Wie funktionieren künstliche neuronale Netze? Kategorisierung und Anwendungsbereiche künstlicher Intelligenz

Fachbuch , 2020 , 71 Seiten

Informatik - Wirtschaftsinformatik

Unser Gehirn besitzt etwa 86 Milliarden Nervenzellen, die enorme Datenmengen verarbeiten. Das neuronale Netzwerk ist ein Vorbild für die Forschung an künstlicher Intelligenz (KI) und maschinellem Lernen. Die Kategorisierung der KI gestaltet sich jedoch schwierig, denn in den letzten Jahrzehnten gab es eine große Vielfalt unterschiedlicher Ansätze, Methoden und Begrifflichkeiten.

Wie lässt sich künstliche Intelligenz klassifizieren? Welche Hardware ist nötig, um KI umzusetzen? Wie funktionieren künstliche neuronale Netze und maschinelles Lernen? Wo wird KI bereits erfolgreich angewendet und wo wird sie zukünftig zum Einsatz kommen?

Alessio Dal Cero gibt einen umfassenden Überblick über den aktuellen Forschungsstand zur künstlichen Intelligenz. Er stellt Anwendungsbereiche in der Wirtschaft vor und unterlegt diese mit Praxisbeispielen. Außerdem betrachtet er gesellschaftliche und ethische Aspekte der Thematik.

Aus dem Inhalt:
- maschinelles Lernen;
- starke und schwache KI;
- Natural Language Processing;
- Deep-Learning;
- Automatisierung

Inhaltsverzeichnis

Abstract (Deutsch)

Abstract (English)

Vorwort

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Relevanz des Themas
1.1 Zielsetzung & Anwendung

2 Menschliche & Künstliche Intelligenz
2.1 Begriffliche Einordnung und Definition
2.2 Unterteilung Menschliche Intelligenz
2.3 Ansätze möglicher Klassifizierung und Gruppierung der KI
2.4 Entwicklung der künstlichen Intelligenz
2.5 Technische Möglichkeiten

3 Neuronale Netze
3.1 Aufbau eins Neurons
3.2 Funktionsweise eines Neurons

4 Künstliche Neuronale Netze
4.1 Künstliche Neuronen
4.2 Schichten von Neuronalen Netzen
4.3 Mathematische Simulation des biologischen Vorbilds
4.4 Netztopologie
4.5 Regression und Klassifikation durch Neuronale Netze
4.6 Optimierung und Fehlerminimierung von Neuronalen Netzen
4.7 Probleme Neuronaler Netze

5 Maschinelles Lernen
5.1 Überwachtes Lernen – Supervised Learning
5.2 Unüberwachtes Lernen – Unsupervised Learning
5.3 Verstärkendes Lernen – Reinforcement Learning

6 Anwendung der KI
6.1 Anwendung in der Wirtschaft

7 Gesellschaftliche Aspekte
7.1 Ökonomischer Blickwinkel
7.2 Ethischer und Sozialer Blickwinkel

8 Ausblick und Fazit

Literaturempfehlung

Literaturverzeichnis

Abstract (Deutsch)

Im Rahmen dieser Bachelorarbeit wird das aktuelle Thema Künstliche Intelligenz bearbeitet. Hierfür wurde aus einer Zusammenstellung aktuellster Literatur, Wissen und Standpunkte zusammengeführt. Es wird mit einer Einführung und Kategorisierung menschlicher Intelligenz begonnen um sie auf künstliche Intelligenz zu reflektieren, sowie dessen geschichtliche Entwicklung zu beschreiben und erfolgreiche Methoden hervorzuheben. Im folgenden Kapitel wird die Funktionsweise von menschlichen und künstlichen Neuronalen Netzen im Detail erläutert und das maschinelle Lernen kurz angeschnitten. Heutige Anwendungsbereiche von KI in der Wirtschaft werden validiert und mit Praxisbeispielen begleitet. Abschließend wird die Künstliche Intelligenz aus ökonomischen, ethischen, und sozialen Blickwinkeln im Kontext von gesellschaftlichen Aspekten betrachtet.

