KI für die Weiterbildung: Mythos und Wirklichkeit

Ein Großteil der Unternehmen hierzulande, so ein Ergebnis der eLearning BENCHMARKING Studie 2019, sieht in KI erhebliche Potenziale für die betriebliche Weiterbildung, vor allem im Bereich der individuellen Lernempfehlungen, im Performance Support sowie bei virtuellen Assistenten und Tutoren. Der größte Hinderungsgrund für einen stärkeren Einsatz von KI ist jedoch fehlendes internes Knowhow in Sachen KI. Das ist nicht verwunderlich, handelt es sich doch um ein sehr breites und technikgetriebenes Feld, das sich zudem ständig und rasch weiterentwickelt. Umso wichtiger ist es, grundlegende Konzepte der KI zu kennen und zu verstehen, um so die Grundlage zu schaffen, die noch große Differenz zwischen Anspruch und Wirklichkeit bzw. dem vielversprechenden Potenzial und dem tatsächlichen Einsatz von KI in der betrieblichen Weiterbildung in Zukunft zu verringern.

Immer mehr KI-Anwendungen durchdringen unseren Alltag, von digitalen Assistenten wie Siri und Cortana bis hin zu Robotern im Haushalt, in der Pflege und in der Lehre. In der Weiterbildung begegnen uns KI-Anwendungen in Form von Empfehlungssystemen zur Kurswahl, bei der Optimierung von Termin- und Trainer-einsatzplanungen im Trainingsmanagement, bei automatisierten Korrekturen, Benchmarking und Scoring, oder auch in Form von digitalen Lernassistenten und virtuellen Tutoren. Doch wie intelligent sind diese Systeme überhaupt? Und was macht sie intelligent?

Was ist das überhaupt: Künstliche Intelligenz?

Anders als die Verwendung des Begriffs nahelegt, ist künstliche Intelligenz nicht eine bestimmte Methode oder Technologie. Vielmehr ist sie ein ganzes Fachgebiet, nämlich das Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens befasst. Dabei kommen eine Vielzahl von Methoden und Verfahren zum Einsatz, die sich im Wesentlichen in zwei Gruppen unterteilen lassen.

Die erste Gruppe ist die sogenannte symbolische KI, oft auch „klassische KI“ genannt. Ihre Grundlagen stammen bereits aus der Frühzeit der KI in den 1950er Jahre, wie Heuristiken, Planung, Entscheidung und Wissensrepräsentation. Symbolische Informationsverarbeitung arbeitet mit expliziten Programmierabläufen, die auf Logiken, Schlussregeln und Interferenzverfahren beruhen.

Dazu kommen als zweite Gruppe seit den 1970er Jahren Lernverfahren, die auf künstlichen neuronalen Netzen basieren. Diese werden unter dem Begriff „Machine Learning“ bzw. Maschinenlernen (kurz: ML) zusammengefasst.

Klassische KI ist besonders gut darin, logische Schlüsse zu ziehen, strategische Entscheidungen zu treffen und sinnvolle Planungen zu erstellen. Expertensysteme, aber auch viele Optimierungsverfahren beruhen auf klassischen KI-Methoden.

ML-Verfahren basieren letztlich auf statistischen Methoden und sind gut darin, Muster und Korrelationen zu erkennen, können aber (wie alle statistischen Verfahren) nicht zwischen Ursache und Wirkung unterscheiden. Die Stärken von ML liegen in der Mustererkennung, Musterverarbeitung und im Musterlernen. Anwendungsbeispiele sind die Sprach-, Bild- und Schrifterkennung, Sensorik in der Robotik, oder auch Deep-Art, die Stile berühmter Maler nachahmt und sie auf beliebige Fotos anwendet.

Welche Verfahren in einer KI-Anwendung zum Einsatz kommen, hängt vom Anwendungsfall und der Zielsetzung ab. Meist ist es eine Kombination verschiedener Methoden, oft sowohl klassische KI als auch ML.

Wie intelligent ist KI?

Gegenfrage: Was ist Intelligenz? Da wird es schwierig. Es gibt bis heute weder eine allgemein anerkannte Definition von Intelligenz noch Klarheit darüber, wie Intelligenz zustande kommt. Ist Intelligenz das, was ein IQ-Test misst? Umfasst sie neben logisch-analytischen und sprachlichen Fähigkeiten auch noch emotionale? Ist ein Mathegenie intelligenter als ein Sprachkünstler? Viele Fragen, die wir nicht beantworten können.

In Bezug auf künstliche Intelligenz bedeutet das: Als intelligent darf gelten, was uns intelligent vorkommt – oder besser: intelligent genug, um bestimmte Aufgaben zu erfüllen. Ein intelligentes System zeigt ein Verhalten und kommt zu einem Ergebnis, das in der jeweiligen Situation sinnvoll und zielführend ist. Was das genau bedeutet, kann von Anwendungsfall zu Anwendungsfall verschieden sein; ebenso wie die verwendeten Technologien von Fall zu Fall andere sein können. Und genauso wenig, wie sich sagen lässt, ob ein Mathegenie intelligenter ist als ein Sprachkünstler, ist eine bestimmte Technologie besser oder intelligenter als eine andere. Entscheidend ist einzig, was genau man erreichen will, was genau die KI-Anwendung leisten soll.

Von der menschlichen Intelligenz ist die künstliche Intelligenz jedenfalls sehr weit entfernt. Überlegen ist sie uns vor allem in der Geschwindigkeit und Präzision, mit der sie Aufgaben erledigt.

