Künstliche Intelligenz

KI-Systeme in deinem Leben gibt es nicht erst seit kurzem. Die meisten Menschen verwenden schon sehr viel länger KI-Systeme, als ihnen bewusst ist. Wie sieht es zum Beispiel mit der Werbung aus, die du in deinem News Feed vorgeschlagen bekommst? Gibt es diese Werbung erst seit kurzem oder schon seit du begonnen hast Social Media und das Internet zu nutzen? Ja, ganz richtig, die Werbung nervt uns schon länger als ein Jahr. Diese sogenannten Empfehlungssysteme oder aus dem Englischen „recommender systems“ begegnen uns in unserem Surfalltag immer und immer wieder. 

Empfehlungssyteme (engl. recommender systems) empfehlen uns nicht zufällig Dinge, die uns interessieren. Dahinter stecken Berechnungen algorithmischer Systeme. Aus Daten unseres Surfverhaltens oder unserer Social Media Aktivitäten werden Profile erstellt(„ Profiling“), um uns Webseiteninhalte, Suchmaschinenergebnisse oder Produkte vorzuschlagen. KI-Systeme werden nicht nur in der digitalen Welt, die wir privat nutzen, eingesetzt. Ebenso nutzen Unternehmen diese bereits häufig in der Personalplanung zum Bewerten und Reihen von Bewerbungen. Auch im Straßenverkehr verwenden Menschen KI-Systeme, um zum Beispiel die Zeitschaltung von Ampelsystemen zu planen. Auch die Forschung macht sich KI-Modelle zunutze und setzt sie zum Beispiel bei der Entwicklung neuer Medikamente ein.

Der Begriff „Künstliche Intelligenz“ wird sehr häufig verwendet, ohne klar zu sagen, um welche Technologie es genau geht. Dabei wird oft verschleiert, dass – wie alle Technologien – auch KI von Menschen entwickelt wird. KI-Systeme sind also von Menschen gemachte Technologien. 

Was noch? KI-Forschung umfasst ein großes Fachgebiet innerhalb der Informatik. Forschende beschäftigen sich in diesem Bereich mit der Automatisierung von dem, was wir Menschen unter intelligentem Verhalten verstehen. Wenn du dir in diesem Kapitel ansiehst, welche unterschiedlichen Technologien wir momentan unter dem Begriff KI zusammenfassen wird dir auch klarer, dass es sich zum Teil auch mehr um einen Marketingbegriff als eine technische Definition handelt. 

Um eine Technologie als KI zu benennen, braucht diese zwei weitere Eigenschaften. Zum einen braucht die Technologie Autonomie. Also ein gewisses Maß an Selbstständigkeit. Autonomie kann man auch beschreiben, als eine Fähigkeit von Technologie, die ohne dauerhaft von Menschen überwacht oder gesteuert zu werden komplexe Aufgaben erledigen kann. Dabei können wir zum Beispiel an selbstfahrende Autos denken. Eine zweite wichtige Eigenschaft, um eine Technologie als „intelligent“ zu beschreiben, ist die Anpassungsfähigkeit. Als anpassungsfähig gilt ein System, dem es möglich ist, aus Erfahrungen und neuen Daten zu „lernen“ und bessere Ergebnisse zu erzielen.

Eine Definition von Nils Nilsson, einem KI-Forscher an der Universität Stanford, lautet:

„Künstliche Intelligenz ist jene Aktivität, die sich dem intelligent machen von Maschinen widmet und Intelligenz ist jene Qualität, die es einer Entität ermöglicht in ihrer Umwelt angemessen und mit Voraussicht zu funktionieren.“

Definitionen von KI gibt es viele und sie bleiben weiterhin umstritten. Die Schwierigkeit zu definieren, was genau KI-Systeme sind, liegt unter anderem auch darin, dass die Beschreibung von dem, was „Intelligenz“ ist, sehr schwierig ist und nicht abschließend beantwortet werden kann.

