Fraunhofer-Institut für Experimentelles Software Engineering IESE
Fraunhofer-Institut für Experimentelles Software Engineering IESE

Künstliche Intelligenz (KI) in IT-Lösungen und Produkten

Der Einsatz von Künstlicher Intelligenz (KI) wird die Arbeitswelt verändern. Doch wie werden entsprechende Lösungen geplant, umgesetzt und integriert? Und was genau versteht die Informatik unter Künstlicher Intelligenz?

Jede zweite Arbeitsstelle in Europa wird sich nach einer Studie des IWF durch KI-Lösungen verändern. Durch leistungsfähige Hardware ist die Anwendung von KI-Technologien praxistauglich geworden. Hinzu kommt eine wachsende Zahl von Modellen, Werkzeugen und Softwarekomponenten, welche die Anwendung stark erleichtern. Bei der Gestaltung entsprechender Systeme ist jedoch geboten, verschiedene Qualitätsaspekte und Rahmenbedingungen zu beachten. Die Risiken, die mit KI und insbesondere mit den sehr großen künstlichen neuronalen Netzen einhergehen, liegen in den Bereichen Sicherheit, Konformität und Ethik. Diese Risiken müssen mit entsprechenden Verfahren und Maßnahmen minimiert werden. Gleichzeitig gelten Rahmenbedingungen, die insbesondere mit dem EU AI Act sowie dem EU Data Act gesetzliche Grundlagen erhalten haben.

blau, schwarz, grün, abstrakt, ki, machine learning, deep learning
© unsplash.com/George C; Fraunhofer IESE

Was ist Künstliche Intelligenz?


Der Begriff Künstliche Intelligenz wurde 1956 geprägt (Dartmouth Summer Research Project on Artificial Intelligence), um die Forschung zum Verständnis von Intelligenz und zur Schaffung intelligenter Maschinen zu beschreiben. Heute bezeichnet der Begriff »KI« ein Softwaresystem, das die in dem Forschungsbereich entwickelten Methoden (z. B. Maschinelles Lernen/ Machine Learning) anwendet.

Das intelligente Verhalten, das der KI zugrunde liegt, kann auf verschiedene Weise implementiert werden, z. B. durch regelbasiertes Reasoning, fallbasiertes Reasoning oder Maschinelles Lernen. Die heute bekanntesten KI-Systeme (z. B. ChatGPT, Midjourney, AlphaGo) verwenden meist Techniken des Deep Learning.

Machine Learning vs. Deep Learning

Worin unterscheiden sich Maschinelles Lernen und Deep Learning?

Auf dem Gebiet des Maschinellen Lernens werden Methoden entwickelt, mit denen eine Maschine lernt, bestimmte Probleme anhand von Beispielen (Daten) zu lösen. Heute unterscheidet man zwischen symbolischen (auf Regeln und Logik basierenden) und subsymbolischen Methoden (auf der Grundlage künstlicher neuronaler Netze), zwischen verschiedenen Arten des Lernens (»Unsupervised Learning«, »Supervised Learning«, »Self-Supervised Learning«, »Active Learning«, »Reinforcement Learning«) und zwischen klassischem Lernen und »Deep Learning«.

Methoden des Maschinellen Lernens erzeugen ein Entscheidungsmodell, das bei einer bestimmten Eingabe eine Entscheidung trifft (z. B. Klassifizierung von Bildern, Textgenerierung usw.). Der Hauptunterschied zwischen klassischem Maschinellem Lernen und Deep Learning liegt in der Art und Weise, wie die Daten verarbeitet werden. Beim klassischen Maschinellen Lernen müssen problemrelevante Merkmale (»Features«, z. B. Objekterkennung in Bildern) aus den Eingabedaten ermittelt werden, um ein Modell zu trainieren. Beim Deep Learning findet das Feature Engineering automatisch statt (dies wird auch Repräsentationslernen genannt). Deep-Learning-Modelle sind in der Regel größer (komplexer) als klassische Machine-Learning-Modelle und benötigen mehr Daten zum Training.

Vergleich: Maschinelles Lernen und Deep Learning

  Maschinelles Lernen Deep Learning
Datenmenge klein groß
Feature Engineering ja nein
Klassifizierer viele verfügbar wenige vorhanden
Trainingszeit kurz lang
Hardware einfache Anforderung GPU & Spezial-Hardware
Nachvollziehbarkeit leicht bis fast unmöglich sehr schwer bis unmöglich

Künstliche Intelligenz im Unternehmen

Wie werden Potenziale von KI im Unternehmen identifiziert und umsetzt? Welche KI-Anwendungsfälle bringen den meisten Nutzen?

blau, schwarz, grün, abstrakt, ki, machine learning, deep learning
© unsplash.com/getty-images; Fraunhofer IESE

