Von Science-Fiction zur Realität: KIs Weg in das moderne Unternehmen

Sagt man die Worte „künstliche Intelligenz“, denken die meisten an Alexa und Siri. Andere an Filme wie Terminator oder 2001: Odyssee im Weltraum.

Die Wahrheit ist: Künstliche Intelligenz (KI) ist kein fernes Science-Fiction-Konzept. Tatsächlich ist sie überall um uns herum – denken Sie an Netflix, das Ihre nächste Serie empfiehlt, oder Uber, das die beste Route nach Hause optimiert.

KI ist ein raffiniertes Ökosystem moderner, vernetzter Technologien, das sich über Jahrzehnte entwickelt hat – und sich heute weiterentwickelt. Kein Wunder also, dass die Geschichte der KI ebenfalls komplex und vielschichtig ist. Es ist eine Geschichte, die eine Vielzahl sich wandelnder Werkzeuge und Fähigkeiten umfasst, die KI zu ihrem heutigen Stand aufgebaut haben.

Um die Bedeutung von KI heute zu verstehen – und sich auf morgen vorzubereiten –, hilft es, zu verstehen, wo KI begann und wie sie sich zur heutigen game-changing Technologie entwickelte.

KI im 20. Jahrhundert: Ein ehrgeiziger Proof of Concept

Moderne KI wurde in den akademischen Kammern elitärer Universitätsforschungsabteilungen geboren, wo Wissenschaftler tief über die Zukunft des Computings nachdachten. Doch ihre frühen Jahre hielten sie in diesen Kammern gefangen, gestrandet durch Mangel an Daten und Rechenleistung.

1956 veranstaltete das Dartmouth College das „Dartmouth Summer Research Project on Artificial Intelligence“ – ein Workshop, der als kritischer erster Schritt in die akademische KI-Forschung gilt. Während des Workshops zielten 20 Forscher darauf ab, die Hypothese zu beweisen, dass Lernen so präzise beschrieben werden könne, „dass eine Maschine gemacht werden kann, es zu simulieren“.

Ein Jahr später, 1957, erweiterte der amerikanische Psychologe Frank Rosenblatt die Dartmouth-Forschung mit dem Perzeptron, einem Algorithmus, der binäre Klassifikation erfolgreich durchführen konnte. Hier begannen wir vielversprechende Beweise zu sehen, wie künstliche Neuronen aus Daten lernen können.

Und noch ein Jahr später entwickelte John McCarthy, ein Teilnehmer des Dartmouth-Projekts, zusammen mit zahlreichen MIT-Studenten Lisp (eine neue Programmiersprache). Jahrzehnte später half McCarthys Forschung, neue und noch spannendere Projekte zum Leben zu erwecken, darunter das SHRDLU-Natursprache-Programm, das Macsyma-Algebrasystem und das ACL2-Logiksystem.

Quelle

Wenn wir auf diese frühen Experimente zurückblicken, sehen wir, wie KI ihre ersten, wackeligen Schritte von der Welt der hochgesteckten Forschung in die praktische Welt des Computings machte.

1960 debütierte Simulmatics, ein Unternehmen, das behauptete, vorhersagen zu können, wie Menschen aufgrund ihrer Demografie wählen würden.

1965 entwickelten Forscher sogenannte „Expertensysteme“. Diese Systeme ermöglichten es KI, spezialisierte Probleme in Computersystemen zu lösen, indem sie eine Sammlung von Fakten und eine Inferenz-Engine kombinierten, um Daten zu interpretieren und zu bewerten.

Ein Jahr später, 1966, entwarf MIT-Professor Joseph Weizenbaum ein Mustererkennungsprogramm namens Eliza, das Nutzern zeigte, dass KI intelligent war. Nutzer konnten dem Programm Informationen geben, und Eliza, als Psychotherapeut agierend, servierte ihnen eine offene Frage als Antwort.

Mitte der 1970er Jahre verloren Regierungen und Unternehmen den Glauben an KI. Die Finanzierung versiegte, und die folgende Periode wurde als „KI-Winter“ bekannt. Zwar gab es in den 1980ern und 1990ern kleine Wiederbelebungen, doch KI wurde weitgehend in den Bereich der Science-Fiction verbannt, und der Begriff wurde von ernsthaften Informatikern gemieden.

Ende der 1990er bis Anfang der 2000er Jahre sahen wir die großflächige Anwendung von Machine-Learning-Techniken wie bayesschen Methoden für Spam-Filterung durch Microsoft und kollaborativer Filterung für Amazon-Empfehlungen.

KI im 21. Jahrhundert: Wild erfolgreich laufende Pilotprogramme

In den 2000er Jahren ermöglichten Rechenleistung, größere Datensätze und der Aufstieg von Open-Source-Software Entwicklern, fortschrittliche Algorithmen zu erstellen, die die wissenschaftliche, konsumgüter-, Fertigungs- und Geschäftswelt in relativ kurzer Zeit revolutionieren würden. KI ist für viele Unternehmen heute Realität. McKinsey fand beispielsweise 400 Beispiele, in denen Unternehmen KI derzeit nutzen, um Geschäftsprobleme zu lösen.