Die Anfänge von KI im Sinne einer wissenschaftlichen Disziplin reichen noch viel weiter zurück. Sogar bis in die 1940-er Jahre! Warte … gab es da überhaupt schon Computer? In den 1940-er Jahren steckte die Entwicklung des Computers noch in den Kinderschuhen. Erinnern wir uns jetzt wieder an einen alten Bekannten aus Kapitel 4 zum Thema Digitale Verschlüsselung, der zu dieser Zeit gelebt und gewirkt hat ... Na??? ... Genau! Alan Turing! Die zahlreichen wissenschaftlichen Erfindungen von Alan Turing bescherten ihm den Titel „Gründervater der Informatik“. Seine Erfindungen waren für die technologische Entwicklung von KI-Systemen grundlegend und sind es bis heute.

Dazu zählt die nach ihm benannte Turing-Vollständigkeit (1936). Eine universelle Turingmaschine kann alle berechenbaren Funktionen berechnen. Ist also nicht von vornherein auf bestimmte Anwendungen und Rechenoperationen beschränkt. Unsere Computer sind solche Maschinen. Und schließlich der Turing-Test (1950), der bis heute Anwendung findet, um herauszufinden, ob eine Maschine intelligentes und damit menschliches Verhalten zeigt.

Der Begriff „Künstlichen Intelligenz“ kommt aus dem Jahr 1956. „Künstliche Intelligenz“ wurde zuerst von John McCarthy und anderen Forschern verwendet, um ihren Vorhaben einen gut klingenden und verkaufbaren Namen zu geben. In den folgenden Jahren gab es bedeutende Fortschritte, darunter die Entwicklung des Perzeptrons durch Frank Rosenblatt im Jahr 1958.

In den 1970-er Jahren gab es einige Rückschläge und Herausforderungen in der KI-Forschung. Es folgte der erste "KI-Winter". Es gab wenig Geld für Forschung und weniger Erfolge. In den 1980-er Jahren gab es Aufwind: Es entstanden bekannte Expertensysteme, [davon erfährst du später mehr]. Diese Systeme nutzen Regeln und Wissen von Expert:innen auf bestimmten Gebieten, um komplexe Probleme zu lösen.
 

In den späten 1980-er und frühen 1990-er Jahren folgte ein zweiter „KI-Winter“. Es gab überhöhte Erwartungen und nur unzureichende Fortschritte. 

Ab den späten 1990er Jahren erlebte die KI-Forschung einen neuen Aufschwung. Dieser war angetrieben durch Fortschritte in der Rechenleistung, Algorithmen und Datenverfügbarkeit. Aus dieser Zeit stammt die Entwicklung moderner maschineller Lernverfahren und tiefe neuronale Netze zur breiten Anwendung von KI-Technologien in verschiedenen Bereichen wie Bilderkennung, Sprachverarbeitung und autonomen Fahren.

Ein KI-System der spezifischen KI (engl.: Narrow AI) wir für eine bestimmte Aufgabe eingesetzt, also zum Ausführen einer bestimmte Tätigkeit genutzt. Könnte ein KI-System mehrere sehr unterschiedliche Aufgaben lösen, würde es als allgemeine KI (engl.: General AI) bezeichnet werden.

Eine weitere, synonyme Unterscheidung von künstlich-intelligenten Systemen ist die in schwache und starke KI (engl.: Weak and Strong AI werden als Synonyme zu Narrow und General AI verwendet). Ein KI-System wird als starke KI bezeichnet, wenn es wirklich „intelligent“ ist. Als schwache KI wird ein System bezeichnet, wenn es nur „intelligentes“ Verhalten aufweist – also für einzelne Aufgaben genutzt werden kann (z. B. Route planen, Text erstellen, Spiel gewinnen, Bild generieren). 

Spezifische KI oder schwache KI kann gleich verwendet werden. Alle KI-Systeme, die es bis heute gibt, fallen in diese Kategorie. Eine starke KI oder allgemeine KI (auf Englisch wird eben oft von AGI – Artificial General Intelligence gesprochen) könnte eigenständig denken, wie ein Mensch und verschiedene komplexe Aufgaben übernehmen und vollständig autonom „handeln“. Diese Art der KI-Systeme gibt es derzeit nicht. 