Einige Anwendungsfälle lassen sich leichter umsetzen als andere und auch der individuelle Nutzen ist je nach Unternehmen unterschiedlich. Außerdem ist eine entsprechende IT-Infrastruktur für die Entwicklung und den Betrieb notwendig. Jedoch lassen sich mit dem systematischen Vorgehen des Fraunhofer IESE schnell mögliche Kandidaten identifizieren, bewerten und prototypisch umsetzen. Beispiele für Anwendungsfälle in diesem Zusammenhang sind: prädiktive Diagnose, automatische Extraktion von Daten aus Dokumenten, Entscheidungsunterstützung, Bildanalyse oder Automatisierung von Dialogsystemen. Beispielsweise ermöglichen KI-Tools für Sprachverarbeitung und Übersetzung eine nahtlose Kommunikation über Sprachbarrieren hinweg. In der Welt der Datenanalytik erkennt KI Muster und Trends und verwandelt rohe, unstrukturierte Daten in aussagekräftige Einsichten. Im CRM personalisiert KI die Kommunikation und hilft, die Bedürfnisse und Wünsche der Kunden zu verstehen und darauf einzugehen.


Leistungsangebot ansehen

Absicherung und Risiken Künstlicher Intelligenz

Wie können Risiken einer KI identifiziert und beherrscht werden?

Systeme, die maschinelle Lernverfahren verwenden, sind in ihrer Arbeitsweise meistens nicht für Menschen nachvollziehbar und legen bei manchen Eingaben ein nicht vorhergesehenes, nicht-deterministisches Verhalten an den Tag. Dadurch kann ein bestimmtes oder gewünschtes Ergebnis nicht garantiert werden. Mit dem Abschätzen der Eintrittswahrscheinlichkeit solcher Fehler in Bezug auf die Eingangsdaten kann das Risiko unerwünschten Verhaltens quantifiziert werden. Zusammen mit weiteren Maßnahmen, welche die KI-Komponente umgeben, können Systeme sicherer und zuverlässiger gestaltet werden.

Die Verlässlichkeit von KI zu verstehen und zu beherrschen ist ein zentrales Forschungsthema des Fraunhofer IESE. In den letzten Jahren wurden verschiedene Verfahren zu deren Bewertung und systematischer Verbesserung entwickelt, z. B. durch eine Bewertung der Unsicherheit. Die Besonderheiten bei der Entwicklung KI-basierter Funktionen führen auch zu neuartigen Angriffsmöglichkeiten auf deren Funktion (Cybersecurity, Secure AI). Diese können bereits bei kompromittierten Trainingsdaten oder präparierten Eingangsdaten beginnen, deren Absicht es ist, Fehlverhalten zu provozieren. Welche Aspekte zu beachten sind und wie man sich davor schützen kann, betrachtet unsere Schulung. Konformitätsrisiken und ethische Risiken bestehen, wenn Ergebnisse ohne Prüfung relevanter Rahmenbedingungen ausgegeben werden. Dies können etwa Compliance-Regeln eines Unternehmens sein oder auch rechtliche Rahmenbedingungen, z.B. in Bezug auf die Diskriminierung einzelner Personengruppen. Allerdings kann eine solche Prüfung wiederum sehr komplex werden.

KI in der Softwareentwicklung

Wie kann Künstliche Intelligenz den Softwareentwicklungsprozess verbessern und Entwickler unterstützen?

blau, schwarz, grün, abstrakt, ki, machine learning, deep learning
© unsplash.com/George C; Fraunhofer IESE

Viele Aktivitäten in der Softwareentwicklung können mithilfe von KI-basierten Funktionen effizienter gestaltet werden und Entwickler unterstützen:

  • Identifikation von Widersprüchen und Lücken natürlichsprachlicher Anforderungen
  • Vergleich von Lastenheften und Extraktion von einzelner Aspekte (z.B. Sicherheitsaspekte)
  • Co-Engineering und automatisierte Erstellung von Designs und Implementierungen (Programm-Code)
  • Generierung von Testdaten für die Systemvalidierung
  • Projektspezifisches Zurverfügungstellen von Prozesswissen / Prozess-Tailoring
  • Code-Reviews, Testen von Software und Auffinden von Fehlern

    •  

    Dabei werden in zunehmendem Maße entsprechende Funktionen in Softwarewerkzeuge integriert. Zusätzlich lassen sich jedoch auch unternehmensspezifische Lösungen ergänzen, z.B. im Hinblick auf produktspezifische Aspekte.

     

    Leistungsangebot ansehen

Anwendungsbereiche Künstlicher Intelligenz

Welche KI-Anwendungsfälle kann Fraunhofer IESE unterstützen?

Der Einsatz Künstlicher Intelligenz ist grundsätzlich in allen Branchen und vielen Anwendungsfällen möglich. Sprechen Sie uns einfach an! 

Alle ausklappen Alle einklappen