1. Einleitung
2. Grundlagen der Künstlichen Intelligenz
2.1. Definition und Begriffe
2.2. Historische Entwicklung
2.3. Anwendungsbereiche der Künstlichen Intelligenz
2.4. Suchverfahren
2.5. Philosophische Betrachtungen
2.6. Ziele der Künstlichen Intelligenz
2.7. Spezielle Anwendungsbereiche im Human Resource Management
2.7.1. Künstliche Intelligenz im Online Recruiting
2.7.2. Künstliche Intelligenz in der Personalarbeit am Beispiel des Programms IBM Watson Talent
2.7.3. Steuerung des Personalcontrollings durch KI
3. Kritische Betrachtung und Evaluation
3.1. Chancen und Potentiale
3.1.1. Optimierung der Bewerberauswahl durch den Einsatz von Chatbots
3.1.2. Unterstützung durch Robotrecruiting
3.1.3. Erhöhung der Candidate Experience und Employer Branding
3.1.4. Entlastung der Personalmitarbeiter durch den Einsatz von Chatbots für allgemeine Personalangelegenheiten
3.1.5. Individuelle und gezielte Personalentwicklung
3.1.6. Analyse von Daten im Personalmanagement
3.1.7. Kosteneinsparpotentiale
3.2. Gefahren und Risiken
3.2.1 Arbeitsplatzverlust durch Verdrängung von Maschinen
3.2.2 Benachteiligung der Digital Immigrants
3.2.3. Steigerung der Kriminalitätsrate
3.2.4. Risiken für den Datenschutz
3.3. Rechtliche Herausforderungen
4. Schlussbetrachtung
Abstrakt
Die vorliegende Bachelorarbeit gibt einen allgemeinen Überblick über das Themengebiet der Künstlichen Intelligenz und deren Anwendung im Personalwesen. Die Basis der Arbeit beruht auf einer umfassenden Literatur- und Internetrecherche. Ziel der Arbeit war, herauszuarbeiten, ob die Anwendung Künstlicher Intelligenz unter Berücksichtigung von Chancen und Risiken zum derzeiti- gen Zeitpunkt als sinnvoll erachtet wird. Das Resultat dieser Arbeit zeigt, dass Künstliche Intelli- genz in den letzten Jahren stark an Popularität gewonnen hat und mittlerweile in vielen Bereichen eingesetzt wird. Im Personalwesen dominiert jene mit dem Einsatz von sogenannten Chatbots - Unterstützung intelligenter Systeme in natürlicher Sprache - und Programmen, die Prozessopti- mierungen durch eine intelligente Datenanalyse im Unternehmen erfolgreich einsetzen. In der Be- trachtung der Risiken stellen wir gesellschaftliche und rechtliche Herausforderungen fest. Durch derzeit noch ungeklärte Haftungsfragen und neuen Bestimmungen im Datenschutzrecht wird der Einsatz von Künstlicher Intelligenz erschwert. Darüber hinaus sorgen Ängste der Menschen vor dem allgemeinen Unbekannten oder der Gefahr des Arbeitsplatzverlustes dafür, dass Künstliche Intelligenz in der Gesellschaft noch nicht gänzlich akzeptiert wird. Im Ergebnis wird eine positive Grundhaltung gegenüber Künstlicher Intelligenz ausgesprochen - unter der Voraussetzung, dass sie nur als Assistent fungiert und den Menschen die finalen Entscheidungen obliegen.
Abbildung in dieser Leseprobe nicht enthalten
Wir bezeichnen uns als Homo sapiens - den weisen, vernunftbegabten Menschen -, weil unsere Intelligenz für uns von so elementarer Bedeutung ist.1 Erkenntnis, Einsicht und Vernunft gehören zu unseren kognitiven Fähigkeiten, auf die wir stolz sein können.2 Seit Tausenden von Jahren ver- suchen wir die Art und Weise unseres Denkens zu verstehen - „wie eine Handvoll Materie eine Welt, die weitaus komplizierter als sie selbst ist, wahrnehmen, verstehen, vorhersagen und mani- pulieren kann.“3 Künstliche Intelligenz möchte dies übertreffen und versucht, künstliche, technische und intelligente Systeme zu erzeugen, um einen Beweis für das Verständnis von Intelligenz zu bringen.4
Schon in den fünfziger Jahren wurde die Wissenschaft der „Künstlichen Intelligenz“ (im Folgenden KI genannt) bzw. „Artificial Intelligence“ ins Leben gerufen und stets weiter entwickelt. Es handelt sich hierbei um einen Versuch, den Menschen zu verstehen, in dem eine Technik geschaffen wird, die fähig ist, eine von Intelligenz gezeugte, dem Menschen gleiche Leistung zu erbringen. Heute ist KI in aller Munde und findet sich in sämtlichen Bereichen des Lebens wieder. Es wird vielfältig eingesetzt und hat das Potential, einen Paradigmenwechsel5 zu entfachen und einen enormen Einfluss auf die digitale Gesellschaft hervorzubringen. Bereits heute preschen immer mehr intelligente Systeme in vielzählige Lebens- und Arbeitsbereiche vor.
