das starke Wachstum des Fintech-Sektors.
3.1.2.9 Digitale Verwaltung Auch in der öffentlichen Verwaltung zeigt sich eine kontinuierliche Entwicklung in Richtung Digitalisierung. In entsprechenden Initiativen auf Bundes- und Landesebene rückt auch das Thema Künstliche Intelligenz immer stärker in den Fokus. Als Beispiel auf Länderebene sei das Eckpunktepapier zum Entwurf eines Digitalisierungsgesetzes (DigitalG-E) des Landes Schleswig-Holstein, bereitgestellt in der Verantwortung des Ministeriums für Energiewende, Landwirtschaft, Umwelt, Natur und Digitalisierung (2020), genannt, welches KI als eine zentrale Säule der Digitalisierung in Behörden sieht. Effizienzgewinne in der Digitalisierung von Daten mittels Texterkennung und Kategorisierung von Informationen zur schnelleren Bearbeitung in Vorgängen sind hier einige denkbare Szenarien. Auf der anderen Seite bieten Chatbots, ähnlich wie in Unternehmen, auch hier die Möglichkeit eines optimierten Kommunikationskanals mit den Bürgern.
Tipp Ausgewählte Überlegungen im Bereich öffentliche Verwaltung rund um Entscheidungen und Kontrolle, verbunden mit Automatisierung und Künstlicher Intelligenz, insbesondere im Kontext strategischer Mensch-Maschine-Partnerschaft, sowie weiterführende Quellen finden sich bei Deckert (2020a).
3.1.2.10 Predictive Policing Bei Predictive Policing, welches zum Beispiel in den USA zum Einsatz kommt, werden historische Daten über Verbrechen genutzt, um den zukünftigen Einsatz der verfügbaren Präventionskapazitäten räumlich und zeitlich zu planen. Ziel ist es, durch die zielgerichtete Planung Verbrechen bereits durch die reine Anwesenheit zu verhindern oder zeitnah eingreifen zu können.
3.2 AI-Landscape
25
Tipp Das Thema Predictive Policing wurde von Perry (2013) in seinem gleichnamigen Werk ausführlich dargestellt. Eine zentrale Schwachstelle entsprechender Systeme sind Feedback-Schleifen, da die Vorhersage der Systeme unter anderem auf erfassten Kriminalitätsraten gründet. Diese werden durch stärkere Kontrollen beeinflusst, welche wiederum bei Vorhersagen entsprechender Systeme verstärkt werden können. Diese Problematik diskutieren beispielsweise Ensign et al. (2017) und auch weitere Autoren auf der Suche nach Lösungsansätzen.
3.1.2.11 (Social) Scoring Der Einsatz von Algorithmen zur Analyse, Klassifizierung und Bewertung von Personen als Grundlage zur Entscheidung über die Art der Interaktion wurde bereits in Teilen bei der Finanzanalyse erwähnt. In Deutschland verbreitet ist das Schufa-Ranking (Müller und Freymuth 2018). Entsprechende Vorgehen ermöglichen es Unternehmen und Organisationen, bei der Interaktion mit Individuen zielgerechter zu agieren, sei es bei personifizierter Werbung, Risikoabschätzungen oder im Beispiel der Volksrepublik China das Verhalten seiner Bürger betreffend (Ramadan 2018).
3.2
AI-Landscape
Die breit angelegten, ausgewählten Ausführungen in Abschn. 3.1 zeigen Anwendungsfelder von Künstlicher Intelligenz, insbesondere rund um folgende Begriffsund Bedeutungskategorien, auf: • Bild- und Videoerkennung (auch: Computer Vision), Sprachverarbeitung, Textverarbeitung, • Robotik, Anlagensteuerung, Qualitätskontrolle, Wissensmanagement, • Finanzanalysesysteme, Scoring, • Predictive Analytics, • Autonomes Fahren, Fahrerassistenzsysteme, • Karten- und Navigationssysteme, • Learning Analytics, • Medizinische Diagnose, Pflegeroboter, virtuelle Pflegeassistenten, • Digitale Verwaltung, • Predictive Policing.
26
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
Im Kontext, den Breuer et al. (2018) untersuchten, können vor allem Machine Learning, Computer Vision, Natural Language, Smart Robotics, Autonomous Vehicles und Virtual Agents als wichtige, technologisch geprägte Begriffs- und Bedeutungskategorien gelten. Corea (2018) bietet eine AI-Knowledge Map, die Technologien zu Künstlicher Intelligenz im Zusammenhang in Form einer Abbildung darstellt: https://medium.com/@Francesco_AI/ai-knowledge-map-how-toclassify-ai-technologies-6c073b969020 (abgerufen am 05.06.2020).
3.3
Tipp Vielfältige Informationen finden sich beim Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) unter https://www. dfki.de/ (abgerufen am 05.06.2020). Beispielsweise kann unter https:// www.dfki.de/wwdata/Gutenberg_Stiftungsprofessur_Mainz_2017/Ler nende_Maschinen.pdf (abgerufen am 05.06.2020) eine Präsentation von Wahlster (2017a) eingesehen werden, die ausgewählten Überblick gibt. Gemeinsam haben Bitkom und DFKI (2017), erreichbar unter dem Link https://www.dfki.de/fileadmin/user_upload/import/ 9744_171012-KI-Gipfelpapier-online.pdf (abgerufen am 05.06.2020), das Dokument „Künstliche Intelligenz – Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung“ herausgegeben. Gegebenenfalls lohnt je nach Interesse der Blick in Richtung hochschulischer Ausbildung wie beispielsweise in die Strukturierung unter http://ais.informatik.uni-freiburg.de/teaching/ ss18/ki/slides/ (abgerufen am 05.06.2020).
Herausforderungen beim Einsatz von KI
Zunächst steht der Einsatz von KI, ähnlich wie auch andere ITAnwendungsszenarien, vor der Herausforderung, dass es sich um ein kontinuierlich veränderndes Innovationsfeld handelt. Die Frequenz von Innovationen und neuen Frameworks eröffnet das Risiko, dass einmal etablierte KI-basierte Vorgehensweisen bereits in wenigen Jahren oder sogar Monaten wieder veraltet sein können. Gleichzeitig gehen Organisationen vor allem auch in Zeiten disruptiver Veränderungen wirtschaftlich die Existenz bedrohende Risiken ein und dies einmal mehr, wenn sie sich nicht auf schnelle Veränderungen einrichten und den Prozess dahin vorausschauend gestalten. Zudem bedürfen neue Technologien und Geschäftsmodelle auch in Zukunft einer kontinuierlich reflektierenden Diskussion von KI unter ethischen Gesichtspunkten.
