Das sind nicht die Droiden, die ihr sucht.
Woran denken Sie, wenn Sie jemand bittet, zu beschreiben, was künstliche Intelligenz ist?
Wahrscheinlich hat das Bild, das Ihnen sofort in den Sinn kommt, ein sehr menschliches Gesicht – das von Arnold Schwarzenegger (Terminator), Haley Joel Osment (A.I.) oder Brent Spiner (Star Trek). Die gängigste Vorstellung, die Menschen mit dem verwandten Begriff „maschinelles Lernen“ verbinden, hat meist kein Gesicht, erinnert aber vielleicht an das glühende rote Licht von HAL 9000 aus 2001 oder an die stets kalte Roboterlogik aus Ex Machina. Unser weitverbreitetes Verständnis dieses komplexen Themas verdanken wir größtenteils Hollywood und der Science-Fiction.
Und doch sind diese Fantasievorstellungen tatsächlich treffende Ausprägungen wissenschaftlicher Überlegungen zur Funktionsweise des menschlichen Gehirns. Vereinfacht ausgedrückt lässt sich künstliche Intelligenz als „einem Computer beizubringen, Aspekte menschlicher Intelligenz nachzuahmen“ definieren.
Der Schwerpunkt dieser Intelligenz – insbesondere ihr Zweck und ihre Funktionsweise – hilft uns, drei verschiedene Arten von KI zu definieren. Um zu verstehen, wie KI und Anwendungsdienste künftig zusammenarbeiten werden, müssen wir zunächst jede dieser KI-Arten näher betrachten.
Starke KI
Die Dinge, die wir auf der Kinoleinwand sehen – große, böse Cyborgs oder freundliche, blasse Androiden –, sind Beispiele für eine autonome, universell einsetzbare Intelligenz. Ihre Intelligenz dient keinem bestimmten Zweck, außer zu lernen und das Gelernte in weitere autonome Handlungen umzusetzen. Dabei handelt es sich um „starke“ Modelle künstlicher Intelligenz, und diese Art von KI gehört ausschließlich ins Reich der Science-Fiction. Sie existiert nicht.
Schwache KI
Neben der „starken“ KI gibt es eine einfachere, stärker spezialisierte Variante, die als „schwaches“ Modell künstlicher Intelligenz bezeichnet werden kann: Sie arbeitet autonom wie ein Androide aus einem Film, ist jedoch auf einen eng umrissenen Zweck beschränkt. Innerhalb ihres begrenzten Einsatzbereichs ist sie zu einfachen Anpassungs- und Lernprozessen fähig. Solche Systeme sind Experten für die Aufgaben, für die sie entwickelt wurden, können sich aber nicht selbstständig neue Fähigkeiten aneignen. Wir interagieren täglich mit ihnen und kennen sie beim Namen: Siri, Alexa, Google. Wir bitten sie, die Fenster unseres Autos hochzufahren oder einen gewissen Abstand zum vorausfahrenden Fahrzeug einzuhalten. Und obwohl wir ihnen Fragen zum Wetter stellen können, die sie wahrscheinlich beantworten können, werden sie uns wohl kaum so weise Ratschläge zu unseren Beziehungen geben wie Lieutenant Commander Data.
Assistive KI
Die dritte – und häufigste – Art von KI ist nicht immer sofort erkennbar. Wir würden sie nicht unbedingt beim Namen nennen, interagieren aber täglich mit Systemen, die diese Technologie enthalten. Bei diesen Systemen handelt es sich um sogenannte Augmentationsmodelle der künstlichen Intelligenz. Sie unterstützen die menschliche Intelligenz bei spezialisierten Aufgaben, indem sie dazu beitragen, unsere Denkprozesse effizienter und fundierter zu gestalten. Sie sind fast immer hoch spezialisiert: Sie analysieren dunkle Stellen auf Röntgenbildern und weisen Fachkräfte darauf hin, dass diese möglicherweise von Bedeutung sind, oder vergleichen in schneller Folge Produkte, die vom Fließband kommen, um Qualitätsmängel zu erkennen, lange bevor das menschliche Gehirn darauf reagieren könnte.