Stets wachsende Märkte, die demografische Entwicklung oder zunehmende Globalisierung bewirkten, dass eine ausschließlich operative Ausrichtung des Personalmanagements nicht mehr zum Erfolg führte. Mit Blick auf den Wettbewerb konkurrierender Unternehmen um talentierte Fachkräfte bedarf es eines Personalmanagements, dass einer klaren Unternehmensstrategie folgt und bereit ist, personalpolitische Maßnahmen zu begleiten. Ein signifikanter Bestandteil ist die gesamte sogenannte „Employee Journey“ eines Mitarbeiters - vom Recruiting, über das Onboarding, Weiterentwicklung bis zum Ausstieg - positiv zu begleiten und zu untermauern.6
Dies stellt das Human Resource Management vor eine große Aufgabe - hier kann KI ansetzen und unterstützend tätig werden. Mithilfe intelligenter Systeme bestünde unter Berücksichtigung rechtlicher Vorschriften sowie gesellschaftlicher bzw. moralischer Ansprüche die Möglichkeit der Prozessoptimierung sowie Effizienzsteigerung.
Ziel meiner Bachelorarbeit ist zum einen, dem Leser einen allgemeinen Überblick über das Thema Künstliche Intelligenz zu geben und zum anderen, darzustellen bzw. herauszuarbeiten, ob der Ein- satz von KI im Human Resource Management bereits stattfindet und unter Abwägung von Vorund Nachteilen als sinnvoll erachtet werden kann.
Meine Bachelorarbeit „Künstliche Intelligenz im Human Resource Management“ besteht aus drei Teilen: Im ersten Teil werden allgemeine Grundlagen erklärt, die mit einer umfassenden Definition des Begriffes „Künstlicher Intelligenz“ startet. In diesem Zusammenhang erfolgt eine Abgrenzung von menschlicher und maschineller Intelligenz. Im weiteren Verlauf werden die historische Ent- wicklung, Anwendungsbereiche, Sucherverfahren, philosophische Betrachtung sowie Ziele der KI vorgestellt. Im letzten Teil gehe ich speziell auf den Einsatz von KI im Human Resource Manage- ment ein. Im Fokus steht die Anwendung intelligenter Systeme im Bereich des Recruitings. Weite- re Bereiche des Personalwesens wie das Controlling oder Tätigkeiten der allgemeinen Personalar- beit werden ebenso beleuchtet.
Im zweiten Teil - auch Analyseteil - werden die Chancen und Risiken durch den Einsatz von KI dargestellt und evaluiert. Die Unterteilung erfolgt in Chancen bzw. Potentiale sowie Gefahren bzw. Risiken. Im Bereich der Chancen zeige ich die Anwendungsbereiche der Künstlichen Intelligenz im Personalwesen auf und arbeite die möglichen Vor- oder Nachteile heraus. Im weiteren Verlauf stel- le ich die Gefahren bzw. Risiken durch den Einsatz von KI vor. Hier erfolgt eine Darstellung der möglichen Nachteile bzw. Risiken und den daraus evt. resultierenden Einschränkungen in der An- wendung von KI. Der zweite Teil schließt mit den rechtlichen Herausforderungen in Verbindung mit dem Einsatz von KI ab.
In der Schlussbetrachtung - dritter und letzter Teil - nehme ich anhand des zuvor Gesagten eine abschließende und kritische Würdigung bzw. Bewertung vor - ein kurzer Ausblick auf die aktuelle Forschungslage der künstlichen Intelligenz beschließt meine Arbeit.
Der Begriff „Künstliche Intelligenz“ ist historisch zu sehen7 und geht aus der deutschen Übersetzung des amerikanischen Begriffes „Artificial Intelligence“ hervor, welches erstmalig in den Fünfzigerjahren Aufmerksamkeit erzielte8. Die Bezeichnung „Artificial Intelligence“ erfuhr seine Prägung durch John Mc Carthy im Rahmen einer zweimonatigen Konferenz am Darthmouth College in Hanover, New Hampshire, im Sommer 1956.9 An der Konferenz nahmen Forscher teil, die sich zum Ziel setzten, Maschinen mit „intelligentem Verhalten“ zu entwickeln.10
Dieses Treffen gilt heute als Startschuss der KI Forschung. John Mc Carthy konstruierte für diese Themenstellung den Begriff „Artificial Intelligence“. Seit diesem Zeitpunkt wird dieser Begriff für alle Forschungs- und Entwicklungsvorhaben und -aktivitäten verwendet, mit dem Ziel, Maschinen bzw. Computer intelligenter zu machen.11
Eine einheitliche Definition von KI zu finden ist sehr schwierig - dies beschreibt auch Partridge12 mit folgenden Worten:
„Defining Artificial Intelligence is an exercise rather like nailing jello to a tree: with forethought, planning and enough nail it ought to be doable, but it isn`t“.13 (Übersetzung: KI ist eher wie Wackelpudding an einen Baum zu nageln: mit Hilfe von Planung und genug Nägeln sollte es möglich sein, aber es gelingt nicht).