Forschende (unter anderem Psycholog:innen und Kognitionswissenschaftler:innen) versuchen seit langer Zeit anhand von Konzepten und Modellen das menschliche Erleben und Verhalten von Menschen abzubilden. Dazu gehört auch der Versuch, unser eigenes Bewusstsein zu entschlüsseln und verständlich abzubilden. Wissenschafter:innen sind inzwischen schon näher an dieses Ziel herangekommen, dennoch bilden aktuelle Konzepte und Modelle die Komplexität des menschlichen Bewusstseins bei weitem noch nicht komplett ab. Mithilfe von Methoden aus der Informatik wurde nun versucht, dieses Wissen rund um das Erleben und Verhalten von Menschen zu simulieren. Gleichzeitig simulieren Sie Bewusstsein „nur“ und haben keinerlei Zugang zu den Prozessen, die in uns Menschen natürlich ablaufen.

In Zukunft können KI-Systeme menschliches Bewusstsein immer besser nachahmen und uns immer besser davon überzeugen, dass diese Systeme gleich denken oder sogar fühlen könnten wie wir Menschen. Ihre Prozesse sind aber nur eine Simulation, eine Nachbildung des menschlichen Bewusstseins. Zum Beispiel kann ein Roboter uns davon überzeugen, traurig zu sein oder sich zu freuen. Wir Menschen schreiben Maschinen aber auch relativ schnell menschliche Eigenschaften zu, weil wir als soziale Wesen dazu neigen, Menschliches in der Außenwelt zu sehen. KI-Systeme können Wissen über die Umgebung haben, können Entscheidungen treffen und sensorische Inputs interpretieren. Das tun sie völlig anders als Menschen. Die Anatomie von einem menschlichen Auge und einer Kameraaufnahme sind genau so unterschiedlich wie deren weitere Verarbeitung.

Der größte Unterschied von Mensch und Maschine ist aber das fehlende Erleben in Maschinen. Bewusstseinszustände beim Menschen haben einen Erlebnisgehalt, und es ist nicht klar, wie das Gehirn Erleben produziert.

Stell dir vor, es ist Sommer, du bist im Garten und ein gefülltes Glas steht direkt vor dir auf dem Tisch. Wenn du das Glas vor dir siehst und es greifen möchtest, um zu trinken, werden Reize zum Gehirn geleitet, dort verarbeitet und schließlich kannst du mit deiner Hand das Glas greifen. Nichts aber macht es zwingend, dass du das Glas als kalt oder warm wahrnimmst und ein Erleben der Situation in dir erzeugt wird. Dieses subjektive Erleben hängt von unterschiedlichen Dingen ab. Zum Beispiel von äußeren Umständen regnet es oder scheint die Sonne. Genauso hängt es aber auch von eigenen Vorerfahrungen und deiner Stimmung ab. Dieses menschliche und einzigartige Erleben von Umwelt und Verhalten eines jeden Menschen ist noch nicht entschlüsselt. Nichts in der jetzigen Funktionsweise von KI-Systemen deutet auf eine Technologie hin, die auch nur ansatzweise menschliches Erleben erzeugen kann.

„Lass das doch einfach ChatGPT für dich erledigen!“. Ist das nicht die Antwort, die man momentan von allen Seiten zu hören bekommt, wenn man einen Text für die Schule schreiben muss oder ein Bewerbungsschreiben und auch wenn man selbst etwas programmieren möchte? Wenn du dann nicht Bescheid weißt und nachfragst: „Was ist denn ChatGPT?“ wirst du meistens die kurze Antwort bekommen „Künstliche Intelligenz“ mit der Hoffnung, dass keine weiteren Fragen kommen. Gut, dass du hier bei uns im E-Learning gelandet bist, denn danach musst du keine Angst mehr vor weiteren Nachfragen haben.