Häufig findet man den Begriff „schwache KI“ für aufgabenorientierte KI-Anwendungen, im Unterschied zur „starken“ KI, die sich von der des Menschen nicht mehr unterscheiden oder sie sogar übertreffen würde. Ob eine „starke“ KI überhaupt möglich ist, wird jedoch stark bezweifelt. Solange wir nicht wissen, was Intelligenz und Bewusstsein überhaupt ausmacht, ist sie jedenfalls in sehr weiter Ferne.

Wie lernt KI?

Lernen ist ein fast so vielschichtiges Wort wie Intelligenz. Es umfasst den Erwerb von Wissen und Fähigkeit, aber auch die Erweiterung und Vertiefung von Erfahrungen oder die Fähigkeit, sich an veränderte Umweltbedingungen anpassen zu können. Lernen hat nicht nur eine quantitative, sondern auch eine qualitative Dimension; nicht ohne Grund unterscheiden wir „auswendig lernen“ von „lernen“.

Ebenso wie der künstlichen Intelligenz ein eher enger Begriff von Intelligenz zugrunde liegt, ist es auch beim Lernen. Wenn eine KI-Anwendung „lernt“, bedeutet das nur, dass sie ihr Verhalten und damit die Ergebnisse, die sie liefert, an ihre Beobachtungen im Lauf der Zeit und/oder den aktuellen Kontext anpasst. ML-Systeme verwenden statistische Verfahren, um Korrelationen, Muster und Strukturen zu erkennen; wenn sie lernen, bedeutet das: Ihre Fähigkeit steigt, diese Muster und Strukturen zu entdecken und zu differenzieren. Häufig benötigen sie dafür auch das korrigierende (und trainierende) menschliche Feedback.

Eine große Herausforderung im Maschinenlernen liegt in der Beschaffung der Trainingsdaten – denn es müssen nicht nur sehr viele, sondern auch relevante Daten sein. Das ist oft alles andere als einfach – und je schlechter die Qualität der Daten, desto schlechter bleiben auch die Ergebnisse des Systems.

KI in der Weiterbildung: Chatbots als Lernbegleiter und Lernpartner

Mit einem Chatbot chattet man wie mit einem Menschen; dahinter steckt jedoch eine (KI-gestützte) Software. Im Marketing und im Kundenservice begegnet man Chatbots schon recht häufig: Dort übernehmen sie einfache Aufgaben wie die Pflege von Benutzerdaten, beantworten häufige Fragen oder unterstützen beim Online-Shopping. Entsprechend können sie HR und Weiterbildung unterstützen. Richtig spannend wird es, wenn der Chatbot zum digitalen Tutor oder Coach wird, also selbst Wissen bereitstellt und – idealerweise – die Benutzer:innen bei der Erschließung dieses Wissens didaktisch kompetent an die Hand nimmt und in ihrem Lernprozess begleitet.

Die meisten Chatbots kombinieren klassische, symbolische KI-Methoden mit Machine Learning. ML-gestützte Methoden und Tools wie das „Natural Language Understanding“ (kurz: NLU) sind für das Verständnis der User-Eingabe nützlich, bei akustischer Spracheingabe sogar unerlässlich, um den eingehenden Schall zu analysieren und die Frequenzmuster in Text zu übertragen. Jedoch: Je spezifischer und fachbezogener die Fragen und Eingaben der Benutzer:innen sein können, desto weniger Textbeispiele für das Training des Bots stehen zur Verfügung und desto mühsamer und aufwendiger gestaltet sich das Training für den Bot-Autor. Demgegenüber lassen sich mit regelbasierten Ansätzen, bei denen die Antworten des Chatbots vorab über Regeln festgelegt werden, deutlich komfortabler und schneller gute Ergebnisse erzielen. Außerdem ermöglichen diese eine wesentlich höhere Trennschärfe und eine spezifische Aufbereitung der Ausgaben, z.B. hinsichtlich fachlicher Differenzierung oder didaktischer Aufbereitung. Dies ist wiederum gerade bei Anwendungen in der Weiterbildung, insbesondere bei digitalen Tutoren und Lernbots, nicht nur ein unschätzbarer Vorteil, sondern geradezu ein Muss.

Damit ein Chatbot von den Benutzer:innen als hilfreich empfunden und als Gesprächspartner akzeptiert wird, ist es notwendig, ihn auf den jeweiligen (Lern-)Kontext hin zu entwickeln. Die Basis dafür ist Klarheit über Kompetenzen und Zuständigkeit des Bots. Ein Bot-Projekt sollte deshalb mit einer gründlichen Konzeption beginnen, um den Anwendungsfall, die Zielsetzung und die Zielgruppen zu klären. Viele Bots erhalten von ihren Entwicklern und Autoren eine eigene Persona, um im Dialog mit dem Nutzer möglichst „menschlich“ zu wirken und zugleich unverwechselbar zu sein. Auf dieser Grundlage lassen sich dann die Dialoge für den Chatbot erstellen.

Bei diesem Artikel handelt es sich um einen gesponsorten Beitrag der Firma time4you GmbH communication & learning.

Beitragsbild: © phonlamaiphoto – stock.adobe.com

Die Autoren:

Beate Bruns

ist Mitgründerin und geschäftsführende Gesellschafterin der time4you GmbH communication & learning mit Sitz in Karlsruhe.

Dr. Cäcilie Kowald

ist bei der time4you GmbH im Bereich Learning Design tätig, mit den Schwerpunkten KI, Conversational Learning und Storytelling.