Ein Streifzug durch die Geschichte der KI seit 1992

Als ich 1992 mein Ingenieurstudium im Fachgebiet “Artificial Intelligence and Advanced Programming" absolvierte, hatten von 300 Studenten nur vier diese Ausrichtung gewählt. Das war zu einer Zeit, als sich die Entwicklung von KI noch mit angezogener Handbremse vorwärtsbewegte – es wurde viel darüber geredet und spekuliert, aber nichts von den großartigen Versprechungen der 1960er Jahre war bis dato eingetroffen. 

Alles begann mit einem Pacman-Klon

Mein erster Auftrag bestand darin, mit Advanced Programming einen Pacman-Klon namens Conny zu entwickeln, der von KI-programmierten Monstern gejagt wurde. Die darauffolgenden Jahrzehnte meines Lebens verbrachte ich damit, Business Applications mit den Verfahren der Wissensrepräsentation zu entwickeln. Das Ziel war es, eine Geschäftslogik, die von den Unternehmen mit domänenspezifischen Sprachen definiert wurde, viel einfacher darzustellen und auszuführen. Technisch gesehen war dieses Verfahren bereits ein Teilbereich Künstlicher Intelligenz (Expertensysteme, Rule Engines mit Vorwärtsverkettung und operatives Entscheidungsmanagement). 2018 begann ich mich für Machine Learning zu interessieren – das KI-Thema, von dem damals jeder schwärmte. Ich wollte unbedingt verstehen, warum alle so verrückt danach waren und warum man jetzt anfing zu glauben, dass die sogenannte Artificial General Intelligence (AGI) – also die Replikation einer Intelligenz auf menschlichem Niveau – endlich in greifbare Nähe rücken würden. 

Ich kam zu Rapidminer – eine der führenden Plattformen für Datenwissenschaftler –, um im „Herz der Revolution“ dabei zu sein. Dort wurde mir klar, dass sich die Methoden seit meinem Kurs über maschinelles Lernen im Jahr 1991 kaum verändert hatten. Die Grundidee war immer noch, Muster in gesammelten Daten zu erkennen und diese dann zu nutzen, um Vorhersagen über andere Daten und/oder zukünftige Ereignisse zu treffen – und zu hoffen, dass diese zutreffen. Entscheidend war nun, dass enorme Datenmengen gesammelt werden konnten und dass die sehr rechenintensiven genetischen und neuronalen Netzalgorithmen (die Jahrzehnte zuvor erfunden worden waren) endlich in angemessener Zeit ausgeführt werden konnten. Als ich anfing nach Ansätzen zu suchen, die irgendwie nach Artificial General Intelligence aussahen, war nichts anderes zu finden als Watson (das bei Jeopardy gewinnen konnte), Siri (die den Satz "Erzähl mir einen Witz" verstehen konnte) und DeepMind (das fast jeden Menschen im Spiel Starcraft schlagen konnte). Keine Frage: All das waren für die jeweils vorgesehenen Zwecke wirklich nützliche KI-Anwendungen. Aber keine von ihnen hätte jemals für eine General Intelligence à la JARVIS/SkyNet gebraucht werden können. 

Damals war ich erst mal beruhigt, dass eine AGI die Menschheit nicht in absehbarer Zeit würde übernehmen können. Gleichzeitig war ich ziemlich überrascht von den Fähigkeiten des Machine Learning und den erstaunlichen Möglichkeiten, die sich daraus ergaben. Im Grunde genommen konnten die meisten Business Applications, die ich 20 Jahre lang entwickelt hatte – unter Verwendung von Wissensdarstellungen und expliziten Business-Regeln zur Erstellung von Entscheidungsbäumen, Nachschlagewerken und Entscheidungstabellen – ohne Weiteres durch ein intelligentes Machine-Learning-Modell ersetzt werden. Es war nur eine ausreichende Datenhistorie notwendig, um auf deren Grundlage gute Entscheidungen zu treffen und Prognosen zu erstellen. Enttäuschend war allerdings, dass alle anderen Probleme immer noch dieselben waren: 

1. Wie kann die Darstellung von Informationen in den Computersystemen so abgebildet werden, dass sie der täglichen Informationsverarbeitung durch die Mitarbeiter:innen im Unternehmen entspricht?
2. Wie lassen sich Entscheidungssysteme in Geschäfts- und IT-Prozesse so integrieren, dass sie nach wie vor von Menschen überwacht und überprüft werden können?  
3. Wie kann man Prognosen treffen, die mehr können als nur die Zukunft vorhersagen, ohne diese zu beeinflussen? 

Die Lösung dieser Probleme war der Schlüssel zum Erfolg für KI- und Datenforschungsprojekte. Allerdings brachte die gelungene Ausführung neue Herausforderungen für KI-basierte Entscheidungsfindung auf der Grundlage von Machine Learning mit sich: die Notwendigkeit von Data Science Skills, um das richtige Modelltraining durchzuführendie Notwendigkeit von Data Engineering, um die riesigen Datenmengen zu extrahieren, umzuwandeln und zu managen, und nicht zuletzt die Sicherstellung, dass man überhaupt die richtigen Daten verwaltet (was ein überraschend weitverbreitetes Problem war). 

Ich habe gesehen, wie viele Machine-Learning-Projekte gescheitert sind, weil sie diese Probleme nicht bewältigen konnten. Offensichtlich dachten die meisten Unternehmen, maschinelles Lernen sei so eine Art Zauberkunststück: Man sammelt so viele Daten wie möglich, speist sie in ein AutoML-System ein und – voilà! – die Geschäftsprobleme sind gelöst. Manchmal gelang es zwar tatsächlich, einen Teil dieser Probleme zu lösen, aber die verbleibenden ein oder zwei reichten aus, um das gesamte Projekt zum Scheitern zu bringen. 

Im darauffolgenden Jahr versuchte ich, Aufgaben im Bereich Umwelt, Gesundheit und Sicherheit ohne den Einsatz von KI oder Advanced Programming zu lösen. Aber ich war noch immer fasziniert vom maschinellen Lernen und all die neuen, ausgefallenen Advanced-Programming-Techniken, die in den letzten 30 Jahren entstanden waren, gingen mir einfach nicht mehr aus dem Kopf. Mir wurde klar, dass ich mich wieder mit KI und Advanced Programming beschäftigen und die Technologien für Unternehmen nutzbar machen wollte. 

Genau zu diesem Zeitpunkt lernte ich Fabian Rang und Thorsten Heilig kennen, die ein Konzept entwickelt hatten, das all diese Probleme aus dem Weg räumte, um endlich eine KI-gestützte Entscheidungsfindung zu ermöglichen. Wir diskutierten darüber und mein erstes Gefühl war: "Das könnte funktionieren." Kurz darauf tat ich mich mit den beiden zusammen und half ihnen beim Aufbau von paretos. Heute, etwas mehr als ein Jahr später, kann ich sagen, dass meine Entscheidung, bei paretos einzusteigen, genau die richtige war. Es war goldrichtig, meinem ersten Gefühl zu vertrauen!