Bei einem Versuch, KI zu definieren, werden zwei unterschiedliche Vorgehensweisen herangezo- gen. Zum einen wird eine Maschine mit einem Menschen verglichen.14 Menschen besitzen Fähig- keiten, die eine Maschine per se nicht alleine ausführen kann. Die Aufgabe ist demnach, Ma- schinen in eine Lage zu versetzen, Leistungen zu vollbringen, für die gewöhnlich eine allgemeine Intelligenz vorausgesetzt wird, wenn sie von Menschen erbracht wird.15 Hierbei soll das Lernver- halten, die Entwicklung und das menschliche Gedächtnis imitiert werden.16 Die KI Forschung ver- folgt damit den synthetischen Ansatz: „Verstehen durch Nachbauen“17. Dies geschieht in drei Ab- schnitten: Zuerst werden Teile eines biologischen Systems nachgebaut, im weiteren Schritt allge- meine Methoden intelligenten Verhaltens abstrahiert und zuletzt diese Methoden auf den Entwurf intelligenter Systeme angewandt.18 Es gibt mittlerweile viele Bereiche, für deren Lösung eine Intelli- genz notwendig ist, die eine Maschine besser und schneller ausführen kann als der Mensch - bspw. die Routenplanung unter Berücksichtigung von festen Parametern. Als Gegenbeispiel soll hier auch der Taschenrechner genannt werden, der schneller und zuverlässiger rechnet als der Mensch. Die Leistung verfügt von der Definition her über reelle KI - es ist jedoch offensichtlich, dass die Multiplikation zweier Zahlen wahrlich nicht zu den wirklichen KI Herausforderungen ge- hört.19
Um diesen Problemen aus dem Weg zu gehen, wurde die KI alternativ in Arbeitsgebiete unterteilt. So wird die KI als Teilgebiet der Informatik angesehen und umfasst mehrere wissenschaftliche Teilgebiete. Die Einflüsse resultieren vorwiegend aus der Logik, Linguistik, Physiologie, Pädagogik und „Cognitive Science“, ein neues Fachgebiet, in dem Wissenschaftler an der Erforschung von Mechanismen arbeiten, welche Intelligenz möglich machen.20 Zudem werden auch problematische Bereiche wie Bildanalyse, Robotik oder Text- und Spracherkennung, die für die Kommunikation mit dem System nötig sind, abgedeckt.21 Hier fungiert KI hauptsächlich als Assistent für den Men- schen. In diesem Zusammenhang ist es angebracht, die Begrifflichkeit „Künstliche Intelligenz“ mit menschlichen Fähigkeiten zu vergleichen. Computerprogramme helfen den Menschen bei seinen Aufgaben. Im ersten Schritt wird die menschliche Tätigkeit untersucht, um diese dann in einem weiteren Schritt durch die Einbringung von Technik effizienter und angenehmer in eine Form zu bringen. Das Messen am Menschen ist somit nicht besonders - die Besonderheit liegt darin be- gründet, dass man die Kompetenzen des Menschen zum Denken, zum Lernen aus Beispielen, oder generell das Können zum Problemlösen nachahmen möchte, um den Computer leistungsfähi- ger zu machen.22 Durch die Verknüpfung beider Ansätze kann die KI als Teilgebiet der Informatik beschrieben werden, mit dem Ziel, die menschliche Herangehensweise des Problemlösens auf Computern nachzuahmen, um damit neue oder wirksamere Aufgabenlösungen zu erzielen.23
Als Geburtsjahr der KI- Forschung gilt 1950, als Alan Turing seinen populären Aufsatz „Computing Machinery and Intelligence“ publizierte.24 Für die Beantwortung der Frage, ob Maschinen denken können, schlägt er ein Spiel vor, welches unter dem Namen „Turing-Test“ populär wurde.25 Bei die- sem Test muss ein Programm über eine Zeitspanne von fünf Minuten eine Konversation (über onli- ne eingegebene Nachrichten) mit einem Gesprächspartner führen. Der Gesprächspartner muss dann die Entscheidung fällen, ob die Kommunikation mit einem Menschen oder einem Programm vorgenommen wurde. Das Programm besteht erfolgreich den Test, wenn es in der Lage ist, seinen Gesprächspartner in 30% der Fälle zu täuschen. Das gelang dem Programm damals nicht - bis heute gibt es kein eindeutiges Bestehen. Auf der anderen Seite war das Programm in der Lage, viele Menschen zu täuschen, die nicht in Kenntnis waren, dass sie mit einem Computer kommuni- zierten. In einem jährlich stattfindenden Wettbewerb um diese Fähigkeiten wird der sogenannte Loebner-Preis ausgeschrieben - der am längsten laufende Wettbewerb in der Art eines Turing- Tests, der 1991 ins Leben gerufen wurde.26
Bereits in den 1930er Jahren führte der englische Mathematiker Turing revolutionäre Untersuchun- gen in der Grundlagenforschung durch, indem er einen formalen Begriff der Berechenbarkeit an- hand eines sehr simplen, universellen Rechenautomaten einführte und somit an dem Bau der er- sten britischen Elektronenrechner beteiligt war. Aus diesem Grunde kann er als der erste Gründervater der „Künstlichen Intelligenz“ gesehen werden.27
Die Geschichte in der Folgezeit der KI lässt sich in vier Phasen unterteilen:
1. Phase (Mitte 50er - Mitte 60er Jahre)
Die Gründungsphase in den Fünfziger Jahren wurde noch von Euphorie geprägt. Sie ist durch er- ste Ansätze zur symbolischen, nicht-numerischen Informationsverarbeitung charakterisiert und be- fasste sich u.a. mit der Lösung trivialer Puzzles, dem Beweisen von Sätzen der Logik und Geome- trie sowie Spielen wie Schach oder Dame - der Schwerpunkt lag auf der technischen Machbar- keit.28 Grundsätzlich suchte man nach allgemeinen Leitlinien, mit deren Hilfe die Möglichkeit ge- schaffen werden sollte, nach Belieben Probleme zu lösen.29 Es handelte sich um einen allgemei- nen Suchmechanismus, der den Versuch unternahm, grundlegende Schritte zu verknüpfen, um vollständige Lösungen ausfindig zu machen. Solche Ansätze werden auch schwache Methoden genannt, weil sie allgemein sind und nicht auf größere oder komplexere Problemfelder übertragen werden können. Die Alternative zum schwachen Ansatz ist die Verwendung eines leistungs- und bereichsspezifischeren Wissens, welches logische Ableitungsschritte zulässt und fähig ist, einfa- che, typische Fälle in limitierten Erfahrungsbereichen zu verwerten.30 Die Anwendung wissensba- sierter Systeme fand ihren Beginn jedoch erst in der zweiten Phase.
