Künstliche Intelligenz stand im Mittelpunkt des IT Summit by Heise 2024. Unter dem Motto „AI: To Use or Not To Use?“ beleuchteten die KI-Experten Carlos Fernandez und Matthias Seiller von der DATEV eG anhand konkreter Praxisbeispiele die Chancen, Risiken und Grenzen der Technologie.
KI ist eines der prägenden Themen unserer Zeit. Doch wo liegen die Chancen und Risiken dieser Technologie? Welche Anwendungsmöglichkeiten bietet künstliche Intelligenz bereits heute und wo stößt sie an ihre Grenzen? Diese Fragen standen im Zentrum des Vortrags „AI: To Use or Not To Use?“ auf dem IT Summit by Heise 2024. Die KI-Experten Carlos Fernandez und Matthias Seiller demonstrierten anhand anschaulicher Praxisbeispiele, in welchen Szenarien KI sinnvoll ist und wo traditionelle Algorithmen die bessere Wahl darstellen.
Unternehmen müssen für jeden Anwendungsfall sorgfältig abwägen, ob der KI-Einsatz einen echten Mehrwert bietet. Dafür gilt es, Ziele klar zu definieren und Nutzen, Genauigkeit, Nachvollziehbarkeit sowie Ressourceneinsatz kritisch zu hinterfragen. Nur wenn Firmen diese Aspekte berücksichtigen, erweist sich KI als wertvolles Werkzeug, das Prozesse optimiert, Innovationen befeuert und das Leben der Menschen verbessert.
Stärken und Schwächen von KI
In vielen Bereichen bietet die künstliche Intelligenz handfeste Vorteile und ermöglicht Innovationen, die ohne sie undenkbar wären. Zu den Stärken zählen insbesondere die Fähigkeiten zur Verarbeitung großer Datenmengen, zur Mustererkennung und zur Automatisierung komplexer Prozesse. Das zeigt sich beispielsweise bei der Analyse von Sprache, Bildern und Videos, in der medizinischen Diagnostik, der Cyberabwehr oder bei der Entwicklung intelligenter Assistenzsysteme.
KI ist jedoch kein Allheilmittel. Eine Herausforderung stellt der immense Ressourcenbedarf von KI-Systemen dar. Doch auch Fragen der Erklärbarkeit von KI-Entscheidungen, der Datensicherheit und des Schutzes der Privatsphäre sind nicht zu unterschätzen. Hinzu kommen ethische Aspekte wie mögliche Verzerrungen und Diskriminierungen durch KI-Systeme. Denn KI-Systeme lernen aus historischen Daten und übernehmen dabei unter Umständen auch die darin enthaltenen Vorurteile und Benachteiligungen. Um solche Effekte zu vermeiden, müssen Unternehmen ihre KI-Modelle kontinuierlich auf Fairness und Diskriminierungsfreiheit überprüfen.
KI-Einsatzszenarien in der Praxis
Ein Anwendungsfall von KI in Unternehmen ist die automatische Analyse von Kundenfeedback in sozialen Medien und Online-Foren. KI-Systeme durchsuchen riesige Datenmengen in Echtzeit und erkennen anhand von Schlüsselwörtern und Satzbaumustern die Stimmung der Nutzer. Sie klassifizieren Kommentare und ermitteln die Themen, die die Menschen wirklich bewegen. Unternehmen gewinnen so wertvolle Erkenntnisse und können schneller auf Kritik reagieren oder drohende Shitstorms frühzeitig erkennen.
Als weiteres Einsatzgebiet kommt die Verarbeitung unstrukturierter Daten infrage. Handschriften, Formulare oder Rechnungen lassen sich mit KI-basierten OCR-Verfahren und maschinellem Lernen automatisch in maschinenlesbaren Text umwandeln. Dies erleichtert beispielsweise die Archivierung und Auswertung historischer Quellen oder medizinischer Patientenakten. Im Bereich der Bilderkennung kann KI Fahrzeuge anhand ihrer Nummernschilder zuverlässiger identifizieren als regelbasierte Algorithmen. Selbst bei verwackelten oder schlecht ausgeleuchteten Aufnahmen ermöglicht KI beispielsweise die automatische Zufahrtskontrolle an Parkhausschranken.
