Der Gartner AI Artificial Intelligence Hype Cycle zeigt deutlich, wie verschiedene Disziplinen der Künstlichen Intelligenz sich im Aufschwung befinden. Auch Gartner tut sich mit der Definition sehr schwer, da unterschiedlichste Technologien und Ansätze sich hinter dem Hype-Akronym AI verbergen. Grundsätzlich kann man aber sagen, dass der wesentliche Motor Machine Learning und Deep Learning sind. Sie sind auch weiterhin die wesentlichen Faktoren beim Trainieren von Software. Machine Learning Models sind dabei ausschlaggebend über den Trainingserfolg. Einfach „Riesen-Datenmengen“ in die Maschine zu packen führt manchmal zu sehr seltsamen Ergebnissen 😉

Ein grundsätzliches Problem wird dabei nur ungenügend beleuchtet: es wird immer noch davon ausgegangen, dass Machine Learning menschliche Verhaltensweisen nachbildet. Algorithmen funktionieren jedoch anders und menschliche Maßstäbe spielen keine Rolle, wenn sie nicht per Regeln und Training implementiert werden. Dies wird dann besonders wichtig, wenn Maschinen anfangen, ihre eigenen Algorithmen zu entwickeln. Dabei spielt nicht nur die ethische Frage eine Rolle, sondern auch die Möglichkeiten des Menschen, solche Algorithmen nachzuvollziehen. Zukünftig wird nur eine AI in der Lage sein eine andere AI nachzuvollziehen. Und so wird auch die Kontrolle einer hochentwickelten, selbstlernenden AI nur durch eine noch höhere AI Artificial Intelligence möglich sein.