Das Web bietet neue Wege zur Datenorganisation

Die Web-Revolution, die die Welt Anfang bis Mitte der 2000er Jahre erfasste, hinterließ der KI-Forschung wichtige Veränderungen. Grundlagentechnologien wie Extensible Markup Language (XML) und PageRank organisierten Daten auf neue Weise, die KI nutzen konnte.

XML war eine Vorbedingung für das semantische Web und für Suchmaschinen. PageRank, eine frühe Innovation von Google, organisierte das Web weiter. Diese Fortschritte machten das Web nutzbarer und große Datenmengen für KI zugänglicher.

Gleichzeitig wurden Datenbanken besser darin, Daten zu speichern und abzurufen, während Entwickler an funktionalen Programmiersprachen arbeiteten, die die Bedienung dieser Daten erleichterten. Die Werkzeuge waren vorhanden, damit Forscher und Entwickler KI-Technologie weiter vorantreiben konnten.

Neuronale Netze und Deep Learning demonstrieren das Potenzial von KI

Es gab große Träume für KI im 20. Jahrhundert, aber Rechenleistung hatte sie fast unmöglich zu bauen gemacht. Im 21. Jahrhundert wurden Computer jedoch exponentiell leistungsfähiger beim Speichern, Verarbeiten und Analysieren großer Datenmengen. Das bedeutete, dass die hochgesteckten Ziele neuronaler Netze und Deep Learning Realität werden konnten.

Forscher entwickelten Datensätze, die speziell für das Training von Maschinen geeignet waren, was zu neuronalen Netzen wie AlexNet führte. Zuvor basierte Maschinentraining auf Datensätzen im Zehntausenderbereich, aber der Fortschritt von Grafikprozessoren (GPUs) ermöglichte neue Datensätze im Zehnmillionenbereich.

Chiphersteller Nvidia startete 2006 ihre Parallel-Computing-Plattform CUDA. In dieser Plattform nutzte Nvidia GPUs, um das Computing zu beschleunigen. Dieser Performance-Schub half mehr Menschen, große und komplexe Machine-Learning-Modelle in Bibliotheken wie TensorFlow und PyTorch auszuführen.

Quelle

Später wurden diese Bibliotheken Open Source und inspirierten weitreichende Experimente, da die Technologie zugänglicher wurde. Diese Demokratisierung der KI half aufregenden neuen Tools wie AlphaGo, Google DeepMind und IBM Deep Blue, vom Boden zu kommen.

Computer Vision öffnet die Tür zu neuen Industrieanwendungen

Bis in die 2000er Jahre war KI nur wirklich nützlich, wenn man Text verarbeitete. Aber an der Jahrhundertwende trieben Fortschritte in Computer Vision – die es Computern ermöglichten, Bilder zu erkennen und zu interpretieren – die Anwendungsfälle von KI auf neue Höhen.

Diesmal waren unsere Pioniere keine Akademiker. Stattdessen lebten sie in Ihrem Zuhause und machten Putzen (Roomba) und Gaming (XBox Kinect) einfacher als je zuvor und brachten Computer Vision in Haushalte weltweit.

Wir sahen Computer Vision auch in aufstrebenden selbstfahrenden Autos und in Krankenhäusern zur automatischen Erkennung von Zuständen wie Läsionen und Lungenentzündung.

Über branchenspezifische Anwendungsfälle hinaus half die Variation von Computer Vision auch, die Weiterentwicklung der Robotic Process Automation (RPA) zu entfachen. 🎉 Ergänzt durch optische Zeichenerkennung (OCR) können RPA-Roboter sowohl strukturierte als auch unstrukturierte Daten verarbeiten, was die Welt der Datenanalyse, wie wir sie kennen, verändert hat.

Datenanalyse verbessert KI-Geschäftsanwendungen

Die letzten zwei Jahrzehnte haben gezeigt, dass Automatisierung und KI komplexen Geschäftsanwendungsfällen gewachsen sind. Und je besser KI Daten analysiert, desto mehr können Unternehmen KI nutzen, um intelligenter und effizienter zu arbeiten.

Banken nutzen KI, um Kundenanfragen aus großen Mengen unstrukturierter E-Mails, die jährlich eingehen, in verschiedene Kategorien zu klassifizieren. Dieser Prozess ist manuell intensiv oder liefert schlechte Ergebnisse bei regelbasierter Keyword-Klassifikation. KI ermöglicht es Banken, diese E-Mails mit hoher Genauigkeit zu klassifizieren und die durchschnittliche Bearbeitungszeit (AHT) zu reduzieren.