Abstract (English)

This bachelor thesis deals with the current topic of artificial intelligence. A compilation of the latest literature, knowledge and points of view has been compiled for this purpose. It starts with an introduction and categorization of human intelligence to reflect on artificial intelligence, to describe its historical development and to highlight successful methods. In the following chapter, the functioning of human and artificial neural networks is explained in detail and machine learning is briefly discussed. Today's application areas of AI in business are validated and accompanied by practical examples. Finally, artificial intelligence is examined from economic, ethical, and social perspectives in the context of social aspects.

Vorwort

Liebe Leser und Leserinnen,

zur Einstimmung dieser Arbeit möchte ich Ihnen vorweg ein paar ausgewählte Zitate relevanter Personen zum Thema Künstlicher Intelligenz präsentieren. Lassen Sie die Zitate auf sich wirken und bilden Sie sich Ihren eigenen Eindruck.

Befürwortend

„I believe this artificial intelligence is going to be our partner. If we misuse it, it will be a risk. If we use it right, it can be our partner.“

- Masayoshi Son

„In a way, AI is both closer and farther off than we imagine. AI is closer to being able to do more powerful things than most people expect — driving cars, curing diseases, discovering planets, understanding media. Those will each have a great impact on the world, but we’re still figuring out what real intelligence is.“

- Mark Zuckerberg

„I am in the camp that is concerned about super intelligence.“

- Bill Gates

„Artificial intelligence will reach human levels by around 2029. Follow that out further to, say, 2045, we will have multiplied the intelligence, the human biological machine intelligence of our civilization a billion-fold.“

- Ray Kurzweil

“There is no reason and no way that a human mind can keep up with an artificial intelligence machine by 2035.”

- Gray Scott

“The new spring in AI is the most significant development in computing in my lifetime. Every month, there are stunning new applications and transformative new techniques. But such powerful tools also bring with them new questions and responsibilities.”

- Sergey Brin

“Ultimately, AIs will dematerialize, demonetize and democratize all of these services, dramatically improving the quality of life for 8 billion people, pushing us closer towards a world of abundance.”

- Peter Diamandis

Neutral

“If a machine is expected to be infallible, it cannot also be intelligent.”

- Alan M. Turing

“Is artificial intelligence less than our intelligence?”
- Spike Jonze

“Artificial intelligence would be the ultimate version of Google. The ultimate search engine that would understand everything on the web. It would understand exactly what you wanted, and it would give you the right thing. We’re nowhere near doing that now. However, we can get incrementally closer to that, and that is basically what we work on.”

- Larry Page

Kritisch

„I fear that AI (Artificial Intelligence) may replace humans altogether. If people design computer viruses, someone will design AI that replicates itself.“

- Stephen Hawking

“Some people call this artificial intelligence, but the reality is this technology will enhance us. So instead of artificial intelligence, I think we’ll augment our intelligence.”

- Ginni Rometty

“Before we work on artificial intelligence why don’t we do something about natural stupidity?“

- Steve Polyak

“AI will probably most likely lead to the end of the world, but in the meantime, there’ll be great companies.”

- Sam Altman

„With artificial intelligence we are summoning the demon.“

- Elon Musk

“AI doesn’t have to be evil to destroy humanity – if AI has a goal and humanity just happens in the way, it will destroy humanity as a matter of course without even thinking about it, no hard feelings.“

- Elon Musk

Durch die Wirkung dieser Zitate hoffe ich, dass Sie ähnlich von diesem Thema fasziniert wurden und den Drang verspüren, die vielen Kontroversen dieser Zitate mit ihrem eigenen Standpunkt sachlich und fachlich, aber auch emotional vertreten zu können.

Abbildungsverzeichnis

Abbildung 1: Prognose über jährlich genierte digitale Daten weltweit

Abbildung 2 Zusammensetzung „Genereller Intelligenz“ nach Wahlster

Abbildung 3: Dimensionale Methoden Einteilung

Abbildung 4: Klassifizierung KI

Abbildung 5 Meilensteine der Künstlichen Intelligenz ab 1950

Abbildung 6 Die Geschichte der verschiedenen KI-Ausrichtungen

Abbildung 7 Komponenten eines Von-Neumann-Rechners

Abbildung 8 Schematischer Aufbau eines Von-Neumann-Rechners mit dem zugehörigen Bussystem

Abbildung 9 Vergleich GPU und CPU

Abbildung 10 Matrizenmultiplikation

Abbildung 11: Typische Struktur eines Neurons mit in der Peripherie befindlichem Axon

