Was ist Künstliche Intelligenz (KI)? – Die Ultimative Anleitung

Künstliche Intelligenz (KI) ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere der Computersysteme. Spezifische Anwendungen der KI sind Expertensysteme, natürliche Sprachverarbeitung (NLP), Spracherkennung und maschinelles Sehen. Die KI-Programmierung konzentriert sich auf drei kognitive Fähigkeiten: Lernen, logisches Denken und Selbstkorrektur.

Lernprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie diese Daten in verwertbare Informationen umgewandelt werden können. Die Regeln, die als Algorithmen bezeichnet werden, geben den Computern Schritt-für-Schritt-Anweisungen, wie eine bestimmte Aufgabe zu erledigen ist.

Denkprozesse. Dieser Aspekt der KI-Programmierung konzentriert sich auf die Auswahl des richtigen Algorithmus, um ein gewünschtes Ergebnis zu erreichen.

Selbstkorrektur-Prozesse. Dieser Aspekt der KI-Programmierung ist darauf ausgelegt, die Algorithmen ständig zu verfeinern und sicherzustellen, dass sie die genauesten Ergebnisse liefern, die möglich sind.

Vor- und Nachteile der künstlichen Intelligenz

Künstliche neuronale Netze und tief lernende Technologien der künstlichen Intelligenz entwickeln sich schnell weiter, vor allem weil die KI große Datenmengen viel schneller verarbeitet und Vorhersagen genauer als menschlich möglich macht.

Während die riesige Menge an Daten, die täglich erstellt werden, einen menschlichen Forscher überfordern würden, können KI-Anwendungen, die maschinelles Lernen nutzen, diese Daten nehmen und sie schnell in verwertbare Informationen umwandeln. Zum jetzigen Zeitpunkt besteht der Hauptnachteil der KI darin, dass es teuer ist, die großen Datenmengen zu verarbeiten, die die KI-Programmierung erfordert.

Starke KI vs. schwache KI

KI kann entweder als schwach oder stark kategorisiert werden. Schwache KI, auch als beschränkte KI bekannt, ist ein KI-System, das entwickelt und trainiert wird, um eine bestimmte Aufgabe zu erfüllen. Industrieroboter und virtuelle persönliche Assistenten, wie z.B. Apple’s Siri, benutzen schwache KI.

Starke KI, auch bekannt als künstliche allgemeine Intelligenz (AGI), beschreibt eine Programmierung, die die kognitiven Fähigkeiten des menschlichen Gehirns nachbilden kann.

Wenn ein starkes KI-System vor eine unbekannte Aufgabe gestellt wird, kann es mit Hilfe von Fuzzy-Logik Wissen von einer Ebene auf eine andere anwenden und selbstständig eine Lösung finden. Theoretisch sollte ein starkes KI-Programm in der Lage sein, sowohl einen Autotest auf dem Nürburgring als auch eine komplexe mathematische Aufgabe, zu bestehen, wozu wir Menschen Jahre bräuchten.

Erweiterte Intelligenz vs. Künstliche Intelligenz

Einige Branchenexperten sind der Meinung, dass der Begriff künstliche Intelligenz zu eng mit der Populärkultur verbunden ist. Dies hat dazu geführt, dass die Öffentlichkeit unwahrscheinliche Erwartungen darüber hat, wie KI den Arbeitsplatz und das Leben im Allgemeinen verändern wird.

Einige Forscher und Wissenschaftler hoffen, dass das Etikett „Augmented Intelligence“, das eine neutralere Konnotation hat, den Menschen helfen wird zu verstehen, dass die meisten Implementierungen von KI schwach sein werden und einfach nur Produkte und Dienstleistungen verbessern.

Das Konzept der technologischen Singularität — eine Zukunft, die von einer künstlichen Superintelligenz beherrscht wird, die die Fähigkeit des menschlichen Gehirns, diese zu verstehen oder zu erlernen, wie sie unsere Realität formt, bei weitem übertrifft — bleibt im Bereich der Science-Fiction.

