Blog des EP-KI Teams

Wer kennt es nicht, KI-unterstützte Systeme schlagen uns unterschiedliche Produkte vor, obwohl wir sie vielleicht sogar nur einmal angeschaut haben. Das mag störend oder gar nervig sein, viel wichtiger wird es jedoch, wenn Systeme potentielle Betrugsfälle oder Fehler aufdecken sollen. Dann müssen wir darauf vertrauen können, dass sie sich so verhalten, wie wir es auch beabsichtigen. Leider ist die Welt der Daten selten homogen, sondern sehr divers. Worauf wir bei Unterrepräsentation in der Entwicklung von Algorithmen aufpassen müssen, teilen wir mit Euch im neuen Blog-Post.

Nachdem wir in unserem vorangegangenen Blogbeitrag erläutert haben, wie sich die beiden Begriffe »Künstliche Intelligenz« (KI) und »Maschinelles Lernen« (ML) voneinander abgrenzen, geht es in diesem Text speziell um ML und verschiedene Kategorien. Wir stellen im Folgenden die vier wichtigsten Arten von ML vor und zeigen Beispiele aus der Praxis. Die ersten drei behandelten Kategorien unterscheiden sich dahingehend, welche Daten zum Einsatz kommen. Bei der vierten ML-Kategorie geht es um Lernen durch Interaktion mit der Umwelt.

Die Begriffe Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) tauchen in vielen unterschiedlichen Bereichen auf und werden als potentielle Technologien stark gefördert. Werden Menschen nach ihrer Vorstellung von KI oder ML gefragt, so erhalten wir eine Vielfalt an Definitionen und Bildern, wie zum Beispiel von Robotern, die sich wie Menschen verhalten. Auch wir haben bisher in unseren Blogbeiträgen beide Begriffe selbstverständlich genutzt, ohne eine Abgrenzung der Begriffe zueinander zu geben. Teilweise wurden sie auch als Synonym verwendet. Mit diesem Blogbeitrag wollen wir ein besseres Verständnis der Begriffe geben, indem wir folgende Fragen beantworten: Was ist KI? Was ist ML? Und wie lassen sich beide Begriffe voneinander abgrenzen?

Die Autofahrt mit einem Navigationsgerät, das Kochen eines Gerichts nach Rezept oder auch das Filtern des Mail-Ordners nach Spam-Mails – all das sind Beispiele von täglichen Prozessen, bei denen Algorithmen zum Einsatz kommen. Doch was ist eigentlich ein Algorithmus? Und warum behaupten einige Künstliche Intelligenz (KI) ist auch nur ein Algorithmus? Darum soll es in den kommenden Blogbeiträgen gehen.

Im letzten Blogpost haben wir das Thema »Erklärbarkeit von Künstlicher Intelligenz« (KI) aufgemacht, das wir in diesem Blogpost fortsetzen wollen. »AI systems should not only be the best possible. Sometimes they should say ‘I have no idea what I’m doing here, don’t trust me.’ That’s going to be really important«, so lautet ein Zitat von Herb Lin, Professor an der Stanford University. Grob übersetzt: »KI-Systeme sollten nicht nur bestmöglich funktionieren. Manchmal sollten sie auch sagen: 'Ich habe keine Ahnung, was ich hier tue, vertrau mir nicht'. Das wird wichtig werden.«

Sind Vorhersagen von KI-Systemen irreführend oder können wir uns auf sie verlassen? Als Beispiel aus der Praxis schauen wir uns in diesem Beitrag den Umsatz eines Weihnachtsgeschäfts anhand von Zeitreihenvorhersagemodellen an.

In jeder Anwendung, bei der Künstliche Intelligenz (KI) zum Einsatz kommt, stehen am Anfang die Daten. Im zweiten Schritt wird ein Algorithmus angewendet und damit eine KI-Anwendung entwickelt. Diesen Prozess wollen wir im heutigen Blog-Beitrag etwas genauer unter die Lupe nehmen.

Auf der Suche nach aktuellen Algorithmen für spezielle Lösungen stoße ich immer wieder auf die unterschiedlichsten Bezeichnungen und stelle beim näheren Hinschauen fest, dass ich diesen Algorithmus schon kenne, jedoch in einem anderen Setting. Daher soll hier in einem ersten Schritt geklärt werden, welche möglichen Fragestellungen wir mit KI-Algorithmen beantworten können/möchten.

Wir am Fraunhofer ITWM sind größtenteils Mathematiker:innen und forschen auf verschiedenen Gebieten. Zwei große Felder und Methoden sind hierbei die »Künstliche Intelligenz« (KI) sowie das »Maschinelle Lernen« (ML). Unser Ziel ist es unter anderem die Verfahren zu verbessern, zu verstehen und neue Einsatzgebiete zu erschließen. So auch den Einsatz bei betriebswirtschaftlichen Prozessen.