Abbildung 12 McCulloch-Pitt’s Neuron

Abbildung 13 Beispiele von Aktivierungsfunktionen

Abbildung 14 Feed-Forward Netz

Abbildung 15 Zwei Stufen der Modellierung eines neuronalen Netzes

Abbildung 16 Die Struktur eines formalen Neurons, das auf die gewichtete Summe aller Eingaben die Aktivierungsfunktion f anwendet

Abbildung 17 Hopfield-Netz mit vier Neuronen

Abbildung 18 Vereinfachte Architektur eines Deep Learning Netzwerks

Abbildung 19: Aktueller Erfolg der KI

Abbildung 20 Business KI Framework

Abbildung 21 Use Cases für das KI-Business-Framework

Abbildung 22 Wachstum der Digital-Jobs in Deutschland

Abbildung 23 Entwicklung der durchschnittlichen Wochenarbeitszeit

Abbildung 24: Finanzierung von KI-Startups

Abbildung 25 Regionale Finanzierung von KI-Startups

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Relevanz des Themas

Die Weiten des Universums und die Intelligenz haben zwei Dinge gemeinsam, sie „begeistern und fesseln“ den Menschen und sind nach heutiger Reflexion des Forschungsstandes weitgehend unerforscht.

Bis heute ist die genaue Funktionsweise unseres Gehirns noch unerforscht. Wenn man bedenkt, dass unser Gehirn etwa 86 Milliarden Nervenzellen besitzt und diese durch etwa 86 Billionen Synapsen miteinander verbunden sind, die sich durch dreidimensionales biologisches Gewebe ziehen, wird uns schnell die immense Komplexität bewusst. ([19] Prof. Dr. Leo Peichl 2015)

Auf der anderen Seite Leben wir in einer Welt, in der sich weltweit das Volumen der jährlich generierten, digitalen Datenmenge verdoppelt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Prognose über jährlich genierte digitale Daten weltweit (1 Zetabyte entspricht 1 Billionen Gigabyte) ([20] Statista GmbH 2018)

Kein Wunder also, warum es sich heutzutage mehr denn je anbietet zur Verarbeitung dieser enormen Datenmenge Ansätze in der Neurobiologie zu suchen. Dessen neuronale Netze die Fähigkeit besitzen, durch hohe Parallelität und adaptive Strukturen Muster zu bilden, die die Essenz aus Datenfluten filtern.

Die vielen Begriffe, die heute mit Künstlicher Intelligenz verbunden werden, sind für „Außenstehende“ kaum zuordbar und werden zur Lösung der verschiedensten Herausforderungen der heutigen Zeit betrachtet. Wobei viele dieser Begriffe schon seit vielen Jahrzehnten existieren und durch ihre Präsenz in letzter Zeit ihren „zweiten Frühling“ erleben.

Durch die enorme Vielfalt an Ansätzen, Methoden und verschiedener Begriffe, ist nicht nur die Kategorisierung und Definition von Künstlicher Intelligenz sehr undurchsichtig, sondern auch der gegenwärtige Forschungsstand sowie die Möglichkeiten und Erfolge in der praktischen Umsetzung.

Oft erweckt die Künstliche Intelligenz den Anschein ein „Allerheilmittel“ für jegliche Krankheiten im Sinne von ungelösten Herausforderungen zu sein. Viel mehr jedoch müssen die verschiedenen „Krankheiten“, wie in der Medizin, zuerst einmal kategorisiert werden um im Anschluss für dessen „Heilung“ das wirkende Heilmittel aus einer Vielzahl von Optionen zusammengestellt werden.

1.1 Zielsetzung & Anwendung

Zielsetzung

Die Arbeit soll die Entwicklung und den heutigen Stand zum Thema Künstliche Intelligenz beleuchten. So dass es möglich ist, diese zu verstehen und abzugrenzen. Des Weiteren wird versucht die vielen Fassetten und verschiedenen Bereiche einzugliedern und zu kategorisieren um ein allgemeingültiges und verständliches „Bild“ zu schaffen.