Ethischer Gebrauch von künstlicher Intelligenz

Während KI-Tools eine Reihe neuer Funktionen für Unternehmen bieten, wirft der Einsatz von künstlicher Intelligenz auch ethische Fragen auf, denn ein KI-System wird im Guten wie im Schlechten das, was es bereits gelernt hat, verstärken.

Dies kann problematisch sein, weil die Algorithmen des maschinellen Lernens, die den fortschrittlichsten KI-Tools zugrunde liegen, nur so intelligent sind wie die Daten, die ihnen in der Ausbildung vermittelt werden. Da ein Mensch auswählt, welche Daten zum Training eines KI-Programms verwendet werden, ist das Potenzial für eine Verzerrung durch maschinelles Lernen inhärent und muss genau überwacht werden.

Jeder, der maschinelles Lernen als Teil von realen, produktionsnahen Systemen nutzen möchte, muss ethische Aspekte in seine KI-Trainingsprozesse einbeziehen und sich bemühen, Verzerrungen zu vermeiden. Dies gilt insbesondere bei der Verwendung von KI-Algorithmen, die in tiefem Lernen und bei Anwendungen des Generative Adversarial Network (GAN) von Natur aus unerklärlich sind.

Erklärlichkeit ist ein potenzieller Stolperstein für den Einsatz von KI in Branchen, die unter strengen gesetzlichen Auflagen arbeiten. Zum Beispiel arbeiten bereits Finanzinstitute unter Vorschriften, die sie dazu verpflichten, ihre Entscheidungen bei der Kreditvergabe zu erklären.

Wenn eine Entscheidung, einen Kredit zu verweigern, durch KI-Programmierung getroffen wird, kann es jedoch schwierig sein zu erklären, wie die Entscheidung zustande kam.

Denn die KI-Tools, die für solche Entscheidungen verwendet werden, funktionieren, indem sie subtile Korrelationen zwischen Tausenden von Variablen aufdecken. Wenn der Entscheidungsprozess nicht erklärt werden kann, kann das Programm als Blackbox-KI bezeichnet werden.

KI als Dienstleistung (AIaaS)

Da Hardware, Software und Personalkosten für KI teuer sein können, nehmen viele Anbieter KI-Komponenten in ihr Standardangebot auf oder bieten Zugang zu Plattformen mit künstlicher Intelligenz als Service (AIaaS).

AIaaS ermöglicht es Einzelpersonen und Unternehmen, mit KI für verschiedene Geschäftszwecke zu experimentieren und mehrere Plattformen auszuprobieren, bevor sie eine Bindung eingehen.

Bestandteile der Künstlichen Intelligenz

Da der Hype um die KI immer mehr zunimmt, haben sich die Anbieter darum gerissen, wie ihre Produkte und Dienstleistungen KI nutzen. Oft ist das, was sie als KI bezeichnen, nur eine Komponente der KI, wie zum Beispiel maschinelles Lernen.

KI erfordert ein Fundament aus spezialisierter Hard- und Software, um maschinelle Lernalgorithmen zu schreiben und zu trainieren. Keine Programmiersprache ist gleichbedeutend mit KI, aber einige wenige, darunter Python, R und Java, sind populär.

Die 4 Arten der künstlichen Intelligenz

Typ 1: Reaktive Maschinen. Diese KI-Systeme haben kein Gedächtnis und sind aufgabenspezifisch. Ein Beispiel ist Deep Blue, das IBM-Schachprogramm, das Garry Kasparov in den 1990er Jahren besiegte. Deep Blue kann Figuren auf dem Schachbrett identifizieren und Vorhersagen machen, aber weil es kein Gedächtnis hat, kann es nicht vergangene Erfahrungen nutzen, um zukünftige zu beeinflussen.

