Künstliche Intelligenz

Obwohl wir sie alle nutzen (müssen), herrscht oft nur ein vages Verständnis darüber, was sich hinter KI verbirgt. Oder uns ist nicht bewusst, dass wir sie bereits nutzen. Traditionell wird mit KI ein Teilgebiet der Informatik bezeichnet, welches sich mit der Automatisierung von intelligentem Verhalten befasst. Kurz gesagt sind KI selbstlernende Computersysteme, die versuchen, menschliche Intelligenz nachzuahmen.  

Bei unserem Eingangsbeispiel wird auf dem Smartphone die menschliche Fähigkeit, Gesichter auf Fotos zu erkennen, durch eine Software übernommen. Was sich zunächst trivial anhört – nicht zuletzt, weil es uns Menschen ohne große Anstrengung gelingt – ist bei näherer Betrachtung eine sehr komplexe Aufgabe. Damit auch das Smartphone Gesichter erkennen kann, braucht es Regeln, die ein Gesicht als Gesicht definieren.

Für jedes Erkennen weiterer Gegenstände müsste mit viel Aufwand ein komplett neues Regelwerk händisch definiert werden. Stattdessen soll das Definieren solcher Regeln automatisch, also selbstlernend passieren. Das ist das Ziel von aktuellen KI-Systemen, die auf solche komplexen aber klar umgrenzten Aufgaben angewendet werden können.

Die KI, mit der wir es im Alltag sowie bei der Arbeit zu tun haben und die für die Mitbestimmung relevant ist, ist die sogenannte schwache KI. Die genannte Bilderkennung ist ein Beispiel dafür, ebenso wie Analysesoftwares oder Übersetzungstools. Bei all diesen schwachen KIs wird automatisch ein Regelwerk erstellt, um dann damit konkrete Aufgaben zu lösen.

Unter einer sogenannten starken KI werden Systeme verstanden, deren Fertigkeiten und Eigenschaften einer menschlichen Intelligenz entsprechen oder sie sogar übertreffen. Diese KI kennen wir aus Science-Fiction-Filmen, wo Menschen mit einem Computersystem interagieren, dessen Verhalten nicht von dem eines Menschen zu unterscheiden ist. Solche Systeme werden aber auch zukünftig nur in Filmen vorkommen, weil menschliche Intelligenz selber nur schwer definier- und damit nachbildbar ist.

In der Lagerlogistik sollen für eine schnellere Abfertigung von Aufträgen ständig Routen optimiert werden. Bei der Abarbeitung dieser Transportaufträge sollen Arbeitnehmerinnen und Arbeitnehmern optimierte Routen präsentiert werden, denen sie dann nur noch nachgehen müssen. Gleichzeitig wird jede Abweichung von der optimalen Route erfasst und gespeichert. Um überhaupt solche Routen erstellen zu können, werden zuvor die millionenfach menschlich entschiedenen und absolvierten Routen zum Trainieren genutzt. Zukünftig kann die KI neue Routen eigenständig planen und den Beschäftigten vorschlagen. Zudem kann mit so einer automatischen Routenfindung in Kombination mit (Bild)Erkennung auch ein Robotertransportsystem installiert werden, das eigenstätig Waren an Punkt A einsammelt und bei Punkt B abliefert. In Logistikzentren ist das bereits heute Realität.

Ein anderer typischer Anwendungsfall ist die Planung und Ermittlung von Arbeitsleistung bei der Nutzung von Bürosoftware. Dabei werden die einzelnen Aktionen der Beschäftigten aufgezeichnet und an das System übermittelt. Dieses bewertet dann beispielsweise die erledigten Aufgaben, leitet Prognosen für die zukünftige Arbeit ab und erstellt Pläne, was am besten als nächstes zu tun ist. Auch hier wurde das Computersystem zuvor auf Grundlage von umfangreichen Mitarbeiterdaten trainiert. Teilweise können schon heute mit den in der Bürotätigkeit gefundenen Mustern Arbeitsabläufe, ähnlich zur Logistik, automatisiert werden.

Diese Einsatzmöglichkeiten zeigen, dass bei KI Mitbestimmung ein Muss ist. Denn während wir tagtäglich von KI begleitet und unterstützt werden, wirft der Einsatz bei den Gremien neue Fragen auf:

Wo KI einerseits den Beschäftigten mehr Zeit und Raum für anspruchsvolle Tätigkeiten lässt, weil monotone Arbeiten automatisiert werden, kann sie ohne Mitbestimmung auch Risiken bergen. Dazu gehört der Verlust von Arbeitsplätzen sowie das Nichtnachvollziehen von Entscheidungen basierend auf KI. Aber auch die Frage nach der Selbstbestimmung der Beschäftigten bei der Arbeit muss beachtet werden. Und nicht zuletzt ist der Datenschutz ein wichtiges Thema.