Weniger Sinn macht künstliche Intelligenz hingegen bei einem so komplexen Optimierungsproblem wie der Personaleinsatzplanung. Hier gilt es, zahlreiche Faktoren zu berücksichtigen: die Qualifikationen und Einsatzzeiten der Mitarbeiter, die Anforderungen der zu besetzenden Projekte und Schichten, Arbeitszeitregelungen, Urlaubsansprüche und vieles mehr. Doch trotz dieser Komplexität arbeitet ein Algorithmus beim Lösen gewichteter Zuordnungsprobleme effizienter als künstliche Intelligenz. Die Ungarische Methode (auch Kuhn-Munkres-Algorithmus genannt) ermittelt beispielsweise die optimale Lösung anhand einer Kostenmatrix – und das mit weniger als 150 Zeilen Code.
Wann KI-freie Ansätze die bessere Wahl sind
Der Einsatz von KI ergibt also nicht in jedem Fall Sinn – in manchen Szenarien stellen KI-freie Lösungen die bessere Wahl dar. Das gilt besonders dann, wenn Präzision, Transparenz und Ressourceneffizienz oberste Priorität genießen.
- Präzision: Erfordert etwas ein hohes Maß an Genauigkeit, sind regelbasierte Verfahren oft die bessere Wahl. Das gilt etwa für sicherheitskritische Systeme wie die Steuerung von Flugzeugen oder Kernkraftwerken. Hier kommen deterministische Algorithmen ins Spiel, die vorhersagbare und reproduzierbare Ergebnisse liefern. KI-Modelle, die auf statistischen Wahrscheinlichkeiten basieren, sind in solchen Fällen zu riskant.
- Transparenz: Vorsicht ist geboten, wenn es um Entscheidungen geht, die sich unmittelbar auf einzelne Menschen auswirken. Gerade in sensiblen Bereichen wie der Rechtsprechung, der Kreditvergabe oder der Personalauswahl müssen Unternehmen genau prüfen, ob KI-Modelle diskriminierende Effekte verstärken. Faire und ethisch vertretbare Entscheidungen erfordern häufig menschliche Expertise und Erfahrung. In diesem Zusammenhang spielen auch die Transparenzanforderungen der europäischen KI-Verordnung (KI-VO) eine Rolle, die einen risikobasierten Ansatz verfolgt und zum Schutz der Grundrechte umfassende Regeln für KI aufstellt.
- Ressourceneffizienz: Die lokale Installation von Large Language Models (LLMs) zeigt schnell, dass der KI-Einsatz enorme Ressourcen verschlingt. Eine einzelne Interaktion mit dem Sprachmodell GPT-3 verursacht Schätzungen zufolge rund 1,5 Gramm CO₂-Emissionen. Auch das Training großer Sprachmodelle läuft alles andere als klimafreundlich ab. Eine Studie von Google und der Universität Berkeley ergab, dass das Training des KI-Modells GPT-3 einen CO₂-Ausstoß von 552 Tonnen verursachte. Außerdem erfordert die Kühlung der Rechenzentren erhebliche Mengen Wasser. Eine Interaktion mit GPT-3 soll dabei einen Wasserverbrauch von bis zu 0,5 Liter Wasser verursachen.
KI kann viel, aber eben nicht alles. Für viele klar abgrenzbare Probleme mit überschaubarer Komplexität existieren bewährte Algorithmen und regelbasierte Systeme, die schnell, zuverlässig und nachvollziehbar arbeiten. Es liegt daher an uns Menschen, die beste Methode für jede Problemstellung zu identifizieren und anzuwenden.
