Welches Studium passt zu mir? Sehen Sie auf einen Blick, welche Studiengänge für Sie in Frage kommen

Künstliche Intelligenz: Gefahr oder Chance?

Derzeit beschäftigt sich sowohl die Fachwelt als auch die Öffentlichkeit verstärkt mit «künstlicher Intelligenz» (KI). Deren Potenzial für die Gesellschaft ist riesig (z.B. im Gesundheitswesen), andererseits hält nun jeder Mobiltelefonbenutzer mit Anwendungen wie der DeepFake App ein KI-Instrument in der Hand, mit dem er auch beträchtlichen Schaden anrichten kann.

Ein häufiges Missverständnis im Gespräch über KI entspringt der Unterscheidung zwischen schwacher und starker KI. Laien assoziieren mit «künstlicher Intelligenz» gerne die starke KI: Eine selbständig denkende, bewusste, aber künstlich erschaff ene Maschine.

Die schwache KI ist weniger spektakulär: Sie löst genau umrissene Aufgaben, beantwortet zum Beispiel Google-Suchanfragen. Um sich von den überhöhten Erwartungen, aber auch von Ängsten und Terminator-Assoziationen zu distanzieren, benutzen Forscher heute lieber den Begriff des maschinellen Lernens für diese Art der KI.

Sprachlich konsequent sind aber auch Forschende nicht: Wenn Maschinen «lernen» und «Vorhersagen machen», «neuronale Netze Sprache erkennen» können oder «autonom Auto fahren», wird die Maschine durch sprachliche Analogien vermenschlicht.

Dadurch ergeben sich bei Laien leicht Irrtümer wie zum Beispiel, dass maschinelles Lernen eine Form der Didaktik sei oder es sich bei künstlicher Intelligenz um Ausserirdische handle. Da selbst Forscher selten verstehen, was die Algorithmen lernen, bleiben komplexe KI-Systeme schwer fassbar.

Diese Missverständnisse stellen eine Gefahr für den technischen Fortschritt im Bereich der schwachen KI dar: Die Ängste vor einer starken KI könnten dazu führen, dass nützliche Anwendungen der schwachen KI oder des maschinellen Lernens auf gesellschaftlichen und politischen Widerstand stossen.

Es ist daher wichtig, dass in der Öffentlichkeit neben der Medien- und IT-Kompetenz auch die KI-Kompetenz breit diskutiert wird. Zu dieser gehört, dass maschinelles «Lernen» ganz nüchtern das Finden des Minimums einer Funktion ist. Wie jeder Bürger mit einem Mobiltelefon verantwortlich umgehen können muss, wird derzeit auch die Fähigkeit immer relevanter, die Ausprägungen und Anwendungen von künstlicher Intelligenz nüchtern betrachten und beurteilen zu können.

 

DR. BEAT TÖDTLI ist Physiker, Dozent und wissenschaftlicher Mitarbeiter am Laboratory for Web Science (LWS) an der FFHS. Er forscht auf den Gebieten des Machine Learning und Deep Learning und unterrichtet Datenanalyse und Machine Learning. In der Industrie hat er Sensordaten analysiert und Algorithmen zur Klassifi kation von Banknoten entwickelt.

FFHS-Magazin Cloud bestellen

Sie wünschen sich das Cloud auf Papier? Melden Sie sich einfach an und wir schicken Ihnen das nächste Heft per Post nach Hause.