Typ 2: Begrenztes Gedächtnis. Diese KI-Systeme haben ein Gedächtnis, so dass sie vergangene Erfahrungen nutzen können, um zukünftige Entscheidungen zu treffen. Einige der Entscheidungsfunktionen in selbstfahrenden Autos sind so konzipiert.

Typ 3: Theorie des Verstandes. Theorie des Verstandes ist ein Begriff aus der Psychologie. Auf die KI angewandt bedeutet es, dass das System über die soziale Intelligenz verfügen würde, um Emotionen zu verstehen. Dieser Typ von KI ist in der Lage, auf menschliche Absichten zu schließen und Verhalten vorherzusagen, eine notwendige Fähigkeit für KI-Systeme, um integrale Mitglieder menschlicher Teams zu werden.

Typ 4: Selbsterkenntnis. In dieser Kategorie haben KI-Systeme ein Selbstgefühl, das ihnen Bewusstsein verleiht. Maschinen mit Selbsterkenntnis verstehen ihren eigenen aktuellen Zustand. Dieser Typ von KI existiert noch nicht.

Kognitive Datenverarbeitung und KI

Die Begriffe KI und Cognitive Computing werden manchmal austauschbar verwendet. Aber im Allgemeinen bezieht sich die Bezeichnung KI auf Computer, die die menschliche Intelligenz ersetzen, indem sie simulieren, wie wir Informationen in der Umwelt wahrnehmen, lernen, verarbeiten und auf sie reagieren.

Die Bezeichnung Cognitive Computing wird für Produkte und Dienstleistungen verwendet, die menschliche Denkprozesse imitieren und erweitern.

Beispiele der KI-Technologie

Automatisierung. Wenn sie mit KI-Technologien gepaart werden, können Automatisierungswerkzeuge den Umfang und die Art der ausgeführten Aufgaben erweitern. Ein Beispiel ist die robotergestützte Prozessautomatisierung (RPA). Eine Art Software, die sich wiederholende, regelbasierte Datenverarbeitungsaufgaben automatisiert, die traditionell von Menschen ausgeführt werden.

In Kombination mit maschinellem Lernen und aufkommenden KI-Tools kann RPA größere Teile der Unternehmensaufgaben automatisieren. Wodurch die taktischen Bots von RPA in die Lage versetzt werden, die Intelligenz der KI weiterzugeben und auf Prozessänderungen zu reagieren.

Maschinelles Lernen. Dies ist die Wissenschaft, einen Computer ohne Programmierung zum Handeln zu bringen. Deep Learning ist eine Teilmenge des maschinellen Lernens, die man sich, sehr einfach ausgedrückt, als die Automatisierung von vorausschauender Analyse vorstellen kann. Es gibt drei Arten von Algorithmen des maschinellen Lernens:

• Überwachtes Lernen. Datensätze werden beschriftet, damit Muster erkannt und zur Beschriftung neuer Datensätze verwendet werden können.
• Unbeaufsichtigtes Lernen. Die Datensätze sind nicht beschriftet und nach Ähnlichkeiten oder Unterschieden sortiert.
• Verstärktes Lernen. Die Datensätze sind nicht beschriftet, aber nachdem eine oder mehrere Aktionen durchgeführt wurden, erhält das KI-System eine Rückmeldung.

Maschinelles Sehen. Diese Technologie gibt einer Maschine die Fähigkeit zu sehen. Das maschinelle Sehen erfasst und analysiert visuelle Informationen mit Hilfe einer Kamera, Analog-Digital-Wandlung und digitaler Signalverarbeitung. Es wird oft mit dem menschlichen Sehvermögen verglichen, aber das maschinelle Sehen ist nicht an die Biologie gebunden und kann programmiert werden, um zum Beispiel durch Wände zu sehen.

Es wird in einer Reihe von Anwendungen eingesetzt, von der Identifizierung von Unterschriften bis hin zur medizinischen Bildanalyse. Das Computersehen, das sich auf die maschinelle Bildverarbeitung konzentriert, wird oft mit dem maschinellen Sehen vermengt.

