Künstliche Intelligenz: Ist der Hype um KI gerechtfertigt?

Künstliche Intelligenz ist ein Bereich der Computerwissenschaft, der sich der Entwicklung von Systemen widmet, die Aufgaben ausführen können, die normalerweise mit Menschen verbunden sind. Diese Systeme lassen sich so entwickeln, dass sie Aufgaben wie das Treffen von Entscheidungen, das Lösen komplexer Probleme oder das kreative Denken übernehmen können. KI-Systeme verwenden ausgeklügelte Algorithmen und Daten (Unmengen), um diese Leistungen zu erbringen. 

Aber diese allgemeine Definition kratzt nur an der Oberfläche. Um besser zu verstehen, was KI ist und was nicht, lassen Sie uns zunächst die beiden großen Kategorien von KI definieren: Inferenz-KI und generative KI.

Inferenz-KI ist eine Technologie, die sich auf die Ableitung von Informationen aus Inhalten wie Text, Bildern, Audio und Video konzentriert. 

Wenn der Technologie beispielsweise ein Foto einer Katze präsentiert wird, kann sie Kontexthinweise verwenden, um das Motiv des Fotos richtig zu identifizieren. 

Diese Art von KI kann zwar auf der Grundlage von Informationen Rückschlüsse ziehen, aber sie kann keine eigenen Inhalte generieren.

Generative KI oder GenAI, ist eine Technologie, die neue Inhalte aus Anweisungen generieren kann – Text, Bilder, Audio und Video. 

Wenn es beispielsweise die Anweisung „eine Katze zeichnen“ erhält, generiert ein GenAI-Modell ein Bild einer Katze.

Man kann sich die Inferenz-KI und die generative KI als zwei Seiten einer Münze vorstellen, wobei letztere allgemein als anspruchsvoller betrachtet wird. Die Entwicklung von GenAI umfasst eine Kombination aus maschinellem Lernen und neuronalem Netzwerktraining.

Ein neuronales Netzwerk ist von der Funktionsweise des Gehirns inspiriert, funktioniert aber einfacher und praktischer. Es ist eine Maschine, die aus vielen Schichten künstlicher Neuronen besteht, oder Knoten, die Informationen verarbeiten. Jedes Neuron nimmt Zahlen (Eingabe) auf, führt eine einfache Berechnung durch und sendet dann das Ergebnis (Ausgabe). 

Das Netzwerk lernt, indem es eine Reihe von Zahlen anpasst, die „Gewichte“ genannt werden. Diese Gewichte bestimmen, wie sich das Netzwerk verhält. Während des überwachten Lernens werden dem Netzwerk Daten und ein gewünschtes Ergebnis zugeführt, mit dem die Gewichte eingestellt werden. Das Netzwerk lernt bei jeder Iteration aus Fehlern und passt seine Gewichte an, um die Chancen zu erhöhen, die gewünschte Ausgabe zu erreichen.

Deep Learning ist eine Teilmenge des maschinellen Lernens, die mit der Einführung leistungsstärkerer Grafikprozessoren (GPUs) und ausgefeilterer Trainingsalgorithmen entstanden ist. Es ist viel leistungsfähiger, weil mehr Schichten von Neuronen hinzugefügt werden. Noch ein wichtiger Hinweis: „Tief“ (engl. deep) bezieht sich auf die Anzahl der Schichten, die ein neuronales Netzwerk hat – es ist physisch tief, nicht intellektuell tief.

Ein beliebtes Beispiel für einen Deep-Learning-Algorithmus ist ein Großes Sprachmodell (Large Language Model, LLM), wie ChatGPT, das darauf trainiert wurde, um Text in menschlicher Sprache zu verstehen und zu generieren. LLMs verwenden eine Textsequenz als Eingabe und geben dann Wahrscheinlichkeiten für das nächste Wort in der Sequenz aus. Dabei handelt es sich um eine Funktion, mit der Chatbots relevante Antworten auf Fragen oder Kommentare liefern können. 

LLMs werden auf riesigen Textmengen trainiert, die normalerweise aus dem Internet gewonnen werden. Wie bei neuronalen Netzwerken werden LLM-Gewichte durch selbstüberwachtes Lernen angepasst, um die Wahrscheinlichkeit eines sinnvollen nächsten Wortes zu erhöhen. Die ausgefeiltesten LLMs, die aktuell zum Einsatz kommen, haben Hunderte von Milliarden Gewichten, die die Ausgänge optimieren.

Da wir nun ein grundlegendes Verständnis von Deep Learning und LLMs haben, können wir uns überlegen, ob ein bestimmtes kommerzielles Produkt tatsächlich KI-basiert oder lediglich ein Beispiel für KI-Washing ist. 

KI-Washing tritt auf, wenn Unternehmen irreführende oder übertriebene Behauptungen über die Menge an KI machen, die in ihren Produkten verwendet wird. Sie nutzen also den KI-Hype, um die Rentabilität zu steigern.

Um KI-Washing zu identifizieren, berücksichtigen Sie bei der Bewertung von Produkten die folgenden Fragen:

• Erfordert dieses Produkt in hohem Maße menschliche Beteiligung, um eine akzeptable Leistung zu erzielen? Echte KI zeichnet sich durch einen hohen Grad an Autonomie aus und liefert ein akzeptables Ergebnis mit minimalem menschlichen Input.

• Ist das Unternehmen hinter diesem Produkt transparent hinsichtlich der Datentypen und Algorithmen, die es für seine KI verwendet? Der Black-Box-Ansatz, also sich ausschließlich auf die Inputs und Outputs eines Produkts zu konzentrieren, anstatt seine internen Abläufe und Prozesse zu offenbaren, ist oft ein Warnsignal dafür, dass die Technologie nicht so gut ist, wie es den Anschein hat.

Leider gibt es zu viele Fälle, in denen Unternehmen den Begriff KI verwenden, um einen Artikel oder einen Service zu bewerben, der gegen die oben genannte Fragen nicht bestehen kann. Deshalb ist es wichtig, über die anfänglichen Behauptungen von Unternehmen hinauszuschauen und ein wenig genauer zu untersuchen, um festzustellen, ob ein Produkt wirklich KI-basiert ist.

Bei der Bewertung einer KI-Lösung müssen auch andere wichtige Überlegungen berücksichtigt werden. „Halluzinationen“ sind ein Schlüsselbegriff, den man im Auge behalten sollte. KI-Halluzinationen sind falsche, irreführende oder unsinnige Ergebnisse. Diese falschen Ergebnisse werden durch eine Vielzahl von Faktoren verursacht, einschließlich Trainings mit unzureichenden oder Daten mit Bias, die zu Annahmen durch die KI-Implementierung führen können. 

Es ist wichtig, sich daran zu erinnern, dass KI-Modelle so konzipiert sind, dass sie Ergebnisse basierend auf den Daten vorhersagen, mit denen sie trainiert werden. Daher führt eine falsche Dateneingabe einfach zu falschen Ergebnissen.

Eine Möglichkeit, die sich schnell ändernden Gezeiten, falschen Versprechen und überhöhten Erwartungen zu verstehen, die mit jedem neuen KI-Durchbruch einhergehen, ist ein von Gartner entwickeltes Diagramm.

Im Juni veröffentlichte Gartner seinen Hype Cycle 2024 zum Thema Künstliche Intelligenz, der nachverfolgt, wie sich neue Technologien entwickeln, reifen und von der breiten Öffentlichkeit angenommen werden. 

In der ersten Phase durchläuft eine neue Technologie den Innovationsschub und gewinnt an Dynamik und Hype, während sie auf den Höhepunkt der Innovation zusteuert.

Nach Erreichen dieses Gipfels stürzt die Technologie in den Tiefen der Desillusionierung, wo die harte Arbeit losgeht. Da sie nun nicht mehr von überhöhten Erwartungen beeinflusst werden, können die Menschen beginnen, die wahren Fähigkeiten der Technologie zu verstehen und praktische Anwendungen für die Technologie zu entwickeln und sie entlang des Zyklus weiter auf das Hochplateau der Produktivität zu bringen.

Laut Gartner durchläuft KI den Hype-Zyklus schnell, und die generative KI hat bereits den Tiefpunkt der Desillusionierung erreicht. Doch trotz ihres melancholischen Namens bietet diese Phase des Zyklus eine Chance für echte Innovation – sie spornt die Menschen an, die Grenzen der KI besser zu verstehen und ihr Versprechen in die Tat umzusetzen. Eine Branche, in der dies derzeit geschieht, ist die Cybersicherheit.

Es steht außer Frage, dass die KI-Revolution die Cybersicherheit zum Guten und zum Schlechten verändert hat.

Mit immer ausgefeilteren KI-Modellen werden auch die Taktiken von Cyberkriminellen immer raffinierter. Cyberkriminelle nutzen zunehmend generative KI, um ihre Angriffe zu automatisieren, zu verbessern und zu skalieren. Dies führt zu Bedrohungen, die schwieriger zu erkennen und abzuwehren sind.

Die Integration von Automatisierung in die Cybersicherheit birgt jedoch erhebliche Chancen, besonders im Bereich der Bedrohungserkennung. Cybersicherheitsexperten können mithilfe von KI große Datenmengen viel schneller analysieren, um Muster zu erkennen und Anomalien im Nutzerverhalten zu erkennen, die potenzielle Bedrohungen signalisieren könnten.

KI kann auch verwendet werden, um die Prozesse zur Vorfallsreaktion zu optimieren. Durch die automatische Durchführung vordefinierter Aktionen als Reaktion auf erkannte Bedrohungen – wie z. B. Isolierung betroffener Systeme, Blockieren von Schadtraffic oder Initiieren von Warnungen – kann KI in Echtzeit auf potenzielle Bedrohungen reagieren.