3.3 Herausforderungen beim Einsatz von KI
27
Dabei gibt es für den Einsatz von KI einige besondere Herausforderungen. Zum einen ist in vielen Organisationen keine ausreichende bzw. ausreichend gepflegte Datenbasis für die Umsetzung von KI-Verfahren vorhanden. Hier ist oft eine umfangreiche Aufarbeitung existierender Datenbestände und Prozesse notwendig, die weit über eine technische Betrachtung hinausgeht, und die zeitintensivste Phase findet sich auch in den allermeisten KI-Projekten in der Datensammlung, Datenaufbereitung und Datenbereinigung. Daneben ist für die Identifikation von Anwendungsfällen für KI sowohl ein Verständnis der technischen Rahmenbedingungen als auch des geschäftlichen Umfeldes notwendig. Somit ist eine interdisziplinäre Ideenfindung und Kollaboration oft Grundlage für das zielgerichtete Entwickeln und Begleiten entsprechender Projekte. Menschen mit hierfür hilfreichen Fähigkeiten sind aber gerade in Zeiten der digitalen Transformation begehrt am Arbeitsmarkt, sodass Organisationen hier auch in Zukunft vor Herausforderungen bei der Gewinnung von Personal bzw. von Kooperationspartnern stehen werden. Bei dem unseres Erachtens für den Einsatz von KI je nach Verfahren notwendigen Spektrum an Wissen, Erfahrung und Fähigkeiten sind jeweils kaum Abstriche mögliche, wenn es gilt, 1) KI effizient erfolgreich einzusetzen und 2) möglichen Risiken und Nebenwirkungen des Einsatzes von KI – wie sich diese beispielsweise bei Broussard (2018) sowie Brynjolfsson und McAfee (2017) adressiert finden – vorausschauend entgegenzuwirken. Hierfür sind einschlägige methodisch und technisch geprägte Kompetenzen ebenso wie Projektmanagement-Kompetenzen und soziale Kompetenzen, insbesondere zwecks Einbindung von beteiligten Fachexperten ohne KI-Expertise, notwendig. Seitens WBGU (2019, S. 79) finden sich die folgenden vier korrespondierenden Chancen und Risiken nach Floridi et al. (2019) aufgegriffen: • Chance: Ermöglichung menschlicher Selbstverwirklichung → Risiko: Abwertung menschlicher Fähigkeiten • Chance: Verbesserung der menschlichen Leistungsfähigkeit bzw. Wirkmacht → Risiko: Beseitigung menschlicher Verantwortung • Chance: Steigerung gesellschaftlicher Fähigkeiten → Risiko: Reduzierung menschlicher Kontrolle • Chance: Förderung gesellschaftlicher Kohäsion → Risiko: Aushöhlung der menschlichen Selbstbestimmung Dem WGBG (2019, S. 79) folgend können die Risiken durchaus dazu führen, dass die Chancen nicht genutzt werden. Nach diesen vorausgeschickten Anmerkungen finden sich nachfolgend vertiefende und ergänzende Ausführungen, vor
28
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
allem auch um hierzu eine konstruktive Diskussion anzuregen. Zentral sind hierfür insbesondere auch eigene Erfahrungen aus Praxisprojekten in Unternehmen und Organisationen und hiermit verbundene Einschätzungen zur gesellschaftlichen Transformation mit KI.
3.3.1
Der Arbeitsmarkt
Die Transformation des Arbeitsmarktes ist in den hier betrachteten Zusammenhängen wohl eine der größten gesamtgesellschaftlichen Herausforderungen. Die Digitalisierung im Allgemeinen und das rasante Wachstum von KI-Anwendungsfällen im Speziellen schaffen auf der einen Seite neue Möglichkeiten, insbesondere in Rollen, die einen KI-Einsatz vorbereiten oder begleiten sollen. Dem gegenüber stehen die gefährdeten Berufsbilder, welche durch die KIbasierten Effizienzgewinne teilweise oder ganz obsolet werden. Da nicht jeder aus einem bedrohten Berufsfeld ohne Weiteres in einem der digitalen Wachstumsthemen Fuß fassen kann, wird dieser Wandel durch Gesellschaft und Politik begleitet und auch gesteuert werden müssen (West 2015).
3.3.2
Schleichender Qualifikationsverlust
Künstliche Intelligenz soll in ihren verschiedenen Einsatzgebieten in der Regel den Menschen unterstützen, seine Arbeit effizienter machen oder, insbesondere bei kritischen Themen, die Entscheidung beim Menschen belassen und diesem zuarbeiten. Dabei darf aber vermutet werden, dass dies auch eine Auswirkung auf die Qualifikation der im Prozess eingebundenen Menschen hat. Wenn beispielsweise ein Arzt über mehrere Jahre Empfehlungen und Diagnosen eines Systems entgegennimmt und diese höchstens noch kursorisch prüft, anstatt sie wie früher alle selbst zu erarbeiten, beeinflusst dies gegebenenfalls schleichend seine Fähigkeit, eben solche Diagnosen für sich allein zu erstellen, auf negative Weise. Hier kann beispielsweise gegebenenfalls auch ein Einfluss sein, dass ein komplexes Diagnosesystem inklusive KI-Anwendung weiterentwickelt wird und dies, ohne dass die Weiterentwicklung zu jeder Zeit dem Arzt – der nicht für alle Geräte gleichermaßen ein KI-Experte sein kann – in den für die sichere Bewertung des KI-Diagnoseergebnisses wichtigen Sachverhalten verständlich gemacht und offengelegt wurde. Hier wird ersichtlich, dass alle am Prozess Beteiligten eine hohe Verantwortung tragen, denn in der Rolle des Nutzers kann sich über den Nutzungsverlauf KI-basierter Systeme eine Abhängigkeit ergeben. Dies kann
3.3 Herausforderungen beim Einsatz von KI
29
dahin führen, dass Menschen den „Knopf“ für Entscheidungen drücken, der KI aber ohnehin blind vertrauen müssen, da sie nicht mehr in der Lage sind, diese nachzuvollziehen. Um Effizienzgewinne aus ökonomischer Sicht maximal zu nutzen, könnte es sogar kurzfristig sinnvoll erscheinen, die Einbeziehung des Menschen zu minimieren und so schneller zu sein. Dies führt aber potenziell zu ethischen Konflikten im Entscheidungsprozess; was die Qualität der jeweiligen Entscheidung und eine hochwertigere Qualifikation des Menschen betrifft.
3.3.3
Deep Fakes
Deep Fakes, also die Verfälschung von Bildern, Videos oder Audiodateien mittels KI, bringt zentrale neue Herausforderungen für eine demokratisch legitimierte Grundordnung, die auf der Beteiligung politisch informierter Bürger basiert, mit sich. Denn mittels entsprechender Fakes können Falschinformationen in gänzlich neuer Qualität verbreitet werden, die für den Laien (und auch einige Experten) nicht mehr oder kaum noch zu unterscheiden sind. Schon heute verbreiten sich Falschmeldungen über das Internet mit rasender Geschwindigkeit. Der Einsatz von manipulierten Videos könnte im Extremfall gezielt zur Destabilisierung demokratischer Systeme eingesetzt werden, nur dass im Gegensatz zu herkömmlichen Falschinformationen der Glaubwürdigkeitsfaktor durch den Einsatz von Videos deutlich höher erscheint. Gedanken zu Deep Fakes lassen sich in Überlegungen zu Informations- und Wissensasymmetrien als Handlungsfeld für Politik und Verwaltung im Kontext von Digitalisierung einordnen, wozu bei Deckert (2020a) nachgelesen werden kann. Da die Technologie dazu bereits verfügbar ist, ist hier dringendes Handeln geboten. Mögliche Ansatzpunkte könnten eine stärkere Verankerung technologischer Ausbildung im Schulsystem sowie eine stärkere Betonung kritischer und wissenschaftlicher Ausbildung sein.