2. Phase (Mitte 60er - Mitte 70er)
In der zweiten Phase der KI stellte man eine verstärkte Veränderung zum praktischen und speziali- sierten Programmieren fest31, da die allgemeinen Methoden zur Problemlösung und Programme, die alle Arten von Problemen lösen sollten, missglückten. Charakterisierend für diese Phase ist die Konstruktion von spezialisierten Systemen, Methoden zur Wissenspräsentation und ein Interesse an natürlichen Sprachen.
3. Phase (Mitte 70er - Mitte 80er)
In der dritten Ära der KI kamen verstärkt wissensbasierte Expertensysteme zum Vorschein, die in der Praxis Hoffnung auf erste Anwendungen weckten. Hierfür sollte ein limitiertes und überschau- bares Spezialwissen von menschlichen Experten zur Verfügung gestellt werden. Wissensbasierte Expertensysteme sind KI-Programme, die ihr Wissen über ein spezielles Gebiet speichern und aus dem Wissen heraus automatisch schlussfolgern, um effektive Lösungen zu finden oder Situationen zu diagnostizieren.32 Die Idee dahinter war, gering verbreitetes, menschliches Expertenwissen zu erfassen und zu vervielfältigen, um auf diesem Wege diese Fähigkeiten für eine breite Anwender- masse preislich attraktiv anzubieten.33 Das Einsatzgebiet der Expertensysteme sollte gerade in den Bereichen der Spracherkennung, automatischer Übersetzung und in der Medizin Fortschritte zeigen.34 Die wissensbasierten Systeme waren die ersten Systeme der KI, die gewinnorientiert in der Praxis auftraten. Zur Programmierung dieser Systeme wurde viele Darstellungs- und Schlussfolgerungssprachen entwickelt. Innerhalb ihrer Regelsammlung haben die Expertensysteme sehr gute Ergebnisse erwirtschaftet.35
4. Phase (ab 1980)
Der Beginn der vierten Entwicklungsphase erfolgte um 1980, die vor allem durch eine umfassende Mathematisierung des Gebiets und das Aufgreifen neuer Themen, wie verteilte KI oder neuronale Netzwerke charakterisiert ist. Bei der verteilten KI ist der Gebrauch von Parallelrechnern zur Effizi- enzsteigerung von Problemlösern ein Ziel.36 Es handelt sich um leistungsstarke Supercomputer mit parallelen Verarbeitungsfunktionen - sogenannte „Connection Machines“.37 Bei einem künstlichen neuronalen Netz handelt es sich um ein Programm, bei dem spezielle ver- mutete, organisatorische Prinzipien eines realen neuronalen Netzes (wie dem menschlichen Ge- hirn) inspirierend wirken.38 Es handelt sich um einen Versuch, Tätigkeiten, die von den Menschen einfach zu bewältigen sind, mit dem Computer nachzuahmen, damit diese zur Problemlösung ein- gesetzt werden können. Neuronale Netze erzielen ein gewünschtes Verhalten, indem ihnen Bei- spiele gezeigt werden, die im nächsten Schritt verarbeitet werden können. Sobald ein Muster ge- lernt und abgespeichert ist, ist ein neuronales Netz in der Lage, sich sehr schnell daran zu erin- nern. Innerhalb kürzester Zeit erkennt es Analogien zwischen einem Bild und dem abgespeicher- ten Muster.39
Anfang der 90er Jahre kam es jedoch zu einer Phase des Einbruchs in der KI Forschung - der sogenannte „KI Winter“. In dieser Zeit wurden dennoch Forschungen unternommen, die den Grundstein der heutigen Aktualität des Themas Künstliche Intelligenz legte.40
Mitten im KI Winter wurde das Thema Algorithmus von zwei Psychologen wieder ins Leben geru- fen. Durch diesen Beitrag wurde die Forschung neuronaler Netze wieder aufgenommen. Hierdurch entstanden zwei wesentliche Bereiche der KI Forschung: zum einen die symbolische, logische He- rangehensweise sowie die neuronale KI, deren Funktionsweise sich am menschlichen Gehirn ori- entierte. Trotz großer Fortschritte in der KI konnte bis heute keine sogenannte generelle Künstliche Intelligenz entwickelt werden. Hiermit ginge ein Mechanismus einher, der in der Lage wäre, beliebi- ge intellektuelle Aufgaben auszuführen - ggf. sogar besser als ein Mensch. Von diesem Ziel ist die Forschung leider noch weit entfernt. Dennoch versucht man, sich diesem Ziel zu nähern, in dem man eine sogenannte „Artificial Narrow Intelligenz“ schafft, die wir im Internet in Form von Programmen kennen, die innerhalb einer Begrenzung autonom agieren - sogenannte Bots. Am häufigsten werden intelligente Agenten im Internet eingesetzt, die als Bestandteile von Suchmaschinen oder Empfehlungssystemen handeln.41
Die Arbeit in der KI wird in mehrere Teilbereiche unterteilt, die sich mit allgemeinen und komplexen Problemen befassen, oder für die verschiedene Hilfsmittel oder Eignungen benötigt werden. Die bekannteren Bereiche sind