Die betriebliche Mitbestimmung kann hier einen wichtigen Beitrag leisten indem sie bereits frühzeitig bei der Planung des Einsatzes von KI einbezogen wird und der Geschäftsführung die richtigen Fragen stellt, unter anderem:

• Welche Daten werden erhoben?
• Wie werden die Daten verarbeitet?
• Wer hat Zugriff auf die Daten?
• Für welchen Zweck lernt die KI?
• Was passiert mit den Daten, wenn sie nicht mehr benötigt werden?
• Entscheidet die KI autonom?
• Sind die Aussagen der KI verbindlich?
• Sind die Entscheidungen transparent und werden von einem Menschen überwacht?
• Soll KI Stellenabbau bewirken?
• Was passiert bei Abweichung von KI-Vorschlägen?

Im Prinzip sind alle aktuellen KI-Systeme, die zum Einsatz kommen, künstliche neuronale Netze (KNN), die wiederum das Tiefe Lernen (deep learning) praktizieren. Ein KNN orientiert sich, wie der Name andeutet, an der neuronalen Vernetzung des menschlichen Gehirns, ist sachlich aber nichts anderes als eine Verkettung von mathematischen Funktionen. Dazu werden die einzelnen Neuronen (die mathematischen Funktionen) in Ebenen hintereinander angeordnet.

Am Anfang, also auf der ersten Ebene, werden die Daten der Aufgabe – in unserem Fall die Pixel eines Fotos – eingegeben. Die letzte Ebene spuckt ein Ergebnis – Gesicht ja/nein – aus, während auf allen Ebenen dazwischen die Ausgangsinformationen weiterverarbeitet werden. Dazu sind jeweils alle Neuronen einer Ebene mit allen Neuronen der nachfolgenden Ebene verbunden. Die Weitergabe der Ergebnisse kann stärker oder schwächer sein, das heißt es kann verändert werden, wie wichtig die Ergebnisse eines Neurons für die nachfolgenden sind.

Das ist auch das kritische Moment von KNNs: Die Stärke der Weitergabe sind die Regeln, in unserem Fall für die Gesichtserkennung. Was abstrakt klingt, ist es auch, denn ein KNN kennt keine Regel wie „Ein Gesicht ist rund“, sondern es hat stärkere und schwächere Verbindungen zwischen seinen mathematischen Funktionen (Neuronen). Diese kreieren am Ende einen Zahlenwert, der entweder für oder gegen ein Gesicht spricht. Ob dieser Zahlenwert aber aufgrund einer Rundung im Bild zustande kommt, lässt sich nicht sagen, weswegen KNN häufig auch als Black Boxes bezeichnet werden: Niemand weiß, warum und nach welchen Kriterien das KNN zu einem Ergebnis gekommen ist.

Wenn die Verbindungen und ihre Stärke bestimmen, was am Ende rauskommt, sie aber keiner verbalisierten Regel folgen, wie kommen sie dann zustande? Dazu wird das bereits genannte Tiefe Lernen genutzt. Dabei werden einem KNN beispielsweise millionenfach Bilder mit und ohne Gesichtern vorgelegt und dann berechnet, ob ein Gesicht vorhanden ist oder nicht. Diese Ergebnisse werden mit der Wahrheit verglichen, also einer von einem Menschen gemachte Aussage über die Bilder. Weicht das Ergebnis der KNN von der Wahrheit ab, werden die Verbindungen zwischen den Neuronen nach einem bestimmten Algorithmus verändert. Anschließend werden die Bilder wieder dem Netzwerk vorgelegt, das erneut seine Ergebnisse der Frage „Gesicht ja/nein“ berechnet, die dann wieder mit der Wahrheit verglichen werden, und so weiter.

Das wird solange wiederholt, bis die Entscheidungen des KNN überwiegend richtig sind. Dieser Prozess ist es, was man Training oder eben Lernen bei einem KNN nennt. Zwei wesentliche Punkte werden daran deutlich: Erstens hat diese Form des Lernens nichts mit menschlichem Lernen zu tun (niemand muss immer wieder millionenfach Gesichter gezeigt bekommen, bis sie/er selbstständig Gesicht erkennen kann). Zweitens zeigt dieses Verfahren, wie wichtig die Daten für das Tiefe Lernen sind. Auch das macht KI für die betriebliche Mitbestimmung wichtig.

Datenschutz bei KI-Anwendungen

Eine (betriebserfassungs-)rechtliche Betrachtung von KI

Menschliche Kompetenz

Digitalfunk