3.3.4
Diskriminierung durch KI
Insoweit Vorhersagen durch bestimmte KI auf Basis von Wahrscheinlichkeiten – d. h. probabilistisch geprägt und nicht deterministisch – getroffen werden, besteht das Risiko, dass diese KI-Systeme Entscheidungen zu Ungunsten von Minderheiten oder Ausnahmefällen beeinflussen. Während dies im Sinne des Gesamtergebnisses zwar augenscheinlich zu einer Verbesserung führen mag,
30
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
besteht die Gefahr, „Randgruppen“ zu diskriminieren, wie es Crawford (2016) auf Basis verschiedener Beispiele zusammenfasst. Um dies zu begrenzen, ist bei der Konzeptionierung und dem Training solcher Systeme die Kenntnis dieses Phänomens notwendig, um korrigierend eingreifen zu können. Dieses Eingreifen kann jedoch generell schwierig sein und vor allem dann sogar unmöglich, wenn versteckte Verzerrungen – „hidden biases“ (Brynjolfsson und McAfee 2017, o. S.) – vorliegen, die unbemerkt bleiben.
3.3.5
Intransparenz
Ein trainiertes KI-System ist von Natur aus zunächst eine Blackbox. Ohne bestimmte Anpassungen ist für den Anwender nicht nachvollziehbar, wie ein System zu seinen Entscheidungen kommt. Damit ist es für Menschen, die darauf basierend handeln sollen, kaum abzuwägen, ob sie den Empfehlungen eines solchen Systems folgen oder möglichweise einen anderen Weg einschlagen sollten, wie es auch De Graaf (2017) vermerkt. Zwar gibt es Frameworks und Technologien, die transparente KI ermöglichen sollen, bis heute ist dies aber in der Praxis noch wenig verbreitet. Macht ein KI-System also Fehler, ist dieser für den Nutzer nur ersichtlich, wenn er als Mensch selbst über genügend eigenes Wissen zur Einschätzung eines Sachverhaltes verfügt, und selbst dann bleibt die Entscheidung der KI für ihn typischerweise nicht umfassend nachvollziehbar.
3.3.6
Datenqualität
Die Grundlage einer jeden KI sind Daten: Daten zum Trainieren, Daten zum Testen und später Daten als Basis, um Empfehlungen zu geben oder Entscheidungen zu treffen. An jeder dieser Stellen ist für einen erfolgreichen Einsatz von KI die Datenqualität maßgeblicher Einflussfaktor. Sind die Daten korrekt? Liegen genügend Daten vor? Fehlen wichtige Daten zum Kontext? Entsprechende Fragen müssen an jeder Stelle der Konzeptionierung, Implementierung und Nutzung von KI eine – oftmals entscheidende – Rolle spielen. Dies ist für Unternehmen und Organisationen oft mit einem hohen Aufwand verbunden, der in der Praxis meist unterschätzt wird. Hohe Kosten der Schaffung solcher Datenbestände sorgen für einen hohen Wert der Daten am Markt. Ganze Unternehmen werden teilweise allein wegen ihrer Datenbestände akquiriert, denn diese werden zum Wettbewerbsvorteil. Marktführer, die einmal einen hoch qualitativen Datenbestand haben, können ihre Position so zementieren und sich gegen
3.3 Herausforderungen beim Einsatz von KI
31
möglicherweise innovativere kleinere Konkurrenten allein durch ihre Datenbasis verteidigen.
3.3.7
Social Profiling
Bereits als Anwendungsgebiet beschrieben, zieht Social Profiling natürlich tiefgreifende ethische Fragestellungen nach sich. Ein weitreichender Einsatz solcher Technologien durch Unternehmen oder staatliche Organisationen kann zu einem Eingriff in die Selbstbestimmung von Individuen führen, da sie auf Basis ihres persönlichen und privaten Verhaltens eingeschränkt werden können und möglicherweise Nachteile erfahren. Eine Gesetzgebung für einen ethischen Umgang mit KI sollte hier eine Grundlage schaffen, um den Einsatz von KI in gesellschaftszuträgliche Bahnen zu lenken.
3.3.8
Autonome Waffensysteme
Viele der beschriebenen Herausforderungen und Risiken beim Einsatz von KI spitzen sich zu, wenn es um den Einsatz im Kontext von Waffensystemen geht. Entscheidungen in diesem Feld können Menschenleben fordern und entsprechend folgenschwer ist die Diskussion hierzu. Zum einen kann das Leben eines Soldaten geschützt werden, wenn an seiner statt ein System eingesetzt wird. Auf der anderen Seite kann ein „Versagen“, d. h. unerwünschtes Entscheiden von KI, in diesem Umfeld dramatische Folgen haben. Gleichzeitig besteht zwischen Staaten, aber auch zwischen Unternehmen natürlich auch hier „Wettbewerbsdruck“. Eine notwendige Regelung wird deshalb wohl nicht auf nationaler Ebene allein beschlossen werden können.
3.3.9
IT-Sicherheit
Wie für andere IT-Systeme auch, ist bei KI aus verschiedenen Aspekten heraus das Thema der Sicherheit ein ganz zentrales. Zum einen ist der Bestand der existierenden Daten, auf die das System Zugriff hat, zu sichern. Zum anderen besteht aber gegebenenfalls auch die Möglichkeit der bewussten Manipulation von Systemen, indem man bewusst falsche oder manipulierende Daten an das System liefert, sei es als (versteckter) Teil der Trainingsdaten während eines Trainingsprozesses oder im späteren Betrieb, wenn man Entscheidungsmechanismen
32
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
eines Systems verstanden hat und es dann manipuliert. Insoweit KI kein Kontextwissen über die verfügbaren Daten hinaus hat, ist es dann je nach Problemstellung wahrscheinlich für das System nicht einmal theoretisch möglich, seinen Fehler zu erkennen, es sei denn, es wurden bereits bei der Erstellung entsprechende Feedbackschleifen und Prüfungsmechanismen eingebaut.