KI und Automatisierung helfen nicht nur Finanzdienstleistern. Krankenversicherer beschleunigen die Identifizierung von Risikoschwangerschaften. Der Software-Roboter lädt verifizierte Patientendaten und greift auf ein Vorhersagemodell zu, um den Patienten auf Risiken zu bewerten und den geeigneten Versorgungsplan zu bestimmen. Die Ergebnisse: 24 % mehr niedriggewichtige Schwangerschaften wurden präzise identifiziert, während 44 % niedriggewichtiger Schwangerschaften vermieden wurden – insgesamt 11 Millionen Dollar jährliche Einsparungen. Lesen Sie die vollständige Geschichte.

Natural Language Processing und Spracherkennung steigern die Benutzerfreundlichkeit von KI

Obwohl KI mit der Analyse von Text begann, hat sie diesen keineswegs beherrscht. Bis vor Kurzem musste Text – selbst mit OCR – in maschinenlesbaren Formaten strukturiert sein. Der Bereich Natural Language Processing (NLP) hat die Grenzen der Fähigkeit verschoben, Computer zu programmieren, natürliche Sprache zu verstehen.

Eines der bekannteren Beispiele für NLP ist Generative Pre-trained Transformer 3 (besser bekannt als GPT-3). GPT-3, eingeführt im Mai 2020, nutzt Deep Learning, um Text zu generieren, der menschengemachtem Text sehr ähnelt. Bereits sind interessante Anwendungen für GPT-3 entstanden, wie das Schreiben von Artikeln (The Guardian beauftragte GPT-3 beispielsweise, einen Artikel über die Harmlosigkeit von Robotern zu schreiben) und das Generieren von Computerprogrammen.

Die Anwendungen von NLP gehen über GPT-3 hinaus. NLP kann genutzt werden, um Text aus Sprache zu erzeugen, die Bedeutung eines Textabschnitts automatisch zusammenzufassen, Text across Sprachen zu übersetzen und mehr.

Obwohl NLP oft an der Spitze der Innovation steht, hat es auch den Weg in unsere Häuser gefunden. Virtuelle Assistenten wie Alexa und Google können beispielsweise natürliche Sprachanfragen verarbeiten und in ausführbare Befehle übersetzen. Mit einer einfachen Sprachanfrage können diese KI-Assistenten nach Informationen suchen, Befehle an Smart Devices wie Lichter oder Schlösser weiterleiten und mehr.

Die Zukunft der KI: Ein Game-Changer für Unternehmen

Während wir in das nächste Jahrzehnt der Technologiereife eintreten, werden die Enterprise-Anwendungsfälle für KI nur weiter wachsen. Vergangene Werkzeuge haben das Fundament für das gelegt, was mit KI möglich ist, aber es gibt noch viel Neuland zu erobern, indem man diese Werkzeuge skaliert.

Während KI noch weiter voranschreitet, werden wir sehen, wie Unternehmen RPA, Machine Learning, Process Mining und Datenanalyse nutzen, um eine leistungsstarke, End-to-End-Suite der Automatisierung zu schaffen, da diese Technologien für Unternehmen aller Reifegrade immer zugänglicher werden. KI wird nicht mehr die exklusive Domäne von Forschern und Entwicklern sein; alltägliche Nutzer, unterstützt durch moderne Werkzeuge, werden in der Lage sein, KI-basierte Lösungen für die Probleme zu erstellen, die sie identifizieren.

Je zugänglicher die Technologie für Geschäftsanwender wird, desto mehr wird sich das Automatisierungs-Flywheel drehen und Unternehmen immer mehr Ideen und Möglichkeiten für KI-Anwendungen liefern. Diese Möglichkeiten werden durch hochmoderne Automatisierungsplattformen und -tools unterstützt, die unsere Arbeitsweise neu starten und revolutionieren werden.

UiPath AI Fabric macht es Nutzern leicht, ein Modell zu starten, Daten hineinzupumpen, Erkenntnisse zu gewinnen und Nützlichkeit zu bewerten.

Hinweis der Redaktion: Da sich der Automatisierungsmarkt weiterentwickelt, aktualisiert sich die UiPath-Plattform kontinuierlich, um die Automatisierungsbedürfnisse unserer Kunden bestmöglich zu bedienen. Daher hat sich der Produktname AI Fabric seit der ursprünglichen Veröffentlichung des Artikels weiterentwickelt. Für aktuelle Informationen besuchen Sie bitte unsere AI Center Seite.

KI heute: Der richtige Moment, um zu starten

Es ist Zeit zu automatisieren. Wir haben den Stadium der KI-Evolution erreicht, in dem sie nicht mehr theoretisch ist – sie ist imperativ und wird vorhergesagt, hunderte Milliarden Dollar an Wert für Unternehmen freizusetzen, die sie annehmen.

Erfahren Sie, wie führende Organisationen Automatisierung und KI nutzen, um die Vision eines vollständig automatisierten Unternehmens™ zur Realität zu machen: