Doch was ist eigentlich Künstliche Intelligenz?
Es gibt eine inflationäre Anzahl und Vielfalt von verschiedenen Definitionen um KI. Diese reichen von „Eine Maschine verhält sich wie ein Mensch.“, über „Eine Maschine denkt wie ein Mensch.“ Und „Eine Maschine denkt rational.“ bis hin zu „Eine Maschine verhält sich rational“. Dabei ist deutlich festzustellen, dass es zwei unterschiedliche Ausprägungen gibt – die schwache KI, die sich mit einzelnen Fähigkeiten, die ein Mensch ausführen kann, befasst, und die starke KI, die eine Maschine bezeichnet, welche im Stande ist alles zu machen, was auch ein Mensch kann. Die starke KI ist bisher noch nicht realistisch greifbar und besteht nur auf theoretischer Ebene. Somit umfasst die KI Methoden, die sich damit beschäftigen, menschliches Verhalten einer Maschine zu ermöglichen.
Um dies zu erreichen, spielt das Machine Learning (ML) eine wichtige Rolle, welches ein Teilgebiet der KI ist und es den Maschinen ermöglicht, auf eine effiziente Art und Weise durch Algorithmen und Daten selbst zu lernen. Hierbei unterscheidet man in die drei Analysemethoden – deskriptiv, prädiktiv und präskriptiv – und in drei verschiedene Paradigmen– Supervised Learning, Unsupervised Learning und Reinforcement Learning. Da die Begriffe KI und ML oft austauschbar benutzt werden, abhängig vom Hintergrund der jeweiligen Person, ist ein weiterer Themenbereich, ein Teilbereich des ML, einzubringen – das Deep Learning (DL). Dieses beschreibt die Lösung von Aufgaben mittels sogenannter neuronaler Netzwerke.
So lässt sich feststellen, dass die drei Begriffe – KI, ML und DL – hierarchisch und logisch aufeinander aufbauen.
Abbildung 1: Logische Einordnung KI, ML und DL, angelehnt an
(Goodfellow, et al., 2016) (Chui, et al., 2018)
Insbesondere die Techniken des Deep Learnings erzielten in den letzten Jahren öffentlichkeitswirksame Durchbrüche, etwa in der Spracherkennung, dem Erkennen von Objekten und ihren Zuständen in Bild oder Video-Material (Krebserkennung!) und viele mehr. Das wahre Potential der Algorithmen im Bereich der KI ist jedoch noch nicht vollkommen genutzt. Das liegt einerseits am großen Potential dieses gigantischen Themenfeldes, es ist schlicht noch nicht erschlossen. Auf der anderen Seite setzen fortgeschrittene Techniken im Deep Learning potentere Hardware im Vergleich zu „klassischen“ Modellen voraus. Der fast komplett flächendeckende Einsatz von Open Source Software hilft enorm, die Nutzbarkeit dieser Technologien weiter voran zu treiben und dadurch auch für Firmen effizientere und stabilere Lösungen zu finden, als sie bereits existieren.
Open Source im Kontext Künstliche Intelligenz
Open Source Software ermöglicht es Personen jeglichen Hintergrunds, den Quellcode dieser Software einzusehen, ihn zu kopieren, modifizieren und weiter zu verteilen, auf Basis einer bestimmten Open Source Lizenz. Die bereits erwähnte globale Open Source Community stellt ihre Lösungen der Allgemeinheit auf Plattformen wie GitHub zur Verfügung und schafft somit eine kollaborative Basis, um gemeinsam und vor allem zeiteffizient an innovativen Lösungen zu arbeiten. Denn es geht nicht darum das Rad stetig neu zu erfinden, sondern mit der Zeit zu gehen und wettbewerbsfähig zu bleiben. Genau dieser Punkt bestätigt, dass Open Source für Unternehmen jeglicher Größe viele Chancen bietet, die es zu nutzen gilt.
Der Telekom Data Intelligence Hub als Enabler
Der Telekom Data Intelligence Hub bietet neben dem Datenmarktplatz mit seiner angeschlossenen KI-Werkstatt die wichtigsten Open Source Lösungen auf einer Plattform, ermöglicht einfachen Zugriff mittels der Environments Jupyter Notebook und R Studio und profitiert von der innovativen Entwicklung der Open Source Community, um stets die wichtigsten State-of-the-Art OSS zur Verfügung zu stellen. Im Zuge einer Expertenumfrage wurden die folgenden OSS als die wichtigsten und vor allem effizientesten Lösungen im Bereich der KI gewählt und gerankt.
| Rang | OSS |
| 1 | Scikit-Learn |
| 2 | Pandas |
| 3 | TensorFlow |
| 4 | Jupyter Notebook |
| 5 | Keras |
| 5 | NumPy |
| 6 | R Studio |
| 7 | H2O |
| 8 | XG Boost |
| 9 | Matplotlib |
| 10 | Spark |
| 11 | Plotly |
| 11 | data.table |
Abbildung 2: Ranking der Open Source Software für Künstliche Intelligenz
(Wilhelm & Fabian, 2018)
Genau diese Lösungen werden durch den Data Intelligence Hub einfach zur Verfügung gestellt, ohne, dass man die verschiedenen OSS einzeln implementieren muss – alles auf einer Plattform, schnell zu benutzen und immer die aktuellste Version, um als Unternehmen innovativ und wettbewerbsfähig zu bleiben.
Quellen:
- Goodfellow, I., Bengio, Y. & Courville, A., 2016. Deep Learning. Cambridge, MA: The MIT Press.
- Chui, M., Kamalnath, V. & McCarthy, B., 2018. An executive’s guide to AI. [Online]
Available at: https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/an-executives-guide-to-ai - Wilhelm, Anica Marie, Fabian, Ben, 2018. Open Source Software für Künstliche Intelligenz – Ein State-of-the-Art Review unter Anwendung einer Systematischen Mapping Studie. Hochschule für Telekommunikation Leipzig.