- Verarbeitung natürlicher Sprache
- Expertensysteme
- Computervision
- Robotik
Verarbeitung natürlicher Sprache:
In diesem Teilgebiet geht es primär darum, die komplexen Informationsverarbeitungsprozesse mit den KI Methoden und Hilfsmitteln der Informatik konkret zu beschreiben und zu erklären. Der Schwerpunkt liegt im Verständnis, dem Erwerb und dem Gebrauch natürlicher Sprache. Im nächs- ten Schritt können dann an die Sprache gebundene Leistungen maschinell verfügbar gemacht werden. Ziel ist es, die Kommunikation zwischen dem Menschen und der Maschine durch natur- sprachliche Dialoge zu erleichtern und zu optimieren.42 Da der Mensch ohne große Anstrengung in der Lage ist, Lautsprache von sich zu geben, könnte man vermuten, dass es sich hierbei um eine triviale Aufgabe handele, die einem Computer leicht fällt. Stellt man heute einen Vergleich mit den aktuell modernsten Spracherkennungsleistungen und den menschlichen Fähigkeiten an, dann ist ersichtlich, dass das Ergebnis bis dato sehr nüchtern ausfällt. Ende der sechziger Jahre herrschte die große Euphorie, dass das Problem der Spracherkennung aufgrund der rasanten Entwicklung der Computertechnik in einigen Jahren gelöst sei. Heute ist man realistischer - Forscher gehen davon aus, dass die menschliche Spracherkennung durch den Computer in zwanzig Jahren noch nicht den Stand der menschlichen Sprachwahrnehmungsfähigkeit erreicht haben wird. Ein relevan- ter Grund hierfür ist - im Gegensatz zu formalen Sprachen wie Programmiersprachen -, dass die Handhabung aufgrund enormer Komplexität besonders schwierig ist. Während die Maschinen heu- te den Wortschatz einer natürlichen Sprache akzeptabel beherrschen (im mathematischen Sinne ist der Wortschatz begrenzt, weil Wörter nicht beliebig lang sein können), ist ein Computer nicht in der Lage, für beliebige Sätze zu entscheiden, ob sie grammatisch korrekt sind oder nicht.43 Noch viel komplexer wird es bei der Entscheidung über die Bedeutung von Sätzen, die sich je nach Situation stark verändern kann. Sprachverstehen setzt voraus, dass man zum einen das Thema als auch den Kontext versteht und nicht nur die Satzstruktur.44 Einem Menschen gelingt dies intuitiv. Er untersucht, ob das Gehörte sinnhaft ist und ist in der Lage, ähnlich klingende Worte mit differenzierter Bedeutung gut auseinanderzuhalten.45
Eine Weiterentwicklung zur Verarbeitung natürlicher Sprachen ist der Ansatz der statistischen Ma- chine-Learning-Methode. Frühere Vorgehensweisen setzten ein sorgfältiges Erarbeiten von Regeln voraus - der neue Ansatz benötigt hierfür einfach nur beträchtliche Textmengen - soge- nannte „Korpora“. Sie stehen immer größer und leichter zur Verfügung, da stets mehr Schriftstücke in computerlesbarer Form vorliegen. Trotz dieser Analyse muss eine Verwertbarkeit vorgenommen werden können. Ein Satzschema besteht letzten Endes nur aus Liniendiagrammen mit angehäng- ten Wörtern. Erst die Zweckverwendung - wie beispielsweise das Verschieben von Nebensätzen - führt zu einem Nutzen. Der Bereich gewann an Ansehen und wandte sich Aufgaben mit enormer, praktischer Bedeutung zu. Hierunter zählt auch die Sprachübersetzung von Texten, das Zu- sammenfassen von Dokumenten, oder das Beantworten von Fragen - in der Regel mit Fakten zu einem bestimmten Themenbereich auf Basis einer Datenbank.46 Es klingt fast paradox, dass ein Computerprogramm ohne Bezug zur reellen Welt und ohne Themenkenntnis über den Text bei der Sprachübersetzung die Aufgabe vernünftig ausführt. Dass dieses Programm jedoch in der Lage ist, besser abzuschneiden als ein Mensch, der sich in dem betreffenden Sachgebiet auskennt und beide Sprachen spricht, ist besonders schwer zu glauben - mit einer ansehnlich großen Anzahl von Beispielen ist das dennoch möglich.47
Expertensysteme:
