Ist das schon Künstliche Intelligenz?

Die Meldungen über den Einsatz von Künstlicher Intelligenz und dessen Potenzial haben sich im Jahr 2018 überschlagen. Allerdings muss man kritisch bleiben bezüglich des Begriffes: Handelt es sich wirklich immer um künstliche Intelligenz? Denn in vielen Fällen wird der Begriff fälschlicherweise für Lösungen verwendet, die eigentlich der Kategorie «Automatisierung» zugeschrieben werden müssen.

Unterschied zwischen Automatisierung und Intelligenz
(1)   Intelligenz

Der Begriff «Intelligenz» hat bis heute noch keine einheitliche Definition, allerdings gibt es in der Psychologie verschiedene Ansätze. Der Beginn der Forschung zur Intelligenzmessung wird Francis Galton zugeschrieben: Er verstand Intelligenz als eine allgemeine kognitive Fähigkeit, von der das Lösen von Denkaufgaben abhängt.[1] Auf Grundlage von Galtons Forschungen entwickelte Alfred Binet den ersten Intelligenztest. Binet ging, anders als Galton, jedoch von mehreren separaten Fähigkeiten aus, die miteinander kombiniert die Intelligenz eines Individuums bestimmen.[2]

Den Grundstein für die Erforschung der Struktur der Intelligenz legte wohl Charles Spearman im Jahr 1904. Er führte das Generalfaktormodell ein, in welchem er die Ansätze von Galton und Binet kombinierte und Intelligenz als Ergebnis mehrerer voneinander abhängiger Faktoren betrachtete. Dies ist zum einen der Generalfaktor (sog. g-Faktor), der eine allgemeine, alle kognitiven Bereiche beeinflussende Intelligenz misst. Dieser zentrale Faktor wird von mehreren spezifischen Faktoren ergänzt, welche Leistungen bei speziellen Aufgabenstellungen beeinflussen können. Ein Beispiel für solch einen spezifischen Faktor ist die Geschwindigkeit bei der Verarbeitung von Informationen. Somit begründete Spearman die faktoranalytischen Strukturmodelle zur Beschreibung von Intelligenz.[3]

Diesen Ansatz übernahm sein Schüler, der britisch-amerikanische Persönlichkeitspsychologe Raymond Bernard Cattell 1971 in seiner «Zweikomponententheorie der Intelligenz». Hierin unterscheidet Cattell zwischen fluider und kristalliner Intelligenz: Während die genetisch bedingte «fluide Intelligenz» das Schlussfolgern, Problemlösen und das Orientieren in Situationen beeinflusst, kann die «kristalline Intelligenz» angeeignet werden. Dazu zählen generell das Wissen eines Individuums, sein Wortschatz sowie Erfahrungen, aufgrund derer Probleme gelöst werden können. Kurz gesagt: Individuen können sich Wissen aneignen, aber die Fähigkeit, es anzuwenden, ist nicht jedem Individuum gleichermassen gegeben.[4]

Der Harvard-Professor für Kognition und Pädagogik Howard Gardner erweiterte das Modell in den 1980er Jahren in seiner «Theorie der multiplen Intelligenzen».[5] Er unterscheidet darin zwischen acht verschiedenen Intelligenzformen:

  • Sprachlich-linguistische Intelligenz
  • Logisch-mathematische Intelligenz
  • Musikalisch-rhythmische Intelligenz
  • Bildlich-räumliche Intelligenz
  • Naturalistische Intelligenz
  • Interpersonale Intelligenz
  • Intrapersonelle Intelligenz

Gardners Theorie stellt allerdings vielmehr auf die Persönlichkeitsmerkmale eines Menschen ab als auf die Formen der Intelligenz. Diese Merkmale wiederum lassen nur in Kombination miteinander auf die Intelligenz eines Menschen schliessen.

Intelligenzmodelle gibt es viele. Gemeinsam ist ihnen die Behandlung von Intelligenz als eine (oder mehrere) Fähigkeit(en), die es dem Menschen ermöglichen, durch Denken Probleme zu lösen und sich in unbekannten Situationen zurechtzufinden. Ein Konsens über die einzelnen Fähigkeiten und ihre Beziehung zueinander ist allerdings momentan nicht abzusehen.

(2)   Automatisierung

Gemäss des Deutschen Instituts für Normung e.V. ist Automatisierung in der DIN V 19233 «Leittechnik – Prozessautomatisierung – Automatisierung mit Prozessrechensystemen, Begriffe» definiert als «das Ausrüsten einer Einrichtung, so dass sie ganz oder teilweise ohne Mitwirkung des Menschen bestimmungsgemäß arbeitet.» Der Fokus der Definition liegt hierbei auf dem Wort bestimmungsgemäss, da ein Automatismus vorgegebenen Regeln und Mustern folgt. Ein gutes Beispiel hierfür sind die automatisierten Montageprozesse der Automobilindustrie. So baut bspw. ein Roboterarm ein Teil mit bestimmten Massen auf eine vorgegebene Art und Weise an einem bestimmten Punkt der Karosse ein – so oft oder lange wie vorgegeben.