Mit ChatGPT von OpenAI ist die Beschreibung „Künstliche Intelligenz“ also in aller Munde. Aber nicht durch Zufall gab es im Bereich der KI in den letzten zehn Jahren so viele Fortschritte. Maßgeblich für die Weiterentwicklung künstlicher Intelligenz, wie wir sie heute haben, sind große Veränderungen in vor allem drei Bereichen:

Du erinnerst dich bestimmt aus dem ersten Kapitel Warum Datenschutz? Daran, dass das Geschäftsmodell vieler großer Unternehmen daraus besteht, mit deinen „Daten zu handeln“. Also Profile von Nutzer:innen weiterzuverkaufen, um zum Beispiel eine Vorhersage zu deinem Kaufverhalten zu treffen. Wie kann jetzt also diese Anhäufung an losen, unstrukturierten Daten Vorhersagen über zukünftiges Verhalten von Menschen berechnen? Oft gehen wir fälschlicherweise davon aus, dass ganz spezielle einzelne Datenpunkte extrem wichtig und wertvoll für Unternehmen sind. Das eigentliche Gold in den riesigen Datenhäufen liegt aber darin, diese riesigen Datenmengen möglichst so zu strukturieren und herunterzubrechen, dass sie immer bessere Vorhersagen über ein mögliches zukünftiges Ereignis treffen. Also zum Beispiel, was du höchstwahrscheinlich kaufen möchtest. Dabei kommt jetzt subsymbolische KI ins Spiel. 
 

Regelbasierte Systeme, wie wir sie gerade kennengelernt haben, sind sehr aufwendig und deswegen für die Lösung mancher Probleme wenig sinnvoll. Insbesondere mit sehr großen, unstrukturierten Datenmengen ist dieses Vorgehen nicht geeignet. Zusätzlich zu den Expertensystemen (symbolische KI) entwickelte sich also die Idee des Maschinellen Lernens (ML, eigentlich engl. Machine Learning). Ein häufiger Anwendungsfall der Methode des ML ist personalisierte Werbung. Das Ziel von Menschen, die ML einsetzen, ist es, in großen unstrukturierten Datenmengen Muster zu erkennen. Das gibt es inzwischen auch schon sehr lange. Personalisierte Werbung nervt uns ja auch nicht erst seit gestern. ML wird nach wie vor intensiv genutzt und ist in unser aller Leben sehr präsent – wenn wir genauer hinsehen. 

In der Zwischenzeit gab es erstaunliche Weiterentwicklungen in diesem Teilgebiet der KI. Es wurden künstliche neuronale Netze (KNNs) und Deep Learning (DL) (engl. für: „Tiefes Lernen“) von Expert:innen entwickelt und umgesetzt. Auch Large Language Models (LLM), die zum Beispiel ChatGPT, wie wir es kennen, erst möglich gemacht hat und andere Formen von KI, die zum Beispiel Bilder oder Videos erstellen können, sogenannte generative KI, wollen wir uns im nächsten Abschnitt genauer ansehen. 
 

Diese Methoden sind in unserem Alltag sehr häufig eingesetzt, auch wenn wir das oft gar nicht wissen. Die Weiterentwicklungen im Bereich Maschinelles Lernen, die nicht regelbasiert und nach Prinzipien der Logik funktionieren, wie neuronale Netze, Deep Learning oder LLM werden auch unter dem Begriff „subsymbolische oder nicht-symbolische Systeme“ zusammengefasst. Alles was als „neuronale KI“ bezeichnet wird, fällt hier hinein.

Wie finden Unternehmen mithilfe von Machine Learning jetzt also heraus, was mich vermutlich interessiert und was ich mit hoher Wahrscheinlichkeit kaufen möchte?
 

ML Systeme kommen nicht durch Magie und Zauber zu ihren Ergebnissen und die Systeme nutzen auch keine gläserne Kugel, um in die Zukunft zu schauen. Das Zauberwort, das wir hier brauchen, heißt „Statistik“. Die Statistik ist ein Teilgebiet der Mathematik und wir begegnen ihr ganz oft in unserem Alltag, ohne wirklich davon zu wissen. So begegnen wir der Statistik in unterschiedlichen Formen, zum Beispiel in Form von Machine Learning Algorithmen täglich in unserem Newsfeed, wenn wir durch Social Media scrollen. 
 