Anwendung

Die Arbeit soll die heutigen Anwendungsbereiche anhand von Beispielen offenlegen und dem Leser die Möglichkeit geben, potenzielle Anwendungsbereiche mit Hilfe des heutigen Forschungsstand zu erkennen

2 Menschliche & Künstliche Intelligenz

2.1 Begriffliche Einordnung und Definition

Bevor man sich mit künstlicher Intelligenz auseinandersetzt, ist es zuerst einmal wichtig, das Wort Intelligenz, für das es keine allgemeingültige Definition gibt, versucht zu verstehen.

Wie lassen sich also bestimmte menschliche Fähigkeiten, die als intelligent angesehen werden auf Maschinen übertragen, für deren vermuteten Ursprung wir noch keine allgemeingültige Definition haben?

Ansatz dieser Arbeit ist es, menschliche Intelligenz zu unterteilen und zu versuchen sie auf Gebiete der KI zu reflektieren.

2.1.1 Arbeitsdefinition Intelligenz

Für diese Arbeit steht die Aneignung von kognitiven Fähigkeiten (siehe Unterteilung menschliche Intelligenz) des Menschen, wie Lernen, Problemlösung und Mustererkennung im Vordergrund und wird als zu fokussierender Teilaspekt der menschlichen Intelligenz betrachtet.

2.1.2 Definition Künstliche Intelligenz

Der Begriff „Künstliche Intelligenz“ bietet einen scheinbar unbegrenzten Interpretationsraum und beherbergt eine immer weiterwachsende und verwirrende Anzahl von Schlagwörtern der Informatik.

Wie auch die Definition der menschlichen Intelligenz vom Gesichtspunkt der jeweilig erforderlichen Anforderung abhängig ist, ist auch deren interdisziplinäre Nachahmung, die künstliche Intelligenz nicht einfach und prägnant zu definieren.

2.1.3 Arbeitsdefinition Künstliche Intelligenz

Unter künstlicher Intelligenz wird in dieser Arbeit ein Zusammenschluss von Technologien verstanden, der menschliche Fähigkeiten im Sehen, Hören, Analysieren, Entscheiden und Handeln nachahmt und oder ergänzt.

2.2 Unterteilung Menschliche Intelligenz

Für die Unterteilung der menschlichen Intelligenz wird die Methode nach Wolfgang Wahlster genutzt, die im Abb. 3 dargestellt ist.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Zusammensetzung „Genereller Intelligenz“ nach Wahlster

2.2.1 Kognitive Intelligenz

Kognition beschreibt den Zusammenschluss aller mentalen Vorgängen und Wahrnehmungen, die Informationen mit Hilfe von Fähigkeiten wie Verarbeitungsvermögen, Aufmerksamkeit, Kreativität, Organisation, Erinnerungs- und Lernvermögen zu einer bestimmten Schlussfolgerung oder Ergebnis führen. ([23] Werner Stangel 2019)

Gegenüberstellung zur Maschine:

Maschinen erzielen im Bereich der Kognition weitgehend Erfolge, die den Menschen in einzelnen Bereichen sogar übertreffen können, beispielsweise in den Denk- und Strategiespielen Schach und Go.

Das Aufnehmen, Erlenen, Kombinieren und Schlussfolgern von Wissen beherrschen Maschinen in einzelnen Bereichen (Beispiele in Economic Use Cases). ([44] Wikipedia 2019)

2.2.2 Sensomotorische Intelligenz

Unter Sensormotorik wird die Interaktion von sensorischen und motorischen Ein­sätzen verstanden. ([36] Wikipedia 2018)

Elektronisches Pendant menschlicher Sinne:

Vergleichen wir einzelne Sinnesorgane mit den heutigen Möglichkeiten, wird deutlich, dass die heutige Technik in vielen sensorischen Bereichen überlegen ist:

- Sehen = Kameras sind dem menschlichen Auge in Auflösung und Blickweite überlegen, auch Erfassungen im Infrarot und UV-Bereich sind im Gegensatz zum menschlichen Auge möglich.
- Hören = Mikrofone können wesentlich geringe Lautstärken und größere Frequenzbereiche erfassen.
- Riechen & Schmecken = Sogenannte „Elektronische Nasen“ liefern durch mikroelektronische Gassensoren elektronische Daten zur Messung der Gaskonzentration geruchloser und auch geruchsaktiven Gase. ([40] Wikipedia 2018)

Durch thermische und elektrische Impedanz-Spektroskopie können durch elektronische Leitfähigkeits- und thermische Prüfung aussagekräftige Daten zur Eigenschaft von Flüssigkeiten in Speisen gewonnen werden. ([11] Jägle 2015)

- Fühlen = Durch Druck-, Temperatur-, und Tastsensoren lässt sich die menschliche Fähigkeit des Fühlens durch sogenannte „Elektronische Haut“ nachahmen.

Einzig in Bezug auf die Kombination der Sinneseindrücke ist der Mensch zurzeit noch überlegen. Zwar sind Maschinen wie der Mensch in der Lage Hindernissen automatisch auszuweichen, beispielsweise autonomes Fahren. Jedoch ist es Maschinen trotz präziserer Daten einzelner Sensoren nicht möglich eine menschlich ebenbürtige Interaktion dieser Sensoren und dessen instinktive und emotionale Schlussfolgerungen nachzuahmen. Siehe Emotionale Intelligenz. ([44] Wikipedia 2019)

2.2.3 Emotionale Intelligenz

Die Fähigkeit menschliche Gefühle, ganz gleich ob eigen oder fremd wahrzunehmen, zu verstehen und zu beeinflussen wird als Emotionale Intelligenz definiert. ([44] Wikipedia 2019)

Gegenüberstellung zur Maschine:

Durch technischen Fortschritt ist eine Sentimentanalyse durch Maschinen möglich. Das bedeutet, die Fähigkeit durch Beobachtung von Gestik, Körpersprache und Gesichtsausdrücken jeweilige Emotionen zuzuordnen. Dies wird im Praxisbeispiel EyeQuant, welchs im Kapitel X zu finden ist.

Was heutzutage nicht auf Maschinen übertragbar ist, ist die menschliche Fähigkeit ein Bewusstsein zu bilden und Sympathie, Empathie, Freude, Liebe, Angst, Mitleid und andere Gefühle zu empfinden oder sich in andere Menschen einzufühlen und emotional handeln. ([44] Wikipedia 2019)

2.2.4 Soziale Intelligenz

Soziale Intelligenz ist die Fähigkeit, in einem sozialen Umfeld situationsgerecht und angemessen zu agieren. ([44] Wikipedia 2019)

Gegenüberstellung zur Maschine:

Auf diesem Gebiet kann die Forschung noch keine bekannten positiven Erfolge vorweisen. ([44] Wikipedia 2019)

Beispielsweise der Chatbot Tay von Microsoft, der selbstständig lernen sollte mit Menschen über Twitter personalisiert zu kommunizieren. Nach 16 Stunden wurde er wegen Völkermord bejahenden Kommentaren abgeschaltet. ([50] Wikipedia 2019)

2.3 Ansätze möglicher Klassifizierung und Gruppierung der KI

Eine einheitlich klar voneinander abgegrenzte Klassifizierung der KI gestaltet sich aufgrund der hohen Komplexität, Interdisziplin und der Überlappung der verschiedenen Teilgebiete sehr schwierig. Zudem kommen die bereits erwähnten fehlenden einheitlichen Definition der KI, die eine Abgrenzung je nach Blickwinkel erschweren. ([9] Gentsch 2018, S. 30)

2.3.1 Unterscheidung Schwache und Starke KI

Um eine Unterscheidung der Künstlichen Intelligenz in Schwache und Starke Intelligenz vorzunehmen, eignet sich der in Unterteilung Menschlicher Intelligenz gewählte Ansatz gut. So beschäftigt sich die Schwache Intelligenz in der Regel mit konkreten Anwendungsproblemen, die sich meist auf die Unterstützung einer „Kategorie“ von Intelligenz beschränkt. Also eine Imitation von intelligentem Verhalten ohne bewusstseinsähnliches Verhalten. Wobei die Starke KI sich mit der Anwendung aller einzeln beschriebenen Intelligenzen und dem daraus resultierenden Verhalten in Form von nachdenken und Problemlösung, sprich der „Generellen Intelligenz“ inklusive eines Bewusstseins beschäftigt. ([22] Stefan Nordhausen 2017)

2.3.1.1 Schwache KI

Konkrete Beispiele für Schwache Intelligenz sind:

- Expertensysteme
- Korrekturvorschläge
- Spracherkennung, wie:

2.3.1.2 Natural Language processing (NLP)

NLP ist eine Disziplin der Künstlichen Intelligenz und beschreibt die Fähigkeit der maschinellen Verarbeitung, des Verstehens und Generierung von menschlicher Sprache in gesprochener oder schriftlicher Form. Diese Technik lässt Computer von ausschließlich formalisierten Programmiersprachen entfernen und „lernt“ Maschinen die menschliche Sprache.

