Künstliche Intelligenz verspricht mehr Produktivität und verändert die Arbeitsweise von Unternehmen. Doch der aktuelle Hype ist nicht der erste in ihrer 70-jährigen Geschichte – und KI weit mehr als große Sprachmodelle. Franz Wotawa von der TU Graz ordnet die Entwicklung ein, beleuchtet Chancen und Risiken und zeigt, warum die Verbindung unterschiedlicher KI-Ansätze für verlässliche Anwendungen entscheidend sein könnte.
Künstliche Intelligenz/Artificial Intelligence (AI) hat in den letzten Jahren an Popularität gewonnen und ist gerade dabei Prozesse und Strukturen in Unternehmen zu verändern, was größtenteils durch gewünschte Produktivitätssteigerungen getrieben ist. AI wird heute von einem großen Teil der Bevölkerung und Wirtschaft auf Maschinelles Lernen und Large Language Modelle (LLMs) reduziert, was jedoch nur einen Teil des Wissens- und Wissenschaftsgebiets der AI ausmacht. AI wird laut Russel und Norvig¹ verstanden als Wissensgebiet über Maschinen, die kognitive Funktionen wie Lernen und Problemlösen nachbilden beziehungsweise imitieren. Ziel ist es intelligentes Verhalten nachzubilden und zu verstehen. Im Wesentlichen können in der AI zwei große Fachrichtungen unterschieden werden, unabhängig von deren Verwendung. Diese sind die symbolische AI, die sich mit der Formalisierung von Wissen beschäftigt, und die subsymbolische AI, die formalisierte Modelle von biologischen Systemen, wie dem menschlichen Gehirn, als Basis verwendet. Neuronale Netze und ähnliche Mechanismen wie auch LLMs fallen in diese Kategorie und stellen heute die Basis für die derzeit erfolgreichste Anwendung von AI, zumindest was die öffentliche Darstellung betrifft, dar.
Zwischen Hype und Ernüchterung
Haben wir es hier mit einem singulären Phänomen zu tun und wie wird es mit der AI weitergehen? Um diese Frage zu betrachten, lohnt sich ein Blick in die AI-Geschichte. AI ist eine relativ alte Disziplin der Informatik und wurde im Jahre 1956 im Rahmen eines Workshops am Dartmouth College in den USA ins Leben gerufen. Wir feiern somit heuer bereits 70 Jahre AI. In dieser Zeit wurden viele Prognosen über die Erreichung von Zielen, wie die Verfügbarkeit von Maschinen, die die Intelligenz von Menschen übertreffen, gemacht, die bisher alle nicht gehalten haben. Aber war AI bis zur Entwicklung von LLMs nicht erfolgreich? Die Antwort ist ein klares Nein. Bereits in den 1970er wurden Expertensysteme entwickelt und erfolgreich eingesetzt, unter anderem für die medizinische Diagnose (MYCIN), chemische Analyse (DENDRAL), oder die Konfiguration von Computern (XCON/R1 von der Digital Equipment Corporation (DEC)), was damals auch zu einem Hype und eines vermehrten Einsatzes von AI in der Wirtschaft bis Mitte der 1980 führte. Danach kam eine Periode, die auch als AI-Winter bezeichnet wird, wo das Interesse für AI-Technologie zurückgegangen ist. Dies führte jedoch nicht zu einer wesentlichen Stagnation in der Forschung.