Um KI nicht komplett zu entzaubern, ist es doch wahnsinnig spannend, dass wir Menschen es mit dieser „langweiligen“ Mathematik geschafft haben, Systeme zu bauen, die uns helfen, immer genauere Vorhersagen über die Zukunft zu treffen. Oder besser gesagt darüber, was wir in Zukunft erwarten. In Wahrheit kann KI keine Zukunft vorhersagen, da sie mit Daten aus der Vergangenheit trainiert wurde, außerdem können ML Systeme ihre Berechnungen selbstständig anpassen, wenn sie neue Informationen bekommen. Faszinierend ist also definitiv die Tatsache, dass ML Systeme durch Rückmeldungen (auch Feedback genannt durch z. B. Menschen) ihre Vorhersagen und Berechnungen selbstständig verändern. Das Ziel der Veränderung innerhalb des Systems ist es immer genauere Vorhersagen über ein zukünftiges Geschehen auf Basis von Vergangenem zu treffen.
 

ML kann für die folgenden Aufgaben sehr gut eingesetzt werden, da ML Systeme selbstständig aus Daten lernen können, sind sie sehr gut im Vorhersagen von Werten, Berechnung von Wahrscheinlichkeiten (z. B. Kaufwahrscheinlichkeit), Erkennen von Gruppen, Erkennen von Zusammenhängen, Reduktion von Dimensionen und Optimierung. 

Das Ziel der Menschen, wenn sie Machine Learning einsetzen, ist es also einen Algorithmus aus Daten einen Rechenweg lernen zu lassen. Aber weiter ist es auch wichtig, dass dieser Algorithmus selbstständig dazu lernt, wenn dem KI-System neue Daten gefüttert werden. So soll ein Machine Learning System nicht nur für bekannte Daten gute Ergebnisse liefern, sondern auch für neue Daten, vielleicht Daten, die erst morgen erzeugt werden. Zum Beispiel dein Klickverhalten auf Social Media von morgen. 

Im Fall von personalisierter Werbung können diese Systeme anhand einer Vielzahl von vermeintlich unzusammenhängenden Klicks, Surfverhalten und Views eine präzise Aussage über zukünftiges Kaufverhalten von Personen treffen und somit auf persönliches Verhalten zugeschnittene Werbung anzeigen. Zusätzlich können diese Systeme die berechneten Ergebnisse (Vorhersagen, Kategorisierungen) durch das Einsetzen unterschiedlicher Lernmethoden mit jedem Training präziser machen und genauere Treffer landen. KI-Systeme, die ML verwenden, können dann anhand komplizierter Berechnungen eine Wahrscheinlichkeit für einen bestimmten Ausgang vorhersagen. 
 

Rainer Mühlhoff, ein deutscher Forscher, der sich viel mit KI-Systemen und Gesellschaft beschäftigt, erklärt in diesem Ausschnitt, wie personalisierte Werbung funktioniert und was durch den Einsatz über Nutzer:innen von Social Media Plattformen errechnet/vorhergesagt“ werden kann.

Frühe Zweifel am Feld der Künstlichen Intelligenz

KI-Systeme sind älter als es scheint und Bedenken dazu gibt es ebenso lange. Aus der Popkultur sind uns Bilder einer übermächtigen KI, die sich gegen Menschen wendet bekannt. Die Bedenken, die Norbert Wiener (1894 – 1964) schon sehr früh hatte richten sich jedoch eher an Menschen, die Maschinen nutzen können, um andere Menschen zu überwachen oder auszubeuten. 
 

Norbert Wiener (1894 - 1964) war ein amerikanischer Mathematiker und Philosoph. Er entwickelte die Idee, dass viele komplexe Systeme auf Rückkopplungsprozessen beruhen. Das bedeutet, dass ein System Informationen aus der Umgebung braucht, um gut zu funktionieren. Diese Informationen werden dann in einer Schleife verarbeitet. Ein Beispiel ist ein einfaches Thermostat: Es misst die Raumtemperatur und heizt, bis der gewünschte Zustand erreicht ist. Das Feld, das diese Zusammenhänge betrachtet, wurde dann „Kybernetik“ genannt. Wiener erkannte, dass Systeme durch Kommunikation und Kontrolle lernen und sich selbst steuern können. Ähnlich dem menschlichen Gehirn, das Erfahrungen speichert, indem es Verbindungen stärkt. Diese Prinzipien sind die Grundlage für heutige KI-Systeme wie Künstliche Neuronale Netze und Deep Learning.

