Ich muss gestehen: ich bin leidenschaftlicher Gamer. Man könnte auch sagen, ein „Nerd“. Ich liebe Computerspiele, nicht nur, sie zu spielen, sondern ich möchte auch wissen, wie sie gemacht werden, wie sie funktionieren und wohin die Entwicklung in Zukunft führen wird. Ganz besonders interessiert mich, wie künstliche Intelligenz in Spielen umgesetzt wird und was wir daraus über den Einsatz von KI als Teil von Analytics lernen können.
KI in Games verstehen
Zunächst ist es wichtig zu verstehen, dass KI in Computerspielen (normalerweise) nicht ganz das Gleiche ist wie die KI, über die wir bei Analytics sprechen, weil sie nicht wirklich lernt. Es gibt einige wenige Spiele, die echte KI nutzen, wie zum Beispiel AlphaGo: Der Computer, der in tausenden Partien gelernt hat, Go zu spielen und seither die weltbesten Spieler schlagen kann. Und mit jedem neuen Spiel gegen einen menschlichen Gegner entwickelt er seine Fähigkeiten weiter.
Die meisten Spiele jedoch lernen nicht in diesem Sinne. Sie verwenden eher eine Art „Pseudo-KI“: Ihre unterschiedlichen Reaktionen auf ein weites Spektrum an Ereignissen wurden sorgfältig vorab im Programmcode verankert. Einige sind eher simpel und verfügen lediglich über eine begrenzte Auswahl an Aktivitäten – beispielsweise jemanden erschießen, wegrennen, sich zusätzliche Spiele-Leben verschaffen oder nach einem anderen Spieler suchen. Andere nutzen Entscheidungsbäume, um aus den wahrscheinlichsten Resultaten die sinnvollste Aktion abzuleiten.
Solche Spiele lernen jedoch nicht wirklich – und zwar vor allem aus zwei Gründen, die beide auf die Nutzung von KI in Analytics angewendet werden können.
Erstens, eine KI, die wirklich lernt, verändert das Spiel kontinuierlich und nimmt dem Designer die Kontrolle über den Spielverlauf
Es gibt einige KI-Spiele, die lernen. Dazu gehört zum Beispiel ein Simulations-Spiel, bei dem Spieler Wesen heranziehen, die unterschiedlich lernen, abhängig davon, wie sie trainiert werden. Somit entwickelt sich jedes dieser Geschöpfe sehr unterschiedlich. Beim Design eines solchen Spiels rückt die KI in den Mittelpunkt des Interesses – ein Umstand, den die meisten Spieleentwickler lieber vermeiden wollen. In der Regel gibt es einen sehr genauen Plan über Spielablauf, Mechaniken und Spielerlebnis für den Spieler. Fängt das Spiel an, selbst zu lernen, eigene Entscheidungen zu treffen, entzieht es sich der Kontrolle des Designers. Dann kann so ziemlich alles passieren, wie wir bei Microsofts Chatbot „Tay“ gesehen haben.
Zweitens, lernende KI fängt irgendwann an, zu gewinnen – und das verdirbt das Spielerlebnis
AlphaGo hat uns gezeigt: KI, die aus Erfahrung lernt, wird irgendwann anfangen, zu gewinnen. Denn sie kann Optionen und Ergebnisse wesentlich schneller im Voraus berechnen als ein Mensch, so dass sie früher oder später genug Informationen hat, um Spiele für sich zu entscheiden. Und hat sie einmal mit dem Gewinnen angefangen, bleibt sie auch auf Siegeszug. Die meisten Game-Designer setzen der Spielintelligenz deshalb eine Grenze, um sicherzustellen, dass der menschliche Spieler eine reale Gewinnchance hat. Warum? Weil beim Gaming das Spielerlebnis das Wichtigste ist. Wenn Spieler das Spiel nicht mögen, bleiben sie nicht am Ball und kaufen sicherlich auch keine Fortsetzung.
Was heißt das für KI als Teil von Analytics?
Schauen wir uns zunächst den ersten Punkt an. Im Geschäftsleben gibt es kein „Ich erlaube der KI die Kontrolle zu übernehmen“. Entscheidungsträger bauen auf Fakten, und Aufsichtsbehörden fordern eine wasserdichte Begründung für Entscheidungen. Banken und Kreditinstitute zum Beispiel müssen darlegen, warum sie welche Kredite vergeben. „Computer sagt nein“ ist nicht ausreichend. Um dem Algorithmus zu vertrauen, muss man genau wissen, was die Eingabeparameter waren und was im Inneren des Algorithmus passiert. Verliert man erst einmal die Kontrolle – wenn der Algorithmus also wirklich selbstständig lernt – wird das im besten Fall extrem schwierig und damit zur echten Herausforderung für den Einsatz von KI in der Geschäftswelt. Ebenso wie bei Spielen müssen Entwickler sorgfältig darauf achten, was die KI darf und was nicht. Die „Spieler“ zu verlieren bedeutet in diesem Fall, dass die Entscheidungsträger kein Vertrauen mehr in den Algorithmus haben, von dem sie eigentlich profitieren sollen – und das macht diesen Algorithmus letztlich überflüssig.
Der zweite Punkt ist ebenso aufschlussreich. Im Gaming besteht die Möglichkeit, der KI weniger Informationen zu geben, denn die vom Designer geschaffene Spielewelt hat nur eine überschaubare Anzahl an Parametern. Im echten Leben ist die Welt, in der die KI lernt, jedoch viel größer, tatsächlich beinahe unbegrenzt. Es ist deshalb faktisch unmöglich, ihr sämtliche Parameter zu übergeben. In beiden Fällen versucht man, das bestmögliche Set an Informationen zu liefern, das (objektiv gesehen) zwar der KI nicht erlaubt, die optimale Entscheidung zu treffen, dafür aber eine kontrollierbare User Experience schafft. So wie Spieler nur dann zum Spiel zurückkehren, wenn sie erwarten können, damit Spaß zu haben, wird KI nur dann in Geschäftsprozesse integriert, wenn sie auch die Geschäftsziele optimal unterstützt.
Setzt man eine KI in den Mittelpunkt einer Welt, ob es nun die reale Geschäftswelt oder eine simulierte Fantasiewelt ist, bringt das zweifellos eine ganze Menge von Herausforderungen mit sich. Und diese Herausforderungen sind in beiden Welten vergleichbar: KI braucht Grenzen um zu passen. Wir können noch nicht ihr volles Potential ausschöpfen. Werden wir das jemals können?