3.4
Kompetenzen für eine sinngebende Kooperation von Menschen und Maschinen
Wie die vorausgegangenen Überlegungen zeigen, gibt es gute Gründe, dass Menschen ihre Kompetenzen mit Blick auf die Kooperation von Menschen und Maschinen vorausschauend entwickeln. Hierfür bestehen insbesondere die nachfolgend beschriebenen Ansatzpunkte (Ia), (Ib), (II) und (III), die sich gegenseitig nicht ausschließen, sondern durch Menschen verbunden verfolgt werden können. Der Mensch befasst sich mit der (Ia) Lösung von realen Problemen, die typischerweise komplexer sind als diejenigen Probleme, die Künstliche Intelligenz besser als Menschen lösen kann. Er konzentriert sich auf Beiträge zur Lösung genau dieser Art an Problemen (Aoun 2017). Dies erfolgt in einer Welt, die durch VUCA für Volatility, Uncertainty, Complexity und Ambiguity gekennzeichnet ist, wie dies aktuell beispielsweise bei Scharmer (2018) Verwendung findet. Große gesellschaftliche Herausforderungen (Wissenschaftsrat 2015) können für uns Menschen „ein Lernfeld bieten, das uns bei der Vorbereitung auf eine Zukunft, die durch weiter intensivierten Einsatz von Software, Robotern, Vernetzung und Künstlicher Intelligenz gekennzeichnet ist, unterstützt“ (Deckert 2019, S. 3). Menschen können sich darüber hinaus damit befassen, (Ib) was sie gegenüber Maschinen auszeichnet (generell, individuell). Hierzu gehören beispielsweise soziale und emotionale Intelligenz, Intuition, Kontextualisierung und Sinngebung auf hohem Niveau (vgl. Abschn. 2.3). Insgesamt spiegelt sich hier das Moravec’sche Paradoxon wider, zu dem der WBGU (2019, S. 76) mit Rückgriff auf Moravec (1988) anmerkt, dass „KI-Systeme viele Probleme anders als der Mensch [lösen], weshalb nach dem Moravec’schen Paradoxon viele für Menschen einfache Handlungen für KI schwierig und für Menschen schwierige Aufgaben von KI oft einfach umsetzbar sind“ (ebd.). Als weiteren Ansatzpunkt kann man sich (II) mit Technologie befassen, also im hier vorliegenden Kontext speziell mit Künstlicher Intelligenz. Hierfür gibt es heute vielfältige Möglichkeiten, die beispielsweise im Internet seitens Hochschulen bereitgestellt werden. Wichtig ist zudem die Frage, inwieweit der Erwerb
3.4 Kompetenzen für eine sinngebende Kooperation von Menschen …
33
von Kompetenzen rund um Künstliche Intelligenz in schulische, berufsschulische und hochschulische Bildung sowie betriebliche Fort- und Weiterbildung integriert wird; und dies querschnittlich ergänzend zu bestehenden Qualifikationsprofilen und in Form neuer Qualifikationsprofile und Berufe. Hier könnten stetig fortzuschreibende Profile zu Data Science und Data Engineering gegebenenfalls hilfreich sein und fokussiert Orientierung bieten.
Tipp Unter der Überschrift „Kompetenzen in der digitalen Welt“ bietet die Kultusministerkonferenz (2016) einen Blick auf wichtige Kompetenzbereiche für die Schulbildung, die auf der KMKInternetseite nachgelesen werden können (vgl. Internetlink im Literaturverzeichnis). Der Harvard Data Science Review, der unter https:// hdsr.mitpress.mit.edu/ (abgerufen am 05.06.2020) offen im Internet zur Verfügung steht, bietet die Möglichkeit, aktuelle Entwicklungen rund um Data Science zu verfolgen. Der Stifterverband für die Deutsche Wissenschaft (2019, S. 11) ermittelt in Kooperation mit McKinsey & Company in einer Studie für Deutschland – vor der Coronavirus-Krise – die Anzahl an ungefähr 700.000 Personen mit „Technological Skills“, die bis zum Jahr 2023 in gewerblicher Wirtschaft, Versicherungen und Finanzen gesucht werden, und zwar unter anderem mit Fähigkeiten zu komplexer Datenanalyse, und beschreibt für die Zukunft wichtige Bereiche: „Classic Skills“, „Digital Citizenship Skills“ und „Technological Skills“.
Der Mensch lernt, (III) vorausschauend und sinngebend in einer strategischen Mensch-Maschine-Partnerschaft mit Maschinen zusammenzuarbeiten. Dies wird, verbunden mit Sinngebung, Kontrolle, Teilhabe, Design, Interaktion und Vernetzung, an anderer Stelle erläutert, wie beispielsweise bei Deckert et al. (2019) oder bei Deckert (2020 a, b). Hiermit können Kompetenzprofile und Berufsbilder stetig weiterzuentwickeln sein, die dann Kompetenzen rund um die Konzeption, die Gestaltung und den Einsatz Künstlicher Intelligenz integrieren bzw. umfassen. Beispiel: Projekte zur Entstehung von Systemen Künstlicher Intelligenz
Künstliche Intelligenz wird im praktischen Rahmen typischerweise im Kontext von IT-Projekten konzipiert und eingeführt. Diese können als oftmals innovationsgetriebene Projekte bei der Ideenfindung beginnen.
34
3
Anwendungsmöglichkeiten Künstlicher Intelligenz
Um überhaupt einen Anwendungsfall für KI zu identifizieren, bedarf es zunächst sowohl eines grundlegenden Verständnisses der Möglichkeiten und Grenzen von KI als auch der geschäftlichen und systembezogenen Rahmenbedingungen für den speziellen Anwendungsfall. Auf dieser Basis, die im Verlauf der Konzeptionierung des Projektes in allen Ausprägungen auch in der Tiefe vorhanden sein oder aufgebaut werden muss, kann ein entsprechendes Vorhaben definiert und aufgesetzt werden. Die Initialisierung kann von technisch bewanderten Personen der Führungsebene ausgehen, aber auch Fachbereiche mit technischem Verständnis oder IT-Bereiche mit Geschäftswissen können hier Innovationstreiber sein. Für die weitere Umsetzung solcher IT-Vorhaben sind dann alle klassischen Projektrollen gestaltend involviert. Neben Sponsoren für das Projekt und Stakeholdern in der Organisation ist mit dem Projektleiter eine steuernde Rolle direkt und durchgehend mit dem Projekt befasst. Daneben sind entsprechende fachliche Kompetenzen und Prozesswissen zum Anwendungsfall in einer oder mehreren fachlichen Rollen involviert. IT-seitig finden sich zumeist Rollen wie Entwickler für die Umsetzung, IT-Architekten für die übergreifende Konzeption sowie Data Scientists als Experten mit KI-Fokus bzw. Data Engineers. Wird das Projekt mittels agiler Methoden wie Scrum umgesetzt, finden sich statt des Projektleiters meist ein Product Owner und ein Scrum Master, die eine stärker produktbezogene beziehungsweise eine moderierende und methodisch orientierte Rolle haben. Ein besonderer Fokus kommt dabei den Daten zu, die zum Training des Systems benötigt werden. Sie stellen die Grundlage für ein funktionierendes und produktives System dar. Da in der Praxis zumeist unzureichende Datenmengen oder Daten in unzureichender Qualität vorliegen, wird ein signifikanter Teil der inhaltlichen Arbeit damit verbracht, diese vorzubereiten. Dazu gehört unter anderem: • Gegebenenfalls Umsysteme über Schnittstellen adressieren, • Daten extrahieren, sofern noch nicht vorhanden, erst einmal Daten sammeln oder generieren, • Daten auf Datenqualität analysieren, • Daten bereinigen und • Daten bereitstellen. Hinweis: Es ist einer der häufigsten Irrtümer in Bezug auf die Rollen von Data Scientists in diesen Projekten, dass diese primär mit der Gestaltung intelligenter Algorithmen befasst sind. Da die Datengrundlage für ein KI-System
3.4 Kompetenzen für eine sinngebende Kooperation von Menschen …
35
eine kritische Rolle spielt und die Schaffung dieser Basis oft sehr zeitaufwendig ist, muss hier ein Großteil der Arbeitskapazitäten investiert werden. Der Verantwortung im Rahmen dieses Datentransformationsprozesses sollten sich insbesondere angehende Data Scientists, aber auch IT-Entscheider bewusst sein. Wie die Ausführungen im essential gezeigt haben, gibt es auch sehr gute Gründe, sich intensiv mit den Daten zu befassen. Neben den genannten Aspekten wird die weiterführende Nutzung von KI auch einen tiefgreifenden kulturellen Wandel in Organisationen nach sich ziehen, der im Sinne von Unternehmen und Mitarbeitern aktiv gestaltet werden muss. Hier sieht Makridakis (2017) den Change Manager als eine zentrale Rolle an.
