Operationalisierung von KI

Ziel der Operationalisierung der KI-Definition ist die Extraktion von Schlüsselbegriffen zu Themenfeldern der Künstlichen Intelligenz, auf deren Basis die KI-Landschaft in Rheinland-Pfalz systematisch erfasst werden kann. Dazu wurden aus der dargestellten Literatur von der OECD, dem US Congressional Research Service, der Volksrepublik China, dem Joint Research Center (EU) sowie der WIPO Schlüsselbegriffe entnommen und systematisiert. 

In Anlehnung an die Plattform Lernende Systeme wurden die identifizierten Schlüsselbegriffe den folgenden KI-Themenfeldern zugeordnet:

• Robotik & autonome Systeme : Das Feld setzt sich insbesondere aus Bereichen der Robotik, wie Robotertechnik oder evolutionäre Robotik, zusammen. 
• Bilderkennung & Verstehen: Unter dem Feld werden bspw. Teilbereiche zu Computer Vision, Object Tracking, Biometrie oder Machine Learning gefasst. 
• Sprach- & Textverstehen: Das Feld umfasst die Interaktion zwischen Maschinen und menschlicher Sprache, so z. B. die natürliche Sprachverarbeitung (Natural Language Processing) und -generierung (Natural Language Generation) sowie das Semantic Web.  
• Sensorik und Kommunikation: Zu den zentralen Themenbereichen des Feldeszählen bspw. cyber-physische Systeme oder Sensor Networks.
• Virtuelle & erweiterte Realität: Das Feld beinhaltet neben den beiden Themenfeldern selbst auch noch verwandte Bereiche, z. B. Mixed Reality oder Body Sensor Networks.
• Datenmanagement & -analyse: Ein wichtiger Teil des Feldes stellen die Bereiche Wissensrepräsentanz (Knowledge Representation) und die prädiktive Analyse (Predictive Analysis) dar. Diese eher übergeordneten Bereiche werden ergänzt um detailliertere Prozesse und Verfahren, wie Text Mining oder Data Mining. 

Darüber hinaus wurden auch KI-Methoden operationalisiert. Diese sind nicht an spezifische Themenfelder gebunden, sondern erlauben die Identifikation von KI-Systemen anhand der in ihnen implementierten Methoden. Kern eines KI-Systems ist die Fähigkeit, seine Informationsverarbeitung adaptiv an äußere Zustände anzupassen. Darin unterscheiden sich KI-Systeme von klassischen Informatik-Systemen. Um eine adaptive Informationsverarbeitung in einem System zu replizieren – es also intelligent werden zu lassen –, können verschiedene mathematische Verfahren und informatische Umsetzungen genutzt werden. Ein zentrales Teilgebiet ist Machine Learning (Maschinelles Lernen), bei dem Algorithmen darauf trainiert werden, Muster und Korrelationen in Datensätzen zu finden und auf Basis dieser Analyse Entscheidungen und Vorhersagen zu treffen. Einen großen Teilbereich des Machine Learning stellt Deep Learning, das Lernen auf Basis neuronaler Netze dar. Oftmals wird beim Machine Learning auch zwischen verschiedenen Modellen unterschieden. Dazu zählen Supervised Learning (Überwachtes Lernen), das Lernen anhand von beispielhaften Ergebnissen, Unsupervised Learning (Unüberwachtes Lernen), das Lernen durch das Erkennen von Mustern und Korrelationen und Reinforcement Learning (Verstärkendes Lernen), das Lernen auf Basis von zulässigen Aktionen, Regeln und potenziellen Endzuständen. Darüber hinaus gibt es viele weitere Teilbereiche, wie Logic Programming oder Fuzzy Logic. 

Die folgende Abbildung gibt einen Überblick über verschiedene KI-Methoden:

Quelle:  WIPO Artificial Intelligence (https://www.wipo.int/edocs/pubdocs/en/wipo_pub_1055.pdf)