Assistive KI und Anwendungsdienste
Assistive KI bildet die Grundlage für die dritte Phase der digitalen Transformation: „KI-gestützte Geschäftsprozesse“. Diese KI nutzt die von der nächsten Generation von Anwendungsdiensten erfassten Telemetriedaten und unterstützt Unternehmen, indem sie ihnen die Mittel an die Hand gibt, technologisch bedingte geschäftliche Herausforderungen zu lösen. Dabei kann es sich um etwas so Einfaches wie die Erkennung von Leistungsproblemen handeln, die zu niedrigeren Kundenkonversionsraten führen, oder um etwas so Komplexes wie die Identifizierung legitimer Kunden, die Schwierigkeiten mit einem digitalisierten Geschäftsprozess haben. Beides erfordert umfangreiche Datensätze, die den gesamten Datenpfad abdecken. Beide Arten von Zusammenhängen lassen sich nur mithilfe fortschrittlicher, KI-gestützter Analysen schnell erkennen.
Um solche zukünftigen Funktionen zu ermöglichen, haben wir unsere eigene digitale Transformation in Angriff genommen. Dabei konzentrieren wir uns darauf, die Anwendungsdienste über den gesamten Datenpfad vom Code bis zum Kunden hinweg auszubauen. Diese Vision führte zur Übernahme von NGINX und vor Kurzem auch von Shape Security. Beide Unternehmen bieten einzigartige Lösungen und Anwendungsdienste, die eine wesentliche Grundlage für die Zukunft der Anwendungsbereitstellung und für die Entwicklung einer unterstützenden KI bilden, die das digitale Geschäft der Zukunft vorantreiben wird.
Über den Autor
Ähnliche Blogbeiträge
Ein umfassender Leitfaden zur Bereitstellung und Sicherheit von KI-Anwendungen
Entdecken Sie optimale Strategien für die Absicherung und Bereitstellung von KI-Anwendungen.
KI zulassen und einführen? Lehren aus der Public Cloud
Die Einführung von KI steht unmittelbar bevor und könnte entscheidend sein, um wettbewerbsfähig zu bleiben. Daher muss die IT-Sicherheit proaktiv handeln und der KI-Einführung schon jetzt einen Schritt voraus sein, um sie auf einen risikogerechten Weg zu lenken.
Stand der Anwendungsstrategie 2022: Zeit für die Modernisierung des Betriebs
Es ist deutlich geworden, dass Unternehmen ihren Fokus erneut auf die Geschäftsfunktionen richten müssen, um die Dynamik ihrer digitalen Transformation aufrechtzuerhalten. Kundenerlebnisse haben zwar weiterhin Priorität, doch auch Geschäftsfunktionen wie Recht, Personalwesen und Finanzen müssen digitalisiert werden. Das bedeutet, dass CIOs das Steuer übernehmen, während sich die digitale Transformation von der Modernisierung von Anwendungen hin zur Modernisierung von Betriebsabläufen verlagert.
F5s Weg zu einer vielseitigen Plattform für Anwendungsanalysen
F5 bietet heute die umfassendsten Anwendungsdienste entlang des gesamten Weges vom Code bis zum Kunden. Künftig werden wir verstärkt auf Anwendungstelemetrie und -analysen setzen, damit unsere Kunden wertvolle Erkenntnisse über ihre Anwendungen, Geschäftsabläufe und Benutzererlebnisse gewinnen können. Beim Ausbau unserer Cloud-Analysefunktionen werden wir ML und KI noch stärker nutzen, um unsere Kunden bei der Verbesserung ihrer Geschäftsdienste zu unterstützen.
Telemetrie: Eine andere Art von Daten
Verwenden wir den Begriff „Telemetrie“ nur, weil er attraktiver klingt als „Daten“? Letztlich sind sowohl Daten als auch Telemetrie strukturierte Informationseinheiten. Es ist kein Verbrechen, die Begriffe synonym zu verwenden. Doch wenn man es genau nimmt, gibt es einen Unterschied. Und dieser Unterschied wird immer wichtiger werden, je weiter Unternehmen in die Datenökonomie vordringen.
MTTR bedeutet nicht „Mean Time to Reboot“
„Schnell scheitern“ lautet heute das Mantra für mehr Geschwindigkeit. Ob in DevOps oder im Geschäftsleben: Wer in einer digitalen Wirtschaft agiert, muss eine möglichst perfekte Verfügbarkeit gewährleisten.