Auch wenn die NLP in vergangener Zeit größte Fortschritte feiern konnte, bleibt eine der größten Herausforderungen die Semantik der menschlichen Sprache, die übergreifend keinerlei Einheit folgt und Abhängig von verschiedenster Faktoren wie Grammatik, Kultur, Zeit und Interpretation ab. Um der Maschine die Fähigkeit zu verleihen Wortbedeutungen im Kontext intuitiv richtig zu deuten, werden unter anderem verschiedene Maschine Learning Methoden kombiniert. Zum Allgemeinen Fortschritt in der Computerlinguistik tragen auch in Anwendung der KI beschriebenen Daten- und Hardware-Faktoren ein.

Beispiele zur heutigen Anwendung werden in Economic Use Cases beschrieben. ([9] Gentsch 2018, S. 31)

2.3.1.3 Starke KI

Ein konkretes Beispiel für eine Starke Intelligenz existiert nach den obigen Anforderungen heutzutage noch nicht.

Ein Fallbeispiel für Starke Intelligenz wäre die Vereinigung und Erweiterung aller Fähigkeiten, die der:

- Kognitive Intelligenz
- Sensomotorischen Intelligenz
- Emotionalen Intelligenz
- Soziale Intelligenz

zugeschrieben werden.

2.3.2 Gruppierung in Symbolische und Subsymbolischer KI

Auch wenn heutzutage die strenge Unterscheidung von Symbolischer und Subsymbolischer KI durch Verschmelzung verschiedener Methoden beider Lager obsolet ist, ist es aus geschichtlicher Sicht sinnvoll, um die Entwicklung und Fortschritt zu verstehen.

2.3.2.1 Symbolische KI

Unter Symbolische KI werden Systeme verstanden, die mit Algorithmen und Methoden arbeiten, die auf einer für den Menschen verständlichen Symbolsprache basieren, sprich für dessen Vorgänge für den Menschen nachvollziehbar sind. Grundlage hierfür ist lediglich die Simulation von beobachtetem intelligentem Verhalten. Eigene Denkprozesse sind nicht angestrebt.

2.3.2.2 Beispiel:

- Regelbasierte Expertensysteme

([9] Gentsch 2018, S. 31)

2.3.2.3 Subsymbolische KI

Im Gegensatz zur Symbolischen KI versucht man in der Subsymbolischen KI, unter die die neuronale KI fällt, mithilfe von artifiziellen neuronalen Netzwerken Strukturen zu erschaffen, die intelligentes Verhalten mit biologieinspirierten Informationsverarbeitungsmechanismen lernen. Deren Vorgänge für den Menschen nicht gänzlich nachvollziehbar. ([9] Gentsch 2018, S. 35–37)

2.3.2.4 Beispiele:

- Künstliche Neuronale Netze, siehe Kapitel 4

2.3.3 Methodische Unterteilung der KI

Wie in Abbildung 4 dargestellt, lässt sich KI in zwei Dimensionen einteilen. Zum einen die erklärten Symbolischen und Neuronalen-Systeme und zum anderen in Simulationsmethoden und phänomenologische Methoden, deren Relation in Abb.4 veranschaulicht wird.

[...]

• Autor: Alessio Dal Cero (Autor:in)
• Erscheinungsjahr: 2020
• Seiten: 71
• Katalognummer: V516818
• ISBN (eBook): 9783964871916
• ISBN (Buch): 9783964871923
• Sprache: Deutsch
• Schlagworte: Künstliche Intelligenz, Neuronale Netze, Anwendungsbereiche, AI, KI, Gesellschaftliche Aspekte, Wirtschaft, Informatik, Wirtschaftsinfomatik, Intelligenz, starke und schwache KI, maschinelles Lernen, Deep-Learning, Automatisierung, Natural Language Processing