Verarbeitung natürlicher Sprache. Das ist die Verarbeitung der menschlichen Sprache durch ein Computerprogramm. Eines der älteren und bekanntesten Beispiele für NLP ist die Spam-Erkennung, die sich die Betreffzeile und den Text einer E-Mail ansieht und entscheidet, ob es sich um Junk handelt. Aktuelle Ansätze von NLP basieren auf maschinellem Lernen. NLP-Aufgaben umfassen Textübersetzung, Gefühlsanalyse und Spracherkennung.

Robotik. Dieser Bereich der Technik konzentriert sich auf das Design und die Herstellung von Robotern. Roboter werden oft eingesetzt, um Aufgaben auszuführen, die für Menschen schwer oder nur eingeschränkt durchführbar sind. Zum Beispiel werden Roboter in Fließbändern bei der Autoproduktion oder von der NASA eingesetzt, um große Objekte im Weltraum zu bewegen. Forscher setzen auch maschinelles Lernen ein, um Roboter zu bauen, die in einem sozialen Umfeld interagieren können.

Selbstfahrende Autos. Autonome Fahrzeuge nutzen eine Kombination aus Computer-Sehen, Bilderkennung und Deep Learning, um automatisierte Fertigkeiten zu entwickeln, die es ermöglichen, ein Fahrzeug zu steuern, während es sich in einer bestimmten Spur befindet und unerwarteten Hindernissen, wie z.B. Fußgängern, ausweicht.

Die Geschichte und Entwicklung der KI

Das Konzept der künstlichen Objekte, die mit Intelligenz ausgestattet sind, gibt es schon seit der Antike. Der griechische Gott Hephaestus wurde in den Mythen beschrieben, wie er roboterähnliche Diener aus Gold schmiedete. Ingenieure im alten Ägypten bauten Götterstatuen, die von Priestern zum Leben erweckt wurden.

Im Laufe der Jahrhunderte benutzten Denker von Aristoteles über den spanischen Theologen Ramon Llull aus dem 13. Jahrhundert bis hin zu René Descartes und Thomas Bayes die Werkzeuge und die Logik ihrer Zeit, um menschliche Denkprozesse als Symbole zu beschreiben. Sie legten damit den Grundstein für KI-Konzepte wie die Darstellung von Allgemeinwissen.

Das späte 19. und die erste Hälfte des 20. Jahrhunderts brachten die Grundlagenarbeit hervor, aus der der moderne Computer entstehen sollte. Im Jahr 1836 erfanden der Mathematiker Charles Babbage von der Universität Cambridge und Augusta Ada Byron, Gräfin von Lovelace, den ersten Entwurf für eine programmierbare Maschine.

In den 1940er Jahren entwarf der Mathematiker John von Neumann aus Princeton die Architektur für den speicherprogrammierbaren Computer – die Idee, dass das Programm eines Computers und die Daten, die er verarbeitet, im Speicher des Computers aufbewahrt werden können. Und Warren McCulloch und Walter Pitts legten den Grundstein für neuronale Netzwerke.

Mit dem Aufkommen der modernen Computer konnten die Wissenschaftler ihre Ideen über maschinelle Intelligenz testen. Eine Methode zur Bestimmung, ob ein Computer intelligent ist, wurde 1950 von dem britischen Mathematiker und Codeknacker des Zweiten Weltkriegs, Alan Turing, entwickelt.

Der Turing-Test konzentrierte sich auf die Fähigkeit eines Computers, Verhörspezialisten zu täuschen, so dass sie glauben, dass die Antworten auf ihre Fragen von einem menschlichen Wesen stammen.