Gar nicht so neu: Die vier Entwicklungsstufen der KI
Was wir heute unter KI verstehen, entwickelte sich in vier Stufen: künstliche Intelligenz (ab 1956), Machine Learning (ab 1997), Deep Learning (ab 2012) und generative KI (ab 2021). Die Fähigkeiten der Systeme erweiterten sich mit jeder Entwicklungsstufe – von der Erkennung komplexer Muster über die eigenständige Entscheidungsfindung bis hin zur Erzeugung von Text-, Bild- und Videoinhalten.
- Künstliche Intelligenz: Den Anfang machte in den 1950er-Jahren die klassische künstliche Intelligenz, die auf regelbasierten Systemen und logischen Schlussfolgerungen beruhte. Als Meilenstein gilt hier der General Problem Solver von Allen Newell und Herbert A. Simon, der nach dem Prinzip der Problemreduktion einfache Aufgaben wie das Bewegen von Objekten auf einem Spielbrett löste.
- Machine Learning: Seit den 1990er-Jahren schaffen es Computersysteme, aus Daten zu lernen. ML-Algorithmen nutzen dazu statistische Methoden, um Muster in großen Datenmengen zu erkennen und Vorhersagen oder Entscheidungen abzuleiten. Ein Durchbruch war damals der Sieg des Schachcomputers Deep Blue über den amtierenden Weltmeister Garri Kasparow.
- Deep Learning: Diese fortgeschrittene Methode des maschinellen Lernens entwickelte sich ab 2012. Deep Learning trainiert mehrschichtige künstliche neuronale Netze (Deep Neural Networks), um auch komplexe Zusammenhänge zu erkennen. Ein Meilenstein war hier der Sieg des von Google entwickelten AlphaGo-Systems über den weltbesten Go-Spieler Lee Sedol.
- Generative KI: Die jüngste Entwicklungsstufe umfasst Systeme, die Inhalte wie Texte, Bilder, Musik oder Videos erzeugen. Ein Beispiel ist das Sprachmodell GPT-4 von OpenAI, das Texte zu beliebigen Themen erstellt, die von menschlichen Texten kaum zu unterscheiden sind. Systeme wie DALL-E erzeugen hingegen realistische Bilder auf Basis von Textbeschreibungen.
Heute ist KI in nahezu allen Bereichen des Lebens und der Wirtschaft präsent – von der medizinischen Diagnostik über die Produktionssteuerung bis hin zu autonomen Fahrzeugen. Und die Entwicklung ist längst nicht abgeschlossen. KI wird in den kommenden Jahren weiter an Bedeutung gewinnen und tiefgreifende Veränderungen in Wirtschaft und Gesellschaft anstoßen.
Carlos Fernandez ist leidenschaftlicher Software-Entwickler bei der DATEV eG mit mehr als 25 Jahren Praxiserfahrung. Er ist Experte für C#-Entwicklung und Performance-Optimierungen. Seine Expertise in der Leistungsoptimierung bringt er in das Thema Nachhaltigkeit ein. Auch deshalb engagiert er sich in der Green-CoP (Community of Practice). Darüber hinaus arbeitet Carlos als Referent und Berater.
Matthias Seiller ist seit 2021 agiler Lerncoach bei der DATEV eG. Er studierte Medieninformatik und fokussiert sich auf die Anwendung generativer KI-Technologien zur Optimierung von Lernprozessen. Seine Erkenntnisse an der Schnittstelle von KI und beruflicher Bildung teilt er regelmäßig als Speaker und Autor.
DATEV, ein auf IT-Lösungen für Steuerberater, Wirtschaftsprüfer und Rechtsanwälte spezialisiertes Softwarehaus, entwickelt für seine Kunden maßgeschneiderte KI-Anwendungen. Der „Jobinator“ erstellt automatisch Stellenanzeigen, die auf eine definierte Zielgruppe zugeschnitten sind. Der KI-basierte Assistent „Frag Lea“ unterstützt Nutzer bei der Recherche in der Wissensdatenbank LEXinform, indem er blitzschnell präzise Antworten auf Fachfragen zu Steuer- und Rechtsthemen liefert. Darüber hinaus setzt DATEV im Kundenservice verstärkt auf KI und intelligente Chatbots.