Automatisierung kann jedoch nicht nur an physischen Produkten erklärt werden, sondern hat ebenso viele praktische Anwendungsfälle bei der Leistungserstellung von Services. So können z. B. FAQ-Chatbots vordefinierte Kundenanfragen beantworten, Berichte in ERP-Systemen auf einen Klick erstellt oder Abrechnungen automatisch genehmigt oder abgelehnt werden. Die zuvor genannten Beispiele eint, dass jeweils verschiedenartige Vorgaben bestimmt werden müssen, die zur zielgerichteten Leistungserstellung führen: FAQ-Chatbots werden bestimmte Fragen, Textbausteine und Antwortmöglichkeiten vorgegeben, ERP-Systemen muss man die entsprechenden Datenquellen und die Struktur des Berichtes vorgeben. Ebenso wenig kann die automatisierte Genehmigung einer Abrechnung ohne Wenn-Dann-Bedingungen und Schwellwerte erfolgen. Ein Automatismus ist somit noch lange nicht intelligent, er führt einen Prozess lediglich schneller, effizienter und fehlerfreier durch als ein Mensch.

Ab wann wird ein Automatismus intelligent?

Zunächst einmal muss klar sein, dass Intelligenz ein wesentlich komplexeres Konstrukt ist als Automatisierung – das zeigt sich allein schon anhand der verschiedenen Formen und wissenschaftlichen Modelle von Intelligenz. Ausgehend von der «Zweikomponententheorie der Intelligenz» von Cattell müsste einem System sowohl die kristalline als auch die fluide Intelligenz zugänglich gemacht werden. Im konkreten Beispiel des FAQ-Chatbots würde das bedeuten, dass sich dieser auf Grundlage verschiedener Datenquellen, vor allem natürlich auf Grundlage der ihm oder ihr gestellten Fragen, neues Wissen und neue Erkenntnisse über das Themengebiet oder verwandte Themengebiete aneignet (kristalline Intelligenz). Das kann bspw. durch Text Mining und Machine Learning erreicht werden.  Gleichzeitig muss dem System jedoch nicht nur Wissen, sondern auch das Schlussfolgern und Problemlösen beigebracht werden, damit der Chatbot individuell auf Situationen eingehen kann (fluide Intelligenz). Hierfür muss man das System unter anderem in die Lage versetzen, die Stimmung eines Gesprächs zu erfassen, Probleme sprachlich zu erkennen sowie logische Konsequenzen zu ziehen und Vorhersagen zu treffen. Wenn-Dann-Regeln und Schwellwerte reichen hier definitiv nicht aus. Vielmehr benötigt man Trainingsdaten zur Sentiment-Analyse und Lösung von Problemen sowie eine grosse und strukturierte Datenbasis für evidenzbasierte Entscheidungen. Somit kann man Automatismen grundlegende intelligente Features beibringen, die das System anschliessend im Rahmen des Gelernten auf ein grösseres Spektrum an Problemfällen anwenden kann. Allerdings würde es sich hierbei höchstens um ein intelligentes fachliches System handeln, von einer allgemeinen Intelligenz könnte noch keine Rede sein. Schliesslich ist das System nicht in der Lage, sich durch eigene «Motivation» gezielt Wissen zu erschliessen. Hierzu wäre wiederum der Mensch als Enabler gefragt.

Kurzum: Es ist ein langer und beschwerlicher Weg von automatisierten zu intelligenten Systemen und Prozessen, da eine Vielzahl von Disziplinen und Methoden miteinander verbunden werden müssen Die Psychologie ist nicht umsonst noch immer auf der Suche nach einer allumfassenden Definition für Intelligenz.

[1] Galton, F. (1869). Hereditary genius: An inquiry into its laws and consequences. London, Great Britain: Macmillan and Co.

[2] Binet, A. ; Henri, V. (1895). La psychologie individuelle. L’année psychologique, Vol. 2. S. 411-465.

[3] Spearman, C. (1904). “General intelligence” objectively determined and measured. The American Journal of Psychology, Vol. 15(2), S. 201-292.

[4] Cattell, R. B. (1971). Abilities: their structure, growth, and action. Oxford, England: Houghton Mifflin.

[5] Gardner, H. (1987). The theory of multiple intelligence. Annals of Dyslexia, Vol. 37, S. 19-35.

Christian Dietzmann

Christian ist Doktorand im CC Ecosystems mit Fokus auf dem Einsatz Künstlicher Intelligenz in Finanzinstituten. Die Leidenschaft für Finanzinnovationen packte ihn während seiner Tätigkeit für das Kompetenzzentrum (damals noch CC Sourcing) während des Bachelorstudiums. Nach dem Bachelor in Business Economics (B.Sc.) sammelte Christian Bankingerfahrung in der UniCredit-Gruppe und widmete sein Masterstudium in Management Sciences (M.Sc.) dem Schwerpunkt «Banken und Versicherungen». Seine empirische Masterarbeit verfasste er zum Thema «Bank Innovation and Bank Risk-Taking». Nach dem Masterabschluss arbeitete er als Management-IT Consultant und beriet Unternehmen der Finanz- und Energiebranche.
Christian Dietzmann

Kommentar verfassen