KI in der Neuzeit

Der moderne Bereich der künstlichen Intelligenz wird häufig zitiert, als er 1956 während einer Sommerkonferenz am Dartmouth College begann. Die Konferenz wurde von 10 Koryphäen auf diesem Gebiet besucht, darunter die KI-Pioniere Marvin Minsky, Oliver Selfridge und John McCarthy, dem die Prägung des Begriffs künstliche Intelligenz zugeschrieben wird.

Ebenfalls anwesend waren Allen Newell, ein Informatiker, und Herbert A. Simon, ein Wirtschaftswissenschaftler, Politologe und Kognitionspsychologe, die ihren bahnbrechenden Logiktheoretiker vorstellten, ein Computerprogramm, das in der Lage ist, bestimmte mathematische Theorie zu beweisen und das als das erste KI-Programm bezeichnet wird.

Im Anschluss an die Konferenz am Dartmouth College sagten führende Köpfe auf dem noch jungen Gebiet der KI voraus, dass eine menschengemachte Intelligenz, die dem menschlichen Gehirn entspricht, in greifbare Nähe rückt und große Unterstützung von Regierung und Industrie erhält.

In der Tat brachten fast 20 Jahre fundierter Grundlagenforschung bedeutende Fortschritte in der KI hervor: Zum Beispiel veröffentlichten Newell und Simon in den späten 1950er Jahren den General Problem Solver (GPS)-Algorithmus, der zwar nicht in der Lage war, komplexe Probleme zu lösen, aber den Grundstein für die Entwicklung anspruchsvollerer kognitiver Architekturen legte.

McCarthy entwickelte Lisp, eine Sprache für die KI-Programmierung, die noch heute verwendet wird. Mitte der 1960er Jahre entwickelte MIT Professor Joseph Weizenbaum ELIZA, ein frühes Programm zur Verarbeitung natürlicher Sprache, das den Grundstein für die heutigen Chatbots legte.

Aber die Errungenschaft der künstlichen allgemeinen Intelligenz erwies sich als schwer fassbar, nicht unmittelbar bevorstehend, behindert durch Beschränkungen in der Computerverarbeitung im Speicher und durch die Komplexität des Problems. Regierung und Unternehmen zogen sich von ihrer Unterstützung der KI-Forschung zurück, was zu einer Brachzeit führte, die von 1974 bis 1980 dauerte und als der erste „KI-Winter“ bekannt wurde.

In den 1980er Jahren lösten die Forschungen über tiefgreifende Lerntechniken und die Übernahme der Expertensysteme von Edward Feigenbaum durch die Industrie eine neue Welle des KI-Enthusiasmus aus. Die nur von einem weiteren Zusammenbruch der staatlichen Finanzierung und der Unterstützung der Industrie abgelöst werden konnte. Der zweite KI-Winter dauerte bis Mitte der 1990er Jahre.

Steigende Rechenleistung und eine Datenexplosion lösten Ende der 1990er Jahre eine KI-Renaissance aus, die bis in die heutige Zeit andauert. Der jüngste Fokus auf KI hat zu Durchbrüchen bei der Verarbeitung natürlicher Sprache, Computer Vision, Robotik, maschinellem Lernen, tiefem Lernen und mehr geführt.

Außerdem wird die KI immer greifbarer, treibt Autos an, diagnostiziert Krankheiten und festigt ihre Rolle in der Populärkultur. 1997 besiegte IBMs Deep Blue den russischen Schachgroßmeister Garry Kasparov und wurde damit das erste Computerprogramm, das einen Schachweltmeister besiegte.

Vierzehn Jahre später zog IBMs Watson die Öffentlichkeit in seinen Bann, als er zwei ehemalige Champions in der Spielshow Jeopardy! besiegte. In jüngerer Zeit hat die historische Niederlage des 18-fachen Go-Weltmeisters Lee Sedol durch AlphaGo von Google DeepMind die Go-Gemeinschaft verblüfft und einen wichtigen Meilenstein in der Entwicklung intelligenter Maschinen markiert.