Wiener warnte, dass Automatisierung nicht nur Vorteile bringt, sondern auch soziale Spannungen verursachen kann. Die Gefahr liege weniger in den Maschinen selbst, sondern in ihrer Nutzung durch Menschen. Wiener betonte ebenfalls, dass der Einsatz automatischer Maschinen nicht automatisch zur Lösung sozialer Probleme führen wird und verdeutlicht das mit folgenden Worten.

Dieses Zitat führt uns auch zu der sehr kritischen Frage: „Wer hat die Macht und die Kontrolle über KI-Systeme und entscheidet folglich darüber, für wen oder was Sie eingesetzt werden?“.

Die Entwicklung und Herstellung von High-Tech Computerchips (wie den Graphics Processing Units – GPU), die für ML-Systeme gebraucht werden, geht von nur einer Handvoll Unternehmen aus. Die Entwicklungsumgebung sowie Software, die diese Firmen entwickeln, bestimmt wie Forschung im Bereich KI stattfindet. Eine weitere Sache, über die wir im Kapitel bisher nicht gesprochen haben, ist Geld. Die Entwicklung von mächtigen KI-Systemen bzw. riesigen LLMs bedarf sehr großer Datenmengen und Rechenleistung – beides ist teuer und benötigt wartungs-, energie- und ressourcenintensive Rechenzentren.
 

Beide Punkte bedeuten, dass die Entwicklung subsymbolischer KI und damit der mächtigsten Softwaresysteme, die es gibt und der Zugang dazu stark hierarchisch organisiert ist. Das bedeutet sehr viele Menschen, Organisationen, Firmen und Regierungen der Welt können sich gar nicht einbringen. Ihren Interessen und Bedürfnissen können sie schwer Gehör verschaffen, selbst wenn sie von den Veränderungen, die der Einsatz algorithmischer Systeme bringen, betroffen sind.

Umgekehrt werden KI-Systeme ja genutzt, um Inhalte auf Plattformen zu empfehlen. Das beeinflusst, wie wir Medien konsumieren. Soziale Medien sind entscheidend geworden, um Meinungen und Vorlieben zu erfassen, wobei Interaktionen die Sichtbarkeit von Inhalten erhöhen. Diese Mechanismen können leicht manipuliert werden, indem durch hohe Interaktionen bestimmte Inhalte bevorzugt angezeigt werden, was die KI-Modelle beeinflusst. Dies bietet die Möglichkeit, die öffentliche Meinung zu beeinflussen, insbesondere durch politische Propaganda, die von Bots verstärkt wird. Bots können Fake-Accounts erstellen und Interaktionen generieren, um falsche Informationen zu verbreiten, die dann auch Beachtung finden, obwohl dahinter keine Menschen mit Meinungen stehen, sondern Computersysteme. Habe ich also die Möglichkeit, meine Wahlkampagne auf diese Art zu führen, wird es deutlich leichter zum Beispiel Präsident der USA zu werden.

Was kann passieren, wenn viele Menschen eine Technologie nutzen, bei der nur sehr wenige nicht demokratisch gewählte Personen das Sagen haben, wie diese entwickelt wird?
 

Viele Menschen glauben, dass Maschinen objektiver oder fairer entscheiden als Menschen. Das stimmt aber nicht immer, besonders bei KI-Systemen. Auch KI-Systeme können Vorurteile reproduzieren, was auf Englisch "Bias" genannt wird. Bias bedeutet, dass die Ergebnisse verzerrt oder unfair sein können. Wir vergessen oft, dass auch Maschinen von Menschen gemacht sind und Menschen im Hintergrund Entscheidungen treffen, auch wenn diese Menschen für uns oft nicht sichtbar sind.
 

Wie kommt „der Bias“ jetzt eigentlich in ein KI-System?

Verzerrungen können an verschiedenen Stellen in ein KI-System gelangen. Die Biases innerhalb eines KI-Systems hängen grundsätzlich von den Daten ab, mit welchen die KI trainiert wurde, dem Design bzw. der Architektur und der Zielsetzung ab. 
 