In dieser Zeit wurden viele Probleme zum Beispiel bei der Wissensrepräsentation zumindest partiell gelöst. Neue Verfahren, die heute in LLMs verwendet werden wurden entwickelt und alte Ideen sowie verbesserte Algorithmen im Zusammenspiel mit einer substantiell größeren und relativen günstig verfügbaren Rechenkapazität haben zum heutigen Erstarken der AI beigetragen. Ist das was wir heute sehen nun singulär? Die Antwort ist auch hier ein klares Nein. In jedem Forschungs- und Anwendungsgebiet gibt es Hype-Zyklen² die durch einen technologischen Trigger gestartet werden und über eine Spitze von überhöhten Erwartungen und dem Tal der Ernüchterung zur eigentlichen Produktivität führen. Im Rahmen der Informatik und AI haben wir bereits viele solcher Hype-Zyklen gesehen, unter anderem Expertensysteme, Semantic Web, Data Science und Knowledge Management oder auch die Block Chain Technologie. Retrospektiv wird es bald auch möglich sein LLMs und die aktuelle AI-Technologie entsprechend im Hype-Zyklus-Modell einzuordnen. Unabhängig davon ist es natürlich interessant, sich über die konkrete Verwendung der Technologie, deren Chancen und Risken zu widmen um entsprechende Entscheidungen über deren Einsatz zur Produktivitätssteigerung zu treffen.
Mehr Produktivität, neue Qualitätsfragen
Um Chancen und Risken von LLMs und AI im Generellen zu besprechen, verwende ich Beispiele aus meinem direkten beruflichen Umfeld. Im Bereich der Softwareentwicklung verwenden immer mehr Firmen Werkzeuge wie Claude Code³ um Programme in Zusammenspiel mit Personen effizienter erstellen zu lassen. Eine Effizienzsteigerung ist in diesem Bereich auch dringend notwendig. Im Durchschnitt kommt ein Programmierer auf 10 bis 50 Zeilen Programmcode pro Tag⁴. Immer mehr Firmen auch in Österreich verwenden LLMs für die Programmierung und können die Anzahl an Programmierern reduzieren. Allerdings gibt es noch Fragestellungen hinsichtlich der Qualität der automatisiert erstellten Programme und auch ob Programmieren in Zukunft nicht auch von Domänenexperten im Zusammenspiel mit LLMs selber erstellt werden können und dezidierte Softwarefirmen überhaupt noch relevant sein werden. Hinsichtlich der Sicherung der Qualität, die sich nicht nur auf die Entwicklungszeit beschränkt, gibt es Ansätze, die logikbasiert das Verhalten von AI während der Laufzeit überprüfen. Firmen, wie zum Beispiel das Startup DriveMinds⁵ stellen hier Technologie zur Verfügung. Durch AI, in diesem Fall logikbasierter AI, kann somit andere AI, wie zum Beispiel LLMs, geprüft werden um ein regelkonformes Verhalten sicherzustellen.
Warum Sprachmodelle allein nicht reichen
Eine Vielzahl von Startups, wie zum Beispiel openmaind⁶ oder auch DiLT Analytics⁷ verwenden AI erfolgreich zur Lösung von Problemen in der Logistik und Diagnose von Gebäudeautomatisierungssystemen. Neben den Chancen, die diese Technologie bietet, ist es auch sinnvoll sich mit Risken und Auswirkungen der AI zu beschäftigen. Aufgrund von vielen Gesprächen erscheint es nicht realistisch, dass LLM alleine zur Lösung aller Probleme verwendet werden können. Eine Kopplung von symbolischer und subsymbolischer AI, wie sie in Grundlagenforschungsprojekten wie Bilateral AI⁸ behandelt wird, erscheinen viel aussichtsreicher zu sein um LLM Probleme, wie das Halluzinieren, zu kompensieren um Gesamtlösungen zu erhalten, die Korrektheitsansprüchen und Garantien genügen.
Franz Wotawa
Technische Universität Graz, Institute of Software Engineering and Artificial Intelligence (SAI)
wotawa@tugraz.at
Fußnoten
¹ Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. ISBN 978-0-13-604259-4.
² Siehe auch Gartner hype cycle: https://en.wikipedia.org/wiki/Gartner_hype_cycle
³ Siehe claude.ai.
⁴ Siehe Seite 474 aus Steve McConnell, Code Complete, 2nd Edition, Microsoft Press, 2004.
⁵ Siehe https://driveminds.at.
⁶ Siehe https://openmaind.ai/.
⁷ Siehe https://diltanalytics.com.
⁸ Siehe https://www.bilateral-ai.net/home.