Wie bereits in der Historie der KI erwähnt, handelt es sich bei den wissensbasierten Expertensys- temen um Computerprogramme, die Wissen speichern und ansammeln, hieraus schlussfolgern, um reelle Lösungen zu offerieren.48 Im Unterschied zum menschlichen Wissen ist das Wissen ei- nes Expertensystems begrenzt. Es hat kein allgemeines Hintergrundwissen, keine Erinnerungen, Gefühle oder Motivationen. Als Beispiel sei ein älterer Hausarzt angeführt, der eine Familie über Generationen kennt und medizinisch behandelt. Er wird ein anderes Hintergrundwissen in die Dia- gnose eines Familienmitgliedes einbeziehen, als ein frischer Akademiker.49 Um ein Expertensys- tem zu konstruieren, ist die Erfassung des Wissens der Experten in Regeln notwendig, die Über- setzung in eine Programmiersprache und die Bearbeitung mit einer Problemlösungsstrategie.50 Wir differenzieren zwei Arten von Wissen - das Faktenwissen und das heuristische Wissen. Fak- tisches Wissen betrifft die Fakten des Anwendungsbereichs, die in Lehrbüchern und Zeitschriften fixiert wird. Bei der zweiten Art von Wissen handelt es sich um heuristisches Wissen, wo Urteils- vermögen und Problemlösungspraxis gefragt sind.51 Der Begriff Heuristik wird in der KI als Syn- onym für Vereinfachung verwendet. Hiermit sind Regeln gemeint, die die menschliche Intuition oder Erfahrung in Bezug auf eine Problemlösung nachbilden und die Suche begrenzen.52 Es han- delt sich somit um Erfahrungswissen, die ein humaner Experte nur in vielen Berufsjahren erwerben kann - die sogenannte Kunst des erfolgreichen Vermutens. Das heuristische Wissen ist am schwierigsten darzustellen, weil der Experte häufig selber nicht bewusst von seinem Wissen weiß. Daher müssen die auf mehreren Fachgebieten geschulten Wissensingenieure von den Experten- regeln der menschlichen Experten Kenntnis erlangen, in Programmiersprachen darstellen und in ein funktionstüchtiges Arbeitsprogramm umsetzen - es findet ein sogenannter Wissenserwerb bzw. Wissenskomponente (knowledge acquisition) statt. Die Erklärungskomponente eines Exper- tensystems erklärt dem Anwender die Untersuchungsschritte des Systems. Die Frage des „Wie“ erklärt Fakten oder Behauptungen, die Frage „Warum“ versucht Gründe für Fragen oder Befehle eines Systems herauszufinden. Bei der Dialogkomponente ist die Kommunikation zwischen Benut- zer und Expertensystem gemeint.53
Computervision:
Wie der Name bereits verdeutlicht, beschäftigt sich die Computervision hauptsächlich damit, Com- putern das „Sehen“ beizubringen, also die Fähigkeit, visuelle Bilder zu interpretieren. Obwohl Men- schen unglaubliche Sehfähigkeiten besitzen, ist nicht geklärt, welche Merkmale die Menschen für die Erzeugung dieser Sehleistung verwenden. Generell werden hierfür Algorithmen eingesetzt, die Merkmale aus Bildern herausnehmen und in Vektoren gruppieren. Es erfolgt eine Klassifizierung, um beurteilen zu können, ob auf dem Bild bspw. eine Katze oder ein Hund abgebildet ist.54 Früher suchten Algorithmen nach semantisch wichtigen Elementen wie Linien, Bereichen u.s.w., die dann zu größeren und allgemeineren Elementen zusammengefügt wurden (Beispiel Stuhl). Die moderne Herangehensweise setzt auf „Machine Learning“. Hierfür werden neuronale Netze verwendet, die in kleinen, einander überlappenden Bereichen eines Bildes nach Mustern suchen, um das Gelern- te vorerst auf benachbarte Bereiche und dann immer größere Regionen des Bildes auszuweiten - mit dieser Technik wurde in der Vergangenheit enorme Fortschritte gemacht.55 Robotik:
Die Bezeichnung „Roboter“ hat ihren Ursprung in dem technischen Wort „Arbeit“ oder „Zwangsar- beit“. Bevor sich der Name „Roboter“ durchsetzte, sprach man früher von Automaten. Es handelte sich um Maschinen, die ihre Arbeit eigenständig ausführten. Bereits vor langer Zeit hatten Visio- näre den Traum, dass solche Automaten zum Einsatz kommen. 1954 wurde erstmalig ein Patent für einen sogenannten universalen Automaten angemeldet - er gilt als der weltweit erste Roboter in der Industrie.56 Der schwere „Unimate“, der vorwiegend aus einem beweglichen, stählernen Arm bestand, konnte Objekte bewegen und sie zusammenschweißen. Er wurde anhand verschiedener Programme gesteuert und ab 1961 von General Motors in der Fahrzeugfertigung eingesetzt. In den Folgejahren wurden industrielle Roboter stets weiter entwickelt und konnten aufgrund ihrer sensorischen Fähigkeiten bereits in den 1980er Jahren verschiedene Schrauben erkennen und se- lektierte Exemplare aus einem Sortiment auswählen.57
Bei dem Teilgebiet der Robotik sprechen wir von dem anspruchsvollsten Gebiet in der KI. Ein Ro- boter soll in der Lage sein, Bilder zu erkennen, Sprache zu verstehen und eigenständige Vor- gehensweisen zu entwickeln.58 Die Roboter sollen Fähigkeiten besitzen, die den Menschen gewisse Funktionen bzw. Arbeiten abnehmen oder sogar menschliche Funktionen nachahmen können.
Bei der Einrichtung von Roboterarbeitsplätzen in der Industrie ist es nicht das Ziel, den Menschen nachzuahmen, sondern eine Optimierung von Funktionen stattfinden zu lassen, um die Arbeit für die Menschen zu erleichtern. In dieser Funktion hat eine menschliche Gestalt keine Priorität. In der Industrie werden Roboter mit vielen Achsen, Rollen, Greifarmen und Sensoren ausgestattet.59 Es gibt eine Unterscheidung zwischen intelligenten und nicht intelligenten Robotern. Die ursprüng- lichen Industrieroboter wiesen häufig keine oder nur eine geringe eigene Intelligenz auf. Hier wur- den starre, programmgesteuerte Handhabungsautomaten eingesetzt, bei denen die einzelnen Be- wegungen genauestens vorher festgesetzt wurden. Sie werden hauptsächlich in der industriellen Fertigung wie der Automobilindustrie eingesetzt, wo Roboter festgelegte Tätigkeiten wie das La- ckieren ausführen. Die Entwicklung geht jedoch auch in die Richtung, den Industrierobotern eine eigene Intelligenz zu verpassen - als Beispiel sei der Roboter Freddy genannt, der ein hölzernes Spielzeugauto wieder zusammenbaute, soweit man es vor seinem Roboterauge vorher in Einzel- teile zerlegte. Freddy brauchte für die Ausführung zwar deutlich länger als ein Kind, hat die Aufga- be jedoch erfolgreich gelöst.60 Intelligente Roboter sind mit Effektoren ausgestattet, wie bspw. Rä- der, Gelenke oder Greifarme, die um die eigene Achse rotieren und teleskopisch ausgefahren wer- den können.61 Effektoren verfolgen den Zweck, die physische Einwirkung auf die Umgebung zu gewährleisten. Darüberhinaus sind Roboter mit Sensoren wie Kameras oder Laser ausgestattet, mit denen sie auf die Umgebungsbedingungen reagieren können, so dass eine wesentlich höhere Flexibilität gegeben ist.62
Roboter können in eine von drei Hauptkategorien eingeteilt werden:
- Manipulatoren
- Mobile Roboterarbeit
- Humanoide Roboterarbeit
Manipulatoren sind physisch fest an ihrem Arbeitsplatz verankert, wie bspw. an einem Fließband. In der Industrie werden in der Regel Manipulatoren eingesetzt - man spricht von einer weltweiten Installation von ca. eine Millionen Einheiten, die bspw. in der Medizin oder Automobilbranche zum Einsatz kommen.
Mobile Roboter können sich aufgrund von Rädern, Beinen oder ähnlichen Mechanismen bewegen und werden häufig als unbemannte Landfahrzeuge oder autonome Unterwasserfahrzeuge einge- setzt.
Der dritte Robotertyp kombiniert Mobilität und Manipulation. Bei den humanoiden Robotern ist der menschliche Körper das Vorbild.63 Es werden hohe Ansprüche an diese Spezie gestellt: Sie sollen sich ähnlich einem Menschen bewegen, menschenähnlich kommunizieren und die Intelligenz eines Menschen aufweisen. Besonders an den Eigenschaften der Kommunikation und Intelligenz kann man erkennen, dass ein Mensch den humanoiden Roboter intuitiv in das Leben integrieren möchte und daher menschliche, kognitive Fähigkeiten in ihn hineinprojiziert.64
Ein Roboter muss die Tätigkeiten, die er ausführen soll, lernen. Je mehr ihm einprogrammiert wird, desto unflexibler wird er in der Ausführung. Ein festgeschraubter Industrieroboter muss die Welt nicht wahrnehmen. Je freier und flexibler ein Roboter unterwegs sein soll, desto wichtiger ist die Fähigkeit des Wahrnehmens oder Analysebildung. Des weiteren werden die Forscher im Bereich der Handlungsplanung vor eine große Herausforderung gestellt. Für die Steuerung des Körpers wird eine Entscheidungsfähigkeit vorausgesetzt. Für Menschen stellt dies keine Herausforderung dar - wir entscheiden intuitiv. Ein Roboter muss abwägen, entscheiden, beobachten, planen und seinen Körper entsprechend bewegen - dieses Vorgehen ist in der realen Welt sehr schwierig.65 Roboter lernen auf unterschiedliche Art und Weise, häufig in Form von Deep Learning Methoden in Verbindung mit der Erstellung neuronaler Netze. Mithilfe der künstlichen neuronalen Netze (KNN) kann der Roboter trainieren und den Vorgang erlernen. Bei einer anderen Technik werden dem Roboter die Abläufe gezeigt - der Roboter wird an die Hand genommen und die zu erlernenden Fähigkeiten vor Auge geführt. Er zerlegt diese Abläufe in kleine Teile und lernt die Reihenfolge und deren Zusammensetzung. Eine weitere Form des Lernens ist das Zeigen von menschlichen Bewe- gungen in einer virtuellen Realität. Hier verfügt der Roboter über ein künstliches neuronales Netz zur Objekterkennung sowie ein sogenanntes Imitationsnetzwerk, welches die Handlungen von Menschen beobachtet und ihr Ziel ausmacht. Das erlernte Wissen lässt sich infolgedessen auf an- dere, vergleichbare Fälle anwenden.66 Die Menschen wünschen sich für die Zukunft, dass ein hu- manoider Roboter in der Lage ist, mit dem Menschen zusammenzuleben sowie einer gemeinsa- men Tätigkeit nachzugehen. Um die Angst vor dem Neuen zu nehmen, sind die humanoiden Ro- boter dem Menschen optisch sehr ähnlich. Dabei steht an oberster Stelle, dass der Roboter dem Menschen keinen Schaden zufügt oder die Umgebung beschädigt.67
Die menschliche Intelligenz zeichnet sich dadurch aus, Probleme ganz unterschiedlicher Art lösen zu können. Zuerst startete man mit spezialisierten Problemlösungssystemen, die menschliche In- telligenz in Computern nachzubilden. Im nächsten Schritt wurden Systeme eingesetzt, die auf ein breiteres Themenspektrum ausgelegt waren. Das wichtigste Programmelement war ein Suchalgo- rithmus und die Formulierung als Suchprozess - entweder wird nach einer oder mehreren mögli- chen Lösungen gesucht oder nach der besten Verfügbaren. Wenn ein künstliches System eine sol- che Suche vornehmen soll, muss vorher festgelegt werden, in welchem Zustand die Suche gestar- tet, bei welchem die Suche beendet - somit eine Lösung gefunden wurde - und welche Schritte auf diesem Weg zu dieser Lösung unternommen werden müssen. Es ist von Vorteil, wenn das System in der Lage ist, zu erkennen, ob es sich dem Sollzustand annähert oder ggf. entfernt. Eine Lösung muss erst einmal verfügbar sein, um nach der Bestmöglichen zu suchen. Hier werden vom System mehrere mögliche Lösungen erzeugt und in einem Suchbaum angeordnet. Nun kann man intelli- gent oder weniger intelligent suchen. Die weniger kluge Art wäre ein planloses Umherlaufen, so dass man nach kurzer Zeit vergessen hat, wo bereits nachgeschaut wurde und wo noch nicht. Hier ist eine systematische Vorgehensweise deutlich sinnvoller.