Ganz am Anfang steht ein Entwickler:innen-Team vor der Entscheidung, welches Ziel ein bestimmtes KI-System erfüllen soll. Bereits bei der Zieldefinition kann ein Bias in ein KI-System gelangen. Es gibt aufseiten der Entwickler:innen nämlich wenig Vielfalt innerhalb der Teams. Die meisten Entwickler:innen momentan sind männlich und leben in sehr reichen Weltregionen. Dadurch fehlen Perspektiven marginalisierter Gruppen bei der Entscheidung, welche Probleme als wichtig angesehen werden und welche nicht. So passiert es schnell, dass bestimmte Personengruppen bei der Entwicklung von KI vergessen oder absichtlich ausgeschlossen werden.
 

Auch die Daten, mit welchen ein KI-System trainiert wird, enthalten Verzerrungen und Vorurteile. Die Trainingsdaten stammen aus der realen Welt und spiegeln gesellschaftliche Vorurteile wider. Wenn KI-Systeme mit verzerrten Daten trainiert werden, berechnet eine KI auch Muster in den Daten, die durch Stereotype entstehen und somit wird die Benachteiligung von marginalisierten Personengruppen mit trainiert. Diese Verzerrungen können zu starken Benachteiligungen im Leben von Personen führen. Zum Beispiel gibt es immer wieder Fälle von Diskriminierung in der automatisierten Bilderkennung. Diese Diskriminierung kommt durch unausgeglichene Bilddatensätze zustande, mit welchen ein Algorithmus trainiert wird. Enthält dieser Bilder von vor allem weißen Personen und nur wenige Bilder von Schwarzen Menschen führt das dazu, dass das System Schwarze Menschen anhand von Bildern schlechter erkennt.

Wir verlassen uns heute schon stark auf die Ergebnisse, die uns KI-Systeme liefern. Aber Vorsicht – sie können eben zum einen Verzerrungen enthalten, aber es kann auch sein, dass ein Chatbot dir ganz falsche Informationen erfindet. 
 

Chatbots wie OpenAI's ChatGPT, Google's Bard oder Microsoft's BingChat können die Illusion erzeugen, sie seien allwissend. Es stimmt zwar, dass diese KI-Systeme auf einen riesigen Schatz an Wissen zugreifen können, jedoch kann man sich nicht auf den Wahrheitsgehalt der Informationen verlassen. Teilweise erfinden Chatbots einfach Antworten (sog. halluzinieren), die plausibel klingen, aber falsch sind und zensieren Informationen, die den kommerziellen Interessen der dahinterstehenden Firmen schaden könnten. Weiter können diese Chatbots die politischen Ansichten ihrer Macher:innen wiedergeben und alternative Standpunkte ausblenden. Hier spielt die Frage:„Wer hat die Macht“ auch wieder eine bedeutende Rolle. Die Art und Weise, wie man eine Frage stellt, beeinflusst ebenfalls stark die Antwort, die man ausgespuckt bekommt.

Das heißt für dich: glaube zuerst einmal nicht alles, was LLMs wie ChatGPT schreiben und überprüfe die Antworten auf ihren Wahrheitsgehalt. 

Es gibt Tendenzen zu glauben, dass KI alle gesellschaftlichen Probleme lösen kann. Diese vereinfachte Sichtweise ignoriert jedoch die Komplexität und Vielschichtigkeit dieser Probleme. Technik sollte nicht automatisch als „die“ Lösung für komplexe gesellschaftliche Herausforderungen betrachtet werden. Stattdessen sollten technische Lösungen gezielt auf spezifische Teilprobleme angewendet werden, ohne sie als die einzige Lösung zu sehen. Schauen wir uns das anhand von drei ausgewählten Bereichen einmal an:
 

