Die 4 größten Nachteile von künstlicher Intelligenz

Technische Fähigkeiten, Ressourcen, Akzeptanz und algorithmische Voreingenommenheit. Diese vier Nachteile der künstlichen Intelligenz können Angst machen. Wir schlüsseln sie auf.

Künstliche Intelligenz, auch bekannt als KI oder AI, wird als DIE große Revolution des 21. Jahrhunderts angepriesen. Die Bundesregierung hat sogar beschlossen, das Budget für die KI-Forschung in den nächsten zwei Jahren auf fast eine Milliarde Euro zu verdoppeln. Denn das Potenzial ist enorm und lässt Träume wahr werden.

Während die Medien, Filme und Videospiele einige futuristische Anwendungen übernehmen, sind andere sehr konkret:

- autonomes Fahren
- Algorithmen zur Krebserkennung
- Bildanalyse
- die 3D-Vorhersage von Proteinen, die die Biologie und die Impfstoffforschung erheblich beschleunigt

Ein Unternehmen, das von künstlicher Intelligenz hört, wird zu dem Schluss kommen, dass sie die Lösung für alle Probleme ist. Aber wenn es um die Umsetzung geht, sieht die Sache anders aus. Ressourcen, technische Kompetenzen, Akzeptanz… Es gibt viele Hindernisse bei der Einführung von künstlicher Intelligenz. Diese werden im Nachfolgenden aufgelistet und erläutert.

Spoiler-Warnung: KI bleibt für alle zugänglich, man braucht nur ein wenig Wissen. Mehr dazu in einem anderen Artikel.

Für einen ersten Einblick in die Welt der KI, des maschinellen Lernens und der Vorhersagemodelle empfehlen wir unseren 8-stündigen AI Intro-Kurs (100% kostenlos, keine Vorkenntnisse erforderlich, inkl. Zertifikat).

Nachteil 1 – Technische Grenzen der künstlichen Intelligenz

Es mag einfach erscheinen, künstliche Intelligenz zu nutzen, ohne sie zu verstehen. Leider wird es spätestens dann kompliziert, wenn man sie debuggen muss. Für die weniger Erfahrenen unter uns: Debuggen bedeutet, Anomalien in der Funktionsweise eines Programms zu beseitigen.

Auch wenn wir oben gesagt haben, dass künstliche Intelligenz für jede:n zugänglich ist, müssen wir ehrlich sein: Es werden viele Fähigkeiten wie Informatik, Ingenieurwesen und Mathematik benötigt, um sie zu erstellen und anzuwenden. Daher ist es wichtig, die Optimierungsprobleme und die verschiedenen Modelle zu verstehen.

1. Schwierigkeit: mathematisches Verständnis

Die erste Schwierigkeit besteht darin, die mathematischen Modelle zu verstehen. Wenn man das Prinzip der Optimierung verstanden hat, sind die Algorithmen des maschinellen Lernens nichts anderes als spezielle Funktionen, die optimiert werden müssen. Nicht mehr und nicht weniger.

2. Schwierigkeit: technische Fähigkeiten

Die zweite Schwierigkeit betrifft die technischen Fähigkeiten, insbesondere die Entwicklung. Während die Modellierung wesentlich ist, sind das Training und das Deployment ebenso wichtige Schritte, um:

- - Eingabedaten zu sammeln,
  - ein Modell zu erhalten, das bereits gelernt hat oder von Grund auf neu zu starten,
  - es zu trainieren,
  - die Ergebnisse zu überprüfen,
  - es für Vorhersagen bereitzustellen.

Um eine Analogie zu verwenden: Nachdem du den Mechanismus eines Spielzeugs entworfen hast, musst du das Plastikgehäuse entwerfen, mit dem es dann zusammengebaut wird.

Einige Beispiele für zu beherrschende Tools:

- - Flask und Django zur Verpackung deines Codes in Python
  - Mlflow für die Entwicklung
  - Airflow für die Orchestrierung
  - Docker und Kubernetes für die Bereitstellung

Wenn es um die Entwicklung geht, ist Python die bevorzugte Sprache für Künstliche Intelligenz. Hier findest du unseren kostenlosen Kurs, um die Grundlagen zu lernen:

Es ist auch wichtig zu bedenken, dass jedes Unternehmen bereits über ein eigenes IT-Netzwerk verfügt. Die Integration neuer Tools kann daher eine echte Herausforderung darstellen.

Nachteil 2 – Die Ressourcen zur Schulung eines KI-Algorithmus

Abgesehen von den technischen Fähigkeiten sind KI-Algorithmen auch sehr ressourcenintensiv. Ein Beispiel ist GPT 3, eine künstliche Intelligenz, die von OpenAI, dem von Elon Musk mitgegründeten KI-Forschungsunternehmen, entwickelt wurde. Sie ist in der Lage, Inhalte mit einer Sprachstruktur zu erstellen, die einem von Menschen verfassten Text entspricht. Diese Erfindung ist einer der wichtigsten Fortschritte der letzten Jahre im Bereich der künstlichen Intelligenz, da der Algorithmus nicht für eine bestimmte Aufgabe trainiert wurde, sondern ein echtes, umfassendes „Verständnis“ von Sprache besitzt.