4
Zusammenfassung und Ausblick
Für sich persönlich und auf allen Ebenen in der Gesellschaft empfiehlt sich dringend die intensive Auseinandersetzung mit für die Zukunft wichtigen Kompetenzen. Dies ordnet sich in die hier so benannten Big Five einer wünschenswerten Entwicklung zu KI ein (vgl. Abb. 4.1).
3. … 2. … braucht große umfasst strinAnstrengungen gente Aufklärung des Menschen über zur Ausrichtung den Einsatz von am Wohle des Algorithmen Menschen 1. … erfordert hohe Achtsamkeit zu Risiken und Nebenwirkungen
Zukunft rund um
KI …
4. … benötigt Anleitung zur wirksamen Förderung eigener Kompetenzen
5. … darf dann auch ein großes Abenteuer in positivem Sinne werden
Abb. 4.1 Big Five einer wünschenswerten Entwicklung zu Künstlicher Intelligenz
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 R. Deckert und E. Meyer, Digitalisierung und Künstliche Intelligenz, essentials, https://doi.org/10.1007/978-3-658-31795-9_4
37
38
4
Zusammenfassung und Ausblick
Ein wesentlicher Erfolgsfaktor für die Ausrichtung der Entwicklung am Wohl des Menschen und der Menschheit insgesamt wird es sein, konsequent Ereignisse, Erlebnisse, Einsichten, Emotionen und wirksames Engagement rund um Digitalisierung und rund um nachhaltige Entwicklung – unter ausgewogenem Einbezug techn(olog)ischer, ökonomischer, ökologischer und sozialer Perspektiven – zu verknüpfen. Hier sind jetzt Politik, Akteure in öffentlicher Daseinsvorsorge und Wirtschaft sowie jede und jeder Einzelne von uns gefragt.
Was Sie aus diesem essential mitnehmen können
• Komprimierte Strukturen zur Einordnung ausgewählter Entwicklungen und Auswirkungen rund um Digitalisierung und Künstliche Intelligenz • Ausgewählte Zusammenhänge mit großen gesellschaftlichen Herausforderungen • Breiter Überblick anhand ausgewählter Anwendungsfelder und Herausforderungen beim Einsatz von KI • Kompetenzen im Zusammenhang mit beispielhaften Ausführungen zu KIProjekten • Big Five einer wünschenswerten Entwicklung für den Einsatz Künstlicher Intelligenz
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 R. Deckert und E. Meyer, Digitalisierung und Künstliche Intelligenz, essentials, https://doi.org/10.1007/978-3-658-31795-9
39
Literatur
Acatech (2015). Smart Service Welt – Internetbasierte Dienste für die Wirtschaft. https:// www.acatech.de/projekt/smart-service-welt/. Zugegriffen: 2. Mai 2020. Agrawal, H., & Guja, S. B. (2020). Reinforcement learning in OpenAI five. CLIO An Annual Interdisciplinary Journal of History, 6(5), 65–69. Anderson, T., & Dron, J. (2011). Three generations of distance education pedagogy. International Review of Research in Open and Distributed Learning (IRRODL), 12(3), 80–97. Aoun, J. E. (2017). Robot-Proof – Higher education in the age of artificial intelligence. Cambridge: The MIT Press. Ashton, K. (2009). That ‘Internet of Things’ thing – In the real world, things matter more than ideas. RFID Journal. https://www.rfidjournal.com/articles/view?4986. Zugegriffen: 2. Mai 2020. Balakrishnan, H. (2012). Lecture 23: A brief history of the internet. Introduction to EECS II: Digital communication systems. Fall 2012. MITOPENCOURSEWARE. https://ocw. mit.edu/courses/electrical-engineering-and-computer-science/6-02-introduction-to-eecsii-digital-communication-systems-fall-2012/lecture-videos/lecture-23-a-brief-history-ofthe-internet/. Zugegriffen: 2. Mai 2020. Banday, M. T., & Jan, T. R. (2009). Effectiveness and limitations of statistical spam filters. arXiv preprint. https://arxiv.org/abs/0910.2540. Zugegriffen: 20. Juni 2020. Bauer, W., Schlund, S., Marrenbach, D., & Ganschar, O. (2014). Industrie 4.0 – Volkswirtschaftliches Potenzial für Deutschland – Studie. Hrsg.: BITKOM, Das Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO. https://www.ipa.fraunh ofer.de/content/dam/ipa/de/documents/UeberUns/Leitthemen/Industrie40/Studie_Vok swirtschaftliches_Potenzial.pdf. Zugegriffen: 2. Mai 2020. Bendel, O. (2019). Industrie 4.0. Gabler Wirtschaftslexikon. https://wirtschaftslexikon.gab ler.de/definition/industrie-40-54032. Zugegriffen: 2. Mai 2020. Best, J. (2013). IBM Watson: The inside story of how the Jeopardy-winning supercomputer was born, and what it wants to do next. TechRepublic.com. https://www.techrepublic. com/article/ibm-watson-the-inside-story-of-how-the-jeopardy-winning-supercomputerwas-born-and-what-it-wants-to-do-next/. Zugegriffen: 1. Juli 2018.
© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020 R. Deckert und E. Meyer, Digitalisierung und Künstliche Intelligenz, essentials, https://doi.org/10.1007/978-3-658-31795-9
41
42
Literatur
Bitkom, DFKI (2017). Künstliche Intelligenz – Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung. https://www.dfki.de/fileadmin/user_u pload/import/9744_171012-KI-Gipfelpapier-online.pdf. Zugegriffen: 5. Juni 2020. BMBF – Bundesministerium für Bildung und Forschung (2020). Künstliche Intelligenz (KI) ist ein Schlüssel zur Welt von morgen. https://www.ki-strategie-deutschland.de/ home.html. Zugegriffen: 23. Mai 2020. Bodily, R. & Verbert, K. (2017). Trends and issues in student-facing learning analytics reporting systems research. Proceedings of the Seventh International Learning Analytics & Knowledge Conference (LAK ’17), New York/USA: Association for Computing Machinery (S. 309–318). https://doi.org/10.1145/3027385.3027403. Zugegriffen: 20. Juni 2020. Bostrom, N. (2014). Superintelligence – Paths, Dangers, Strategies. Oxford: University Press. Brady, M. (1985). Artificial intelligence and robotics. Artificial Intelligence, 26(1), 79–121. Breuer, P., Hagemeier, D., Hürtgen, H., & Heck, C. (2018). Artificial intelligence – How advanced analytics and smart machines willchange the way we work. Leading in a disruptive world. McKinsey&Company. https://www.mckinsey.de/~/media/McKinsey/ Locations/Europe%20and%20Middle%20East/Deutschland/Publikationen/2018%20C ompendium/Artificial%20intelligence%20how%20advanced%20analytics%20and% 20smart%20machines%20will%20change%20the%20way%20we%20work/kompen dium_07_AI.ashx. Zugegriffen: 5. Juni 2020. Broussard, M. (2018). Artificial unintelligence – How computers misunderstand the world. Cambridge: The MIT Press. Brynjolfsson, E., & McAfee, A. (2017). The business of artificial intelligence, What it can – And cannot – Do for your organization. Harvard Business Review. https://hbr.org/ cover-story/2017/07/the-business-of-artificial-intelligence. Zugegriffen: 1. Juli 2018. Buxmann, P., & Schmidt, H. (2019). Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens. In: P. Buxmann & H. Schmidt (Hrsg.), Künstliche Intelligenz – Mit Algorithmen zum wirtschaftlichen Erfolg (S. 3–20). Berlin: Springer Gabler. Carnegie Mellon University (Hrsg.). (2005). CMU SCS Coke Machine. https://www.cs. cmu.edu/~coke/. Zugegriffen: 2. Mai 2020. Campbell, K., & Schwier, R. A. (2014). Major movements in instructional design. In: O. Zawacki-Richter & T. Anderson (Hrsg.), Online distance education (S. 345–380). Athabasca University: AU Press. https://www.aupress.ca/app/uploads/120233_99Z_Zaw acki-Richter_Anderson_2014-Online_Distance_Education.pdf. Zugegriffen: 20. Juni 2020. Corea, F. (2018). AI Knowledge Map: How to classify AI technologies, a sketch of a new AI technology landscape. Medium – Artificial Intelligence. https://medium.com/@Francesco_AI/ai-knowledge-map-how-to-classify-ai-tec hnologies-6c073b969020. Zugegriffen: 5. Juni 2020. Crawford, K. (2016). Artificial intelligence’s white guy problem. The New York Times. https://www.nytimes.com/2016/06/26/opinion/sunday/artificial-intelligences-white-guyproblem.html. Zugegriffen: 20. Juni 2020. Davenport, T. H. (2016). Rise of the strategy machines. MIT sloan management review. Special collection. Fall 2016. S. 22–23. https://marketing.mitsmr.com/offers/FR2016/ MITSMR-Frontiers-collection.pdf. Zugegriffen: 2. Mai 2019.
Literatur
43
De Graaf, M. M. A., & Malle, B. F. (2017). How people explain action (and Autonomous Intelligent Systems Should Too). Department of cognitive, linguistic, and psychological sciences, Brown University. Artificial intelligence for human-robot interaction. AAAI Technical Report FS-17–01. https://www.aaai.org/ocs/index.php/FSS/ FSS17/paper/view/16009/15283. Zugegriffen: 20. Juni 2020. Deckert, R. (2020a). Digitalisierung, Politik und Verwaltung – Gesellschaftliche Herausforderungen und strategische Steuerung. Wiesbaden: Springer Gabler. Deckert, R. (2020b). Digitalisierung und nachhaltige Entwicklung – Vernetztes Denken, Fühlen und Handeln für unsere Zukunft (2. Aufl.). Wiesbaden: Springer Gabler. Deckert, R. (2019). Digitalisierung und Industrie 4.0 – Technologischer Wandel und individuelle Weiterentwicklung. Wiesbaden: Springer Gabler. Deckert, R., Metz, M., & Günther, A. (2019). Strategische Mensch-Maschine-Partnerschaft – Begriffs- und Bedeutungskategorien ausgehend von Digitalisierung, nachhaltiger Entwicklung und weiteren Kontexten. Diskussionsbeiträge Fachbereich Technik, HFH Hamburger Fern-Hochschule, ISSN 2629–5482, Nr. 5/2019. https://www.researchg ate.net/publication/336471430_Strategische_Mensch-Maschine-Partnerschaft_-_Beg riffs-_und_Bedeutungskategorien_ausgehend_von_Digitalisierung_nachhaltiger_Entwic klung_und_weiteren_Kontexten. Zugegriffen: 1. Juni 2020. Deckert, R., & Günther, A. (2018). Digitalisierung und Industrie 4.0 – Eine Einführung zu ausgewählten neueren Entwicklungen in Wirtschaft und Gesellschaft. Digitaler HTML5-Studienbrief. HFH Hamburger Fern-Hochschule. https://digitale-skripte.hfhfernstudium.de/GBW/GBW005.html. Zugegriffen: 2. Mai 2020. Deckert, R., & Langer, A. (2018). Digitalisierung und Technisierung sozialer Dienstleistungen. In: A. Langer & K. Grundwald (Hrsg.), Sozialwirtschaft – Handbuch für Wissenschaft und Praxis (S. 872–889). Baden-Baden: Nomos. Deckert, R., & Saß, A. (2020). Digitalisierung und Energiewirtschaft – Technologischer Wandel und wirtschaftliche Entwicklung. Wiesbaden: Springer Gabler. Dengler, K., & Matthes, B. (2015). Folgen der Digitalisierung für die Arbeitswelt, IAB-Forschungsbericht 11/2015. https://doku.iab.de/forschungsbericht/2015/fb1 115.pdf. Zugegriffen: 2. Mai 2020. Desai, N., Dhameliya, K., & Desai, V. (2013). Feature extraction and classification techniques for speech recognition: A review. International Journal of Emerging Technology and Advanced Engineering, 3(12), 367–371. Dodds, P. S., Muhamad, R., & Watts, D. J. (2003). An experimental study of search in global social networks. Science, 301(5634), 827–829. Dunlop, M. D., & Crossan, A. (2000). Predictive text entry methods for mobile phones. Personal Technologies, 4(2–3), 134–143. Ensign, D., Friedler, S. A., Neville, S., Scheidegger, C., & Venkatasubramanian, S. (2017). Runaway feedback loops in predictive policing. arXiv preprint. https://arxiv.org/abs/ 1706.09847. Zugegriffen: 20. Juni 2020. Europäische Kommission (2020). Ethics Guidelines for Trustworthy AI. https://ec.europa. eu/futurium/en/ai-alliance-consultation. Zugegriffen: 2. Mai 2020. Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018).
44
Literatur
AI4People – An ethical framework for a good AI Society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689–707. https://doi.org/10. 1007/s11023-018-9482-5. Zugegriffen: 7. Apr. 2020. Forschungsunion Wirtschaft und Wissenschaft (Hrsg.). (2013). Perspektivenpapier der Forschungsunion – Wohlstand durch Forschung – Vor welchen Aufgaben steht Deutschland?https://www.forschungsunion.de/pdf/forschungsunion_perspektiven papier_2013.pdf. Zugegriffen: 2. Mai 2020. Frey, C. B., & Osborne, M. A. (2013). The Future of employment: How susceptible are jobs to computerization? University of Oxford. https://www.oxfordmartin.ox.ac.uk/dow nloads/academic/The_Future_of_Employment.pdf. Zugegriffen: 2. Mai 2020. Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, 36–40. https://doi.org/10.1016/j.metabol.2017.01.011. Zugegriffen: 20. Juni 2020. Hannun, A., Case, C., Casper, J., Catanzaro, B., Diamos, G., Elsen, E., Prenger, R., Satheesh, S., Sengupta, S., Coates, A., & Ng, A. Y. (2014). Deep speech: Scaling up end-to-end speech recognition. Cornell University. https://arxiv.org/pdf/1412.5567. pdf. Zugegriffen: 1. Juni 2020. Hsu, J. (2019). Humans Fold: AI Conquers Poker’s Final Milestone – A new program outperforms professionals in six-player games. Could business, political or military applications come next? Scientific American. July 11, 2019. https://www.scientificam erican.com/article/ai-conquers-six-player-poker/. Zugegriffen: 2. Mai 2020. Initiative D21 (2018). D21 Digital Index 2017/2018 – Jährliches Lagebild zur Digitalen Gesellschaft, Studie der Initiative D21 durchgeführt von Kantar TNS. https://initia tived21.de/app/uploads/2018/01/d21-digital-index_2017_2018.pdf. Zugegriffen: 2. Mai 2020. Initiative D21 (2019). D21 Digital Index 2018/2019 – Jährliches Lagebild zur Digitalen Gesellschaft, Studie der Initiative D21 durchgeführt von Kantar TNS. https://initiativ ed21.de/app/uploads/2019/01/d21_index2018_2019.pdf. Zugegriffen: 2. Mai 2020. Jordan, M. I. (2019). Artificial intelligence – The revolution hasn’t happened yet. Harvard Data Science Review (HDSR), 1(1). https://hdsr.mitpress.mit.edu/pub/wot7mkc1. Zugegriffen: 2. Mai 2020. Kagermann, H., Lukas, W.-D., & Wahlster, W. (2011). Industrie 4.0: Mit dem Internet der Dinge auf dem Weg zur 4. industriellen Revolution. VDI-Nachrichten. April 2011. https://www.vdi-nachrichten.com/Technik-Gesellschaft/Industrie-40-Mit-InternetDinge-Weg-4-industriellen-Revolution. Zugegriffen: 2. Mai 2020. Kagermann, H., Wahlster, W., & Helbig, J. (Hrsg.). (2013). Umsetzungsempfehlungen für das Zukunftsprojekt Industrie 4.0: Deutschlands Zukunft als Produktionsstandort sichern. Abschlussbericht des Arbeitskreises Industrie 4.0. Berlin, München: Forschungsunion, acatech. https://www.bmbf.de/files/Umsetzungsempfehlungen_Indu strie4_0.pdf. Zugegriffen: 2. Mai 2020. Kane, G. C., Palmer, D., Phillips, A. G., Kiron, D., & Buckle, N. (2015). Strategy, not technology, Drives digital transformation – Becoming a digitally mature enterprise. MIT Sloan Management Review. Research Report. In Collaboration with Deloitte University Press. Summer 2015. Kozodoi, N., Katsas, P., Lessmann, S., Moreira-Matias, L., & Papakonstantinou, K. (2019). Shallow self-learning for reject inference in credit scoring. arXiv preprint. https://arxiv. org/abs/1909.06108. Zugegriffen: 20. Juni 2020.
Literatur
45
Krenn, K., Hunt, S., & Parycek, P. (2020). Künstliche Intelligenz – Perspektiven und Herausforderungen. In: K. Krenn, S. Hunt, & P. Parycek (Hrsg.), (Un)ergründlich? Künstliche Intelligenz als Ordnungsstifterin. Kompetenzzentrum Öffentliche IT (S. 3–16). https://www.oeffentliche-it.de/documents/10181/14412/(Un)ergr%C3%BCn dlich+-+K%C3%BCnstliche+Intelligenz+als+Ordnungsstifterin. Zugegriffen: 16. Mai 2020. Kultusministerkonferenz (2016). Kompetenzen in der digitalen Welt. https://www.kmk. org/fileadmin/Dateien/pdf/PresseUndAktuelles/2017/KMK_Kompetenzen_in_der_dig italen_Welt_-neu_26.07.2017.html. Zugegriffen: 6. Juni 2020. Kultusministerkonferenz (2017). Qualifikationsrahmen für deutsche Hochschulabschlüsse. Im Zusammenwirken von Hochschulrektorenkonferenz und Kultusministerkonferenz und in Abstimmung mit Bundesministerium für Bildung und Forschung erarbeitet und von der Kultusministerkonferenz am 16.02.2017 beschlossen. https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/ 2017/2017_02_16-Qualifikationsrahmen.pdf. Zugegriffen: 23. Mai 2020. Lange, S., & Santarius, T. (2018). Smarte Grüne Welt? – Digitalisierung zwischen Überwachung, Konsum und Nachhaltigkeit. München: oekom. Lee, C. S. et al. (2016). Human vs. computer go: Review and prospect [discussion forum]. IEEE Computational intelligence magazine, 11(3), 67–72. https://ieeexplore.ieee.org/ document/7515285. Zugegriffen: 20 Juni 2020. Ludwig, T. (2015). Citizen Science – Big Data und Natürliche Intelligenz. Vortrag am 10.10.2015. Vorveranstaltung zum Ball der Universität Hamburg 2015. Lübbecke, M. (2015). Industrie 5.0. https://mluebbecke.wordpress.com/2015/12/16/indust rie-5-0/. Zugegriffen: 2. Mai 2020. Mainzer, K. (2016). Künstliche Intelligenz – Wann übernehmen die Maschinen?. Heidelberg: Springer. Makridakis, S. (2017). The forthcoming artificial intelligence (AI) revolution: Its impact on society and firms. Futures, 90, 46–60. Moravec, H. (1988). Mind children. The future of robot and human intelligence. Cambridge: Harvard University Press. Müller, T. H., & Freymuth, N. J. (2018). Was kann, soll und darf Künstliche Intelligenz. https://blogs.urz.uni-halle.de/informatikundgesellschaft/files/2019/02/ Mueller_und_Freymuth.pdf. Zugegriffen: 30. Mai 2020. Ministerium für Energiewende, Landwirtschaft, Umwelt, Natur und Digitalisierung (2020). Eckpunktepapier zum Entwurf eines Digitalisierungsgesetzes (DigitalG-E). https:// transparenz.schleswig-holstein.de/dataset/eckpunkte-des-digitalisierungsgesetzes. Zugegriffen: 30. Mai 2020. OECD (2018). Wireless mobile broadband subscriptions (indicator). https://data.oecd.org/ broadband/wireless-mobile-broadband-subscriptions.htm. Zugegriffen: 2. Mai 2020. O’Neil, C., & Schutt, R. (2014). Doing data science – Straight talk from the frontline. Third release. Sebastopol: O’Reilly Media. ÖAW – Österreichische Akademie der Wissenschaften (2019). KI WIRD ALLE BEREICHE DES LEBENS UMKREMPELN. https://www.oeaw.ac.at/detail/news/ki-wird-allebereiche-des-lebens-umkrempeln/. Zugegriffen: 2. Mai 2020.