Weit verbreitet sind inzwischen KI-Freund:innen. Dabei handelt es sich vor allem um erstellte Materialien wie Bilder, Videos oder Chatnachrichten, die Frauen künstlich nachbilden. Mithilfe von generativer KI wird so die Illusion einer Frau erstellt, das Aussehen und Verhalten können die Nutzer:innen gestalten. Viele Nutzer:innen verbringen Stunden am Tag damit, eine Beziehung zu dieser fiktiven Person aufzubauen, die sie selbst gestaltet haben. Interessant ist auch, dass die Trends von Suchanfragen zeigen, dass viel mehr nach „AI girlfriend“ gesucht wird als nach „AI boyfriend“. Manchmal wird diese Art von Partner:innschaft als Lösung für Vereinsamung und Isolation von Menschen herangezogen, die laut Umfragen eher Männer trifft. Auf der anderen Seite bringt diese Entwicklung weitere schwerwiegende Probleme für vor allem marginalisiert Gruppen mit sich. Die Darstellungen von Frauen reduzieren sich durch KI-Freund:innen vor allem auf Stereotype. Das heißt Vorurteile und Sexismus werden durch diese Art von Bots noch verstärkt. Zum anderen ist es auch sehr problematisch, dass auch Bilder von realen Frauen verwendet werden, um eine KI-Freundin zu erstellen. Das Thema sexualisierte Gewalt an Frauen durch Verwendung von generativer KI in Form von Deepfakes ist schon jetzt ein großes Problem. Die Zahlen in diesem Bereich sind momentan erschreckend hoch.

Wichtig ist, dass Personen, deren Probleme gelöst werden sollen, miteinbezogen werden. Im Bereich digitale Barrierefreiheit wird oft betont, dass KI-Systeme viele Probleme von Menschen mit Behinderungen lösen können. KI kann zum Beispiel Alternativtexte für Bilder erstellen, was den Zugang zu visuellen Inhalten für sehbehinderte Nutzer:innen ermöglicht. LLMs können auch Texte in Leichter Sprache erstellen, was den Zugang für Menschen mit Lernbehinderung oder für Nicht-Muttersprachler:innen zu wichtigen Inhalten verbessert. Trotzdem gibt es Herausforderungen wie reproduzierten Ableismus und neue, unsichtbare Barrieren. Außerdem gibt es die Gefahr, dass Menschen mit Behinderung noch unsichtbarer werden und ein gesellschaftlicher Unwille zu echter Inklusion immer weniger wird durch immer bessere Assistenzsysteme.

Es ist wichtig, dass wir sowohl die Ergebnisse von KI-Systemen als auch deren Einsatz kritisch hinterfragen und verschiedene Stimmen einbeziehen, um faire und wirksame Lösungen für vielschichtige soziale Probleme zu finden.

Es wird deutlich, wie notwendig es ist, algorithmische Systeme sicher, nützlich und fair für alle zu gestalten. Trotz der Risiken, die mit KI-Technologien verbunden sind, ist der potenzielle Nutzen groß. Um negative Konsequenzen schlecht umgesetzter KI-Systeme zu vermeiden, sollten wir höchstes Maß an Verantwortlichkeit, Verantwortung und Transparenz (Accountability – Responsibility – Transparency: ART) wahren. Dafür ist die Mitarbeit vieler Bereiche gefordert: Verantwortlichkeit meint, dass Menschen, die KI-Anwendungen entwerfen, entwickeln und bereitstellen, erklären und rechtfertigen müssen, wie die zugrunde liegenden Modelle, Algorithmen und Technologien ihre Ergebnisse erzeugen. Verantwortung bezieht sich auf die gemeinsame Pflicht, sicherzustellen, dass KI-Anwendungen Ethik, Werte und Vielfalt in allen Ebenen und Bereichen der Forschung und Entwicklung berücksichtigen. Transparenz bedeutet, dass alle Aspekte von KI einschließlich der genutzten Datensätze und generierten Outputs, offengelegt und überprüft werden sollten.

Du bist am Ende des E-Learning Kapitels zu KI angekommen. Wie an anderen Stellen menschlicher Geschichte ermöglichen technologische Veränderungen sehr viele gesellschaftliche Veränderungen und Verschiebungen von Macht. Welche Veränderungen neue Technologien mit sich bringen, muss nicht einfach geschehen. Auch du kannst darüber nachdenken, welche Veränderungen es sind, die KI uns Menschen bringen soll. Technik wird immer von Menschen entwickelt und sollte auch für Menschen sein und nicht zum Beispiel gegen sie eingesetzt werden.