Die Anwendungen der KI

KI im Gesundheitswesen. Die größten Hoffnungen liegen in der Verbesserung der Patientenresultate und der Reduzierung der Kosten. Die Pharmaunternehmen wenden maschinelles Lernen an, um bessere und schnellere Diagnosen als Menschen zu stellen. Eine der bekanntesten Technologien im Gesundheitswesen ist IBM Watson. Sie versteht die natürliche Sprache und kann auf Fragen, die an sie gestellt werden, antworten.

KI in der Wirtschaft. Algorithmen des maschinellen Lernens werden in Analyse- und Customer-Relationship-Management-Plattformen (CRM) integriert, um Informationen darüber aufzudecken, wie Kunden besser bedient werden können. Chatbots wurden in Websites integriert, um Kunden sofort bedienen zu können. Die Automatisierung von Stellenangeboten ist auch unter Daten-Wissenschaftlern und IT-Analytikern zum Gesprächsthema geworden.

KI in der Ausbildung. KI kann die Benotung automatisieren, was den Pädagogen mehr Zeit gibt. Sie kann Schüler bewerten, sich an ihre Bedürfnisse anpassen und ihnen helfen, in ihrem eigenen Tempo zu arbeiten. Die KI-Tutoren können den Schülern zusätzliche Unterstützung bieten und dafür sorgen, dass sie auf Kurs bleiben. Es könnte verändern, wo und wie die Schüler lernen und vielleicht sogar einige Lehrer ersetzen.

KI in Finanzen. KI in persönlichen Finanzanwendungen, verändert die Finanzinstitute. Anwendungen sammeln persönliche Daten und bieten finanzielle Beratung. Andere Programme, wie z.B. IBM Watson, wurden für den Prozess des Hauskaufs angewandt. Heute übernimmt Software mit künstlicher Intelligenz einen Großteil des Handels an der Wall Street.

KI im Gesetz. Der Entdeckungsprozess – das Durchsieben von Dokumenten – ist für Menschen oft überfordernd. Durch den Einsatz von KI zur Automatisierung der arbeitsintensiven Prozesse in der Rechtsbranche wird Zeit gespart und der Kundenservice verbessert.

Anwaltskanzleien setzen maschinelles Lernen ein, um Daten zu beschreiben und Ergebnisse vorherzusagen. Computervision, um Informationen aus Dokumenten zu klassifizieren und zu extrahieren, und natürliche Sprachverarbeitung, um Informationsanfragen zu interpretieren.

KI in der Fertigung. Die Fertigung hat bei der Integration von Robotern in den Arbeitsablauf eine Vorreiterrolle eingenommen. Zum Beispiel funktionieren die Industrieroboter, die früher für einzelne Aufgaben programmiert und von den menschlichen Arbeitern getrennt waren, zunehmend als Koboter: Kleinere, Multitasking-Roboter, die mit Menschen zusammenarbeiten und die Verantwortung für mehr Teile der Arbeit in Lagerhäusern, Fabrikhallen und anderen Arbeitsbereichen übernehmen.

KI im Bankwesen. Banken setzen Chatbots erfolgreich ein, um ihre Kunden auf Dienstleistungen und Angebote aufmerksam zu machen und um Transaktionen abzuwickeln, die kein menschliches Eingreifen erfordern.

Virtuelle KI-Assistenten werden eingesetzt, um die Einhaltung der Bankvorschriften zu verbessern und die Kosten zu senken. Bankorganisationen setzen KI auch ein, um die Entscheidungsfindung bei Krediten zu verbessern, Kreditlimits festzulegen und Investitionsmöglichkeiten zu erkennen.

KI im Transportwesen. Neben der grundlegenden Rolle der KI beim Betrieb autonomer Fahrzeuge werden KI-Technologien im Transportwesen eingesetzt, um den Verkehr zu steuern, Flugverspätungen vorherzusagen und die Seeschifffahrt sicherer und effizienter zu machen.