[...]
1 Vgl. Russel/Norvig 2012, S. 22
2 vgl. Mehl 2013, S.99
3 Russell/Norvig 2012, S. 22
4 Vgl. Russell/Norvig 2012, S. 22
5 Vgl. Kaplan 2017, S. 42
6 Vgl. Schwuchow/ Gutmann 2017, S.14
7 Vgl. Görz/ Schneeberger 2003, S. 1
8 Vgl. Günther 2016, S. 23
9 Vgl. Görz/Schneeberger 2003, S. 2
10 Vgl. Sesink 2012, S. 3
11 Vgl. Sesink 2012, S. 3
12 Vgl. Günther 2016, S. 23
13 Partridge 1991, S. 1
14 Vgl. Lämmel/Cleve 2012, S. 13
15 Vgl. Dresler 2009, S.38
16 Vgl. Lämmel/Cleve 2012, S. 13
17 Vgl. Wedl, J. (2012): Nach dem Motto: «Verstehen durch Nachbauen»
18 Vgl. Günther 2016, S. 24
19 Vgl. Lämmel/Cleve 2012, S. 13
20 Vgl. Kurbel 2013, S. 5/6
21 Vgl. Lämmel/Cleve 2012, S. 13
22 Vgl. Lämmel/Cleve 2012, S. 13/14
23 Vgl. Günther 2016, S. 25
24 Vgl. Mainzer 2016, S. 11
25 Vgl. Görz/Nebel 2015, S. 3
26 Vgl. Russell/Norivg 2012, S. 1177
27 Vgl. Görz/Nebel 2015, S. 3
28 Vgl. Görz/Schneeberger 2003, S. 5
29 Vgl. Kurbel 2013. S. 3
30 Vgl. Russell/Norvig 2012, S. 46
31 Vgl. Mainzer 2016, S. 12
32 Vgl. Mainzer 2016, S. 13
33 Vgl. Kaplan 2017, S. 43
34 Vgl. Gentsch 2017, S. 27/28
35 Vgl. Gentsch 2017, S. 28
36 Vgl. Ertel 2016, S. 10
37 Vgl. Kaplan 2017, S. 57
38 Vgl. Kaplan 2017, S. 49
39 Vgl. Lämmel/Cleve 2012, S. 16
40 Vgl. Lenzen 2018, S. 24
41 Vgl. Gentsch 2017, S. 28/29
42 Vgl. Kurbel 2013, S. 6
43 Vgl. Pfister/Kaufmann 2017, S. 21
44 Vgl. Russell/Norvig 2012, S. 39
45 Vgl. Pfister/Kaufmann 2017, S. 21
46 Vgl. Kaplan 2017, S. 88/89
47 Vgl. Kaplan 2017, S. 89
48 Vgl. Mainzer 2016, S. 44
49 Vgl. Mainzer 2016, 13
50 Vgl. Mammitzsch 2018, S. 33
51 Vgl. Mainzer 2016, S. 45
52 Vgl. Lunze 2016, S. 75
53 Vgl. Mainzer 2016, S. 45/46
54 Vgl. Mammitzsch 2018, S. 54
55 Vgl. Kaplan 2017, S. 77/78
56 Vgl. Lenzen 2018, S. 80/81
57 Vgl. o.V. (2010): Was Roboter alles können
58 Vgl. Gottlob/Dorn 1999, S. 977
59 Vgl. Kurbel 2013, S. 11
60 Vgl. Kurbel 2013, S. 11
61 Vgl. Kurbel 2013, S. 12
62 Vgl. Russell/Norvig 2012, S. 1120
63 Vgl. Russell/Norvig 2012, S. 1121
64 Vgl. Burghart, C. et al. (2007): Kognitive Architekturen für humanoide Roboter: Anforderungen, Überblick und Vergleich
65 Vgl. Lenzen 2018, S. 87/88
66 Vgl. Lenzen 2018, S. 88-90
67 Vgl. Mainzer 2016, S. 142