46
Literatur
Perry, W. L. (2013). Predictive policing: The role of crime forecasting in law enforcement operations. Rand Corporation. https://www.rand.org/content/dam/rand/pubs/res earch_reports/RR200/RR233/RAND_RR233.pdf. Zugegriffen: 20. Juni 2020. Ramadan, Z. (2018), The gamification of trust: The case of China’s “social credit”, Marketing Intelligence & Planning, 36(1), 93–107. https://doi.org/10.1108/MIP-06-20170100. Zugegriffen: 20. Juni 2020. Ross, C., & Swetlitz, I. (2018). IBM’s Watson supercomputer recommended ‘unsafe and incorrect’ cancer treatments, internal documents show. Stat News. https://www.statnews. com/2018/07/25/ibm-watson-recommended-unsafe-incorrect-treatments. Zugegriffen: 5. Juni 2020. Scharmer, O. (2018). Education is the kindling of a flame: How to reinvent the 21stcentury university. Huffpost. https://www.huffpost.com/entry/education-is-the-kindlingof-a-flame-how-to-reinvent_b_5a4ffec5e4b0ee59d41c0a9f. Zugegriffen: 2. Mai 2020. Schuh, G., et al. (2017). Geschäftsmodell-Innovation. In: G. Reinhart (Hrsg.), Handbuch Industrie 4.0 – Geschäftsmodelle, Prozesse, Technik (S. 3–29). München: Hanser. Sciuto, A., Saini, A., Forlizzi, J., & Hong, J. I. (2018). “Hey Alexa, What’s Up?” A mixed-methods studies of in-home conversational agent usage. In: Proceedings of the 2018 Designing Interactive Systems Conference (S. 857–868). https://doi.org/10.1145/ 3196709.3196772. Zugegriffen: 20. Juni 2020. Seifert, I., Bürger, M., Wangler, L., Christmann-Budian, S., Rohde, M., Gabriel, P., & Zinke, G. (2018). Potenziale der Künstlichen Intelligenz im produzierenden Gewerbe in Deutschland. Begleitforschung PAiCE. Berlin: iitInstitut für Innovation und Technik in der VDI/VDE Innovation + Technik GmbH. https://www.bmwi.de/Redaktion/DE/Publikationen/Studien/potenziale-kuenstlic hen-intelligenz-im-produzierenden-gewerbe-in-deutschland.pdf. Zugegriffen: 2. Mai 2020. Serag, A., Ion-Margineanu, A., Qureshi, H., McMillan, R., Saint Martin, M. J., Diamond, J., O’Reilly, P., & Hamilton, P. (2019). Translational AI and deep learning in diagnostic pathology. Frontiers in Medicine, 6(185). DOI: https://doi.org/10.3389/fmed.2019. 00185. https://europepmc.org/article/PMC/6779702. Zugegriffen: 2. Mai 2020. Shannon, C. E. (1948). A mathematical theory of communication. Reprinted with corrections from The Bell System Technical Journal 27, July, October, 379–423, 623–656. https://math.harvard.edu/~ctm/home/text/others/shannon/entropy/entropy.pdf. Zugegriffen: 2. Mai 2020. Siemens, G. (2006). Connectivism: A learning theory for the digital age. The Distance, 15(1), 1, 14–18. https://www.academia.edu/2856996/The_Distance. Zugegriffen: 2. Mai 2020. Spice, B. (2017). Carnegie Mellon Artificial Intelligence Beats Top Poker Pros – Historic win at Rivers Casino is first against best human players. www.cmu.edu/news/stories/ archives/2017/january/AI-beats-poker-pros.html. Zugegriffen: 2. Mai 2020. Stifterverband für die Deutsche Wissenschaft (Hrsg.). (2019). Für morgen befähigen. Hochschul-Bildungs-Report 2020. Jahresbericht 2019, in Kooperation mit McKinsey & Company. https://www.stifterverband.org/download/file/fid/7803. Zugegriffen: 6. Juni 2020.
Literatur
47
Travers, J., & Milgram, S. (1969). An experimental study of the small world problem. Sociometry, 32(4), 425–443. https://snap.stanford.edu/class/cs224w-readings/travers69 smallworld.pdf. Zugegriffen: 2. Mai 2020. United Nations (2016). Nearly 47 per cent of global population now online – UN report. https://news.un.org/en/story/2016/09/539112-nearly-47-cent-global-popula tion-now-online-un-report. Zugegriffen: 2. Mai 2020. United Nations (2018). Internet milestone reached, as more than 50 per cent go online: UN telecoms agency. https://news.un.org/en/story/2018/12/1027991. Zugegriffen: 16. Mai 2020. United Nations (o. J.). Sustainable Development Goals (SGD). https://www.un.org/sustai nabledevelopment/sustainable-development-goals/. Zugegriffen: 23. Juni 2020. Wahlster, W. (2017a). Künstliche Intelligenz versus menschliche Intelligenz: Wie lernen, verstehen und denken Computer? Vorlesungsreihe 2017: Künstliche Intelligenz für den Menschen: Digitalisierung mit Verstand. Johannes Gutenberg Stiftungsprofessur. Mainz, 2. Mai 2017. https://www.dfki.de/wwdata/Gutenberg_Stiftungsprofessur_ Mainz_2017/Lernende_Maschinen.pdf. Zugegriffen: 5. Juni 2020. Wahlster, W. (2017b). Künstliche Intelligenz für den Menschen: Digitalisierung mit Verstand. https://www.uni-mainz.de/downloads_presse/freunde_stiftungsprofessur2 017_expose.pdf. Zugegriffen: 2. Mai 2020. WBGU – Wissenschaftlicher Beirat der Bundesregierung Globale Umweltveränderungen (2019). Unsere gemeinsame digitale Zukunft. Hauptgutachten. Berlin: WBGU. https://www.wbgu.de/fileadmin/user_upload/wbgu/publikationen/hauptg utachten/hg2019/pdf/wbgu_hg2019.pdf. Zugegriffen: 2. Mai 2020. Weizenbaum, J. (1978). Die Macht der Computer und die Ohnmacht der Vernunft. Frankfurt a. M.: Suhrkamp. West, D. M. (2015). What happens if robots take the jobs? The impact of emerging technologies on employment and public policy. Centre for Technology Innovation at Brookings. https://www.brookings.edu/wp-content/uploads/2016/06/robotwork. pdf. Zugegriffen: 20. Juni 2020. Wissenschaftsrat (Hrsg.). (2015). Zum wissenschaftspolitischen Diskurs über große gesellschaftliche Herausforderungen – Positionspapier. Drs. 4594–15. Verabschiedet in Stuttgart, April 2015. https://www.wissenschaftsrat.de/download/archiv/4594-15.pdf. Zugegriffen: 2. Mai 2020. Zuse, H. (2020). Konrad Zuse’s Homepage. https://www.horst-zuse.homepage.t-online.de/ konrad-zuse.html. Zugegriffen: 2. Mai 2020.