KI in der Sicherheit

KI und maschinelles Lernen stehen ganz oben auf der Liste der Schlagworte, mit denen Anbieter von Sicherheitslösungen heute ihr Angebot auszeichnen. Künstliche Intelligenz und maschinelles Lernen in Cybersicherheitsprodukten stellen einen echten Mehrwert für Sicherheitsteams dar, die nach Wegen suchen, um Angriffe, Malware und andere Bedrohungen zu identifizieren.

Organisationen verwenden maschinelles Lernen in der Software für Sicherheitsinformationen und Ereignismanagement (SIEM). Ebenso in verwandten Bereichen, um Anomalien zu erkennen und verdächtige Aktivitäten zu identifizieren, die auf Bedrohungen hinweisen.

Durch die Analyse von Daten und die Verwendung von Logik, um Ähnlichkeiten mit bekanntem bösartigem Code zu identifizieren, kann KI viel früher als menschliche Mitarbeiter und frühere Technologie-Iterationen Warnungen vor neuen und aufkommenden Angriffen geben.

Infolgedessen senkt die KI-Sicherheitstechnologie sowohl die Anzahl der Fehlalarme drastisch und gibt Organisationen mehr Zeit, echten Bedrohungen entgegenzuwirken, bevor Schaden angerichtet wird. Die ausgereifte Technologie spielt eine große Rolle bei der Unterstützung von Organisationen und bei der Abwehr von Cyberattacken.

Regulierung der KI-Technologie

Trotz potenzieller Risiken gibt es derzeit nur wenige Vorschriften, die den Einsatz von KI-Tools regeln, und wo es Gesetze gibt, beziehen sie sich in der Regel indirekt auf die KI. Wie bereits erwähnt, verlangen die Fair Lending-Bestimmungen der Vereinigten Staaten, dass die Finanzinstitute potenziellen Kunden Kreditentscheidungen erklären müssen. Dies schränkt das Ausmaß ein, in dem Kreditgeber tiefgreifende Lernalgorithmen verwenden können, die naturgemäß undurchsichtig sind und denen es an Erklärungsmöglichkeiten mangelt.

Die Allgemeine Datenschutzverordnung (DSGVO) der Europäischen Union setzt den Unternehmen strenge Grenzen bei der Nutzung von Verbraucherdaten, was die Schulung und Funktionalität vieler verbraucherorientierter KI-Anwendungen behindert.

Im Oktober 2016 hat der Nationale Wissenschafts- und Technologierat einen Bericht veröffentlicht, in dem die mögliche Rolle der staatlichen Regulierung bei der Entwicklung der KI untersucht wird. Aber er empfiehlt nicht, eine spezifische Gesetzgebung in Betracht zu ziehen.

Die Ausarbeitung von Gesetzen zur Regulierung der KI wird nicht einfach sein, zum einen, weil die KI eine Vielzahl von Technologien umfasst, die von den Unternehmen zu unterschiedlichen Zwecken eingesetzt werden. Zum anderen, weil die Regulierung auf Kosten des Fortschritts und der Entwicklung der KI gehen kann.

Die schnelle Entwicklung der KI-Technologien ist ein weiteres Hindernis für eine sinnvolle Regulierung der KI. Technologische Durchbrüche und neuartige Anwendungen können dazu führen, dass bestehende Gesetze sofort überholt werden.

Zum Beispiel decken die existierenden Gesetze, die die Privatsphäre von Gesprächen und aufgezeichneten Gesprächen regeln, nicht die Herausforderung ab, die Sprachassistenten wie Amazons Alexa und Apples Siri darstellen.

Die Gespräche sammeln, aber nicht weiterleiten — außer an die Technologie-Teams der Unternehmen, die sie nutzen, um die Algorithmen des maschinellen Lernens zu verbessern. Und natürlich halten die Gesetze, die Regierungen zur Regulierung der KI schaffen, Kriminelle nicht davon ab, diese Technologie in böswilliger Absicht zu nutzen.