Um einen solchen Algorithmus zu trainieren, werden fast 45 TB Textdaten benötigt. Zum Vergleich: Wenn wir eine einfache Textnotiz auf einem Computer erstellen, ist diese nur wenige KB groß, was fast 45 Milliarden KB entspricht.

Wenn du GPT 3 im Arbeitsspeicher deines Computers speichern möchtest, benötigst du 175 Gigabyte Speicherplatz. Mit einem leistungsstarken PC stehen dir aber nur 16 Gigabyte zur Verfügung. Du siehst also: Dieses System ist nur für besonders robuste Infrastrukturen geeignet.

Es ist wichtig zu wissen, dass Rechenleistung im Allgemeinen teuer ist. Wenn man z.B. seinen eigenen GPT 3 nachbilden möchte, würde das, selbst wenn man die richtigen Ressourcen findet, 355 Jahre Trainingszeit und insgesamt 4,6 Millionen Dollar kosten.

Nachteil 3 – Akzeptanz der KI

Wenn in Unternehmen von einem Datenprojekt die Rede ist, bekommen normalerweise alle leuchtende Augen. In der Realität ist die Umsetzung jedoch meist schmerzhafter. Hier ist eine vollständige Liste der Nachteile der künstlichen Intelligenz für die Akkulturation:

Die Angst vor dem Unbekannten: Die Funktionsweise von KI-Algorithmen kann für manche undurchsichtig erscheinen. Diese Unkenntnis macht Angst und kann ein Problem darstellen.
Der relativ lange Entwicklungszyklus: In der Praxis kann man nicht einfach bereits trainierte Modelle verwenden. Man muss Tests durchführen, mit den Parametern spielen und weitere Tests durchführen. All dies erfordert eine beträchtliche Anzahl von Entwicklungszyklen.
Die Verwaltung: Es muss sichergestellt werden, dass jederzeit bekannt ist, wo sich die Daten befinden und was sie bedeuten. Die Teams müssen für diese Probleme sensibilisiert werden.
Die ethischen Probleme: Es besteht die Möglichkeit, auf algorithmische Voreingenommenheit (bias) zu stoßen. Diese Voreingenommenheiten hängen immer von den Daten ab, die während des Trainings eingegeben werden. Das nennt man “ Trash in, Trash out“: Wenn man voreingenommene Daten eingibt, kommen auch voreingenommene Daten heraus.
Die Rentabilität: Solche Projekte sind sehr kostspielig – Anwerbung von Ingenieur:innen, IT-Ressourcen usw. Es ist unmöglich, den Ertrag vor dem Start zu kennen. Der ROI ist daher nicht garantiert.
Die Weitergabe der Ergebnisse: Wenn die Ergebnisse Fehler enthalten, ist es sehr schwierig, diese genau zu analysieren. Wenn man mit Modellen arbeitet, die Milliarden von Parametern enthalten, kann man den Verlauf des Algorithmus nicht genau bestimmen. Daher ist es wichtig, die Beteiligten zu sensibilisieren und die „Erklärbarkeit“ des Modells zu verbessern.

Nachteil 4 – Künstliche Intelligenz und ihre algorithmische Voreingenommenheit

Unserer Meinung nach ist dies einer der Hauptnachteile. Schau dir einfach ein beliebiges Video auf YouTube an, zum Beispiel eine Wiederholung von The Voice. Der Algorithmus schlägt dir dann weitere Videos der Sendung vor, da er darauf optimiert ist, dich so lange wie möglich auf der Plattform zu halten. Diese Verweildauer ist übrigens einer der am meisten verfolgten Kennzahlen, insbesondere bei YouTube.

Diese Methode wird als kollaboratives Filtern bezeichnet. Dieses Empfehlungssystem hat unter anderem Netflix bekannt gemacht. Wenn du dir also Verschwörungsvideos ansiehst, wird dir der Algorithmus immer mehr Verschwörungsvideos vorschlagen. Du wirst also mit einer Menge potenziell fehlerhafter Informationen zu diesem Thema enden. Da du nur diese Version der Geschichte siehst, wirst du am Ende daran glauben. Einige soziale Netzwerke wie YouTube versuchen, diesem Vorurteil entgegenzuwirken, indem sie entscheiden, welche Inhalte gezeigt werden dürfen und welche nicht. Hier eröffnet sich eine weitere ethische Debatte. Es gibt auch viele Fälle von Rassismus unter den Ergebnissen von Algorithmen. Wie gesagt, alles hängt von den eingegebenen Daten ab.

Das Ende von KI?

Bedeuten all diese Hürden das Ende von KI-Projekten? Natürlich nicht! Wenn du lernen möchtest, KI zu verstehen und richtig einzusetzen, schau dir unser data science & AI bootcamp an. Hier wirst du in nur 9 Wochen zum data scientist: