Künstliche Intelligenz (KI) umfasst unterschiedliche Ansätze, die sich darin unterscheiden, wie sie zu Ergebnissen kommen und wofür sie besonders gut geeignet sind.

Eine hilfreiche Einteilung findet sich im ISTQB-Lehrplan „Testing with Generative AI“. Die folgenden Definitionen sind daran angelehnt.

Bei symbolischer künstlicher Intelligenz (engl. „Symbolic AI“) wird Wissen in Form von Symbolen, Fakten und Regeln dargestellt. Durch logische Schlussfolgerungen kann daraus weiteres Wissen erschlossen werden. Ein Beispiel sind regelbasierte Expertensysteme.

Beim klassischen maschinellen Lernen (engl. „Classical Machine Learning“) werden Modelle anhand von Daten trainiert, um beispielsweise Muster zu erkennen oder Vorhersagen zu treffen. Auf diese Weise können Entscheidungsregeln aus Beispielen erlernt werden.

Beim tiefen Lernen (engl. „Deep Learning“) werden künstliche, neuronale Netze eingesetzt, die auch komplexe Muster in großen Datenmengen erkennen können. Beispiele sind die Erkennung von Objekten in Bildern oder die Verarbeitung gesprochener Sprache.

Bei generativer KI (engl. „Generative AI“) werden heute überwiegend Verfahren des tiefen Lernens verwendet, um neue Inhalte wie Texte, Bilder, Musik, Videos oder Programmcode zu erzeugen.

Diese Ansätze ergänzen sich gegenseitig. Einige bauen aufeinander auf oder lassen sich miteinander kombinieren.

Jeder Ansatz hat eigene Stärken und Einsatzgebiete. Deshalb kommt es darauf an, für eine konkrete Aufgabe den passenden Ansatz auszuwählen.

Gezielt eingesetzt kann KI Unternehmen in vielen Bereichen unterstützen:

• Recherche: Informationen sammeln, strukturieren und Zusammenfassungen erstellen.
• Texte: Formulierungen verbessern, Entwürfe erstellen und Texte besser strukturieren.
• Softwareentwicklung: Bestehenden Code erklären, neuen Code vorschlagen, Ursachen für unerwartetes Verhalten untersuchen und automatische Tests erzeugen.
• Anforderungen: Bestehende Dokumentationen analysieren, Anforderungen präzisieren und Verbesserungen vorschlagen.
• Dokumentenverarbeitung: Informationen aus umfangreichen Dokumenten scannen oder Inhalte gescannter Dokumente weiterverarbeiten.
• Prototyping: Verschiedene Lösungsansätze schnell ausprobieren und miteinander vergleichen.

Dadurch können Unternehmen häufig schneller zu ersten Ergebnissen gelangen.

Besonders interessant ist die Möglichkeit, Ideen mit vergleichsweise geringem Aufwand praktisch auszuprobieren und frühzeitig herauszufinden, welche Lösung am besten geeignet ist. Beispielsweise können verschiedene Ansätze zunächst als Prototypen umgesetzt und anschließend anhand konkreter Kriterien bewertet werden.

Das spart unter geeigneten Bedingungen Zeit und Kosten, erleichtert Entscheidungen und kann die Qualität von Ergebnissen verbessern.

Entscheidend ist, KI gezielt dort einzusetzen, wo sie einen praktischen Nutzen stiftet und sich wirtschaftlich sowie verantwortungsvoll einsetzen lässt.

KI kann beeindruckende Ergebnisse liefern. Mit einem bewussten und verantwortungsvollen Einsatz können Unternehmen dieses Potenzial erfolgreich ausschöpfen.

Überzeugend formulierte KI-Antworten können sachliche Fehler enthalten. Deshalb empfiehlt es sich, KI-Antworten gewissenhaft zu überprüfen. Beim bloßen Überfliegen einer Antwort lassen sich solche Fehler leicht übersehen. Die KI kann beispielsweise Bücher oder Gerichtsurteile erfinden, die es nie gegeben hat. Dieses Phänomen wird als Halluzination bezeichnet.

Es lohnt sich, KI-Antworten sorgfältig durchzulesen, angegebene Quellen zu überprüfen und die Ergebnisse gegebenenfalls mit einer weiteren KI zu vergleichen. Zusätzlich kann ein Experte zur Beratung hinzugezogen werden. Jedoch sollte der Benutzer der KI über ein ausreichendes Fachwissen verfügen, um die KI-Antwort beurteilen zu können.

Auch die Formulierung von Prompts in Form von Fragen beeinflusst die Ergebnisse maßgeblich. Offene und neutrale Fragestellungen im Gegensatz zu Suggestivfragen helfen dabei, unterschiedliche Perspektiven zu berücksichtigen und ausgewogene Antworten zu erhalten. Suggestivfragen sind Fragen, die eine bestimmte Antwort bereits nahelegen und dadurch die Antwort der KI in eine bestimmte Richtung lenken.

Datenschutz und Vertraulichkeit spielen vor allem bei der Verarbeitung sensibler Unternehmensinformationen eine wichtige Rolle. Unternehmen können zwischen unterschiedlichen KI-Diensten und Abo-Modellen wählen. Dabei lassen sich geeignete vertragliche, technische und organisatorische Schutzmaßnahmen berücksichtigen.

Ein weiterer Erfolgsfaktor ist die Verbindung von KI mit menschlichem Fachwissen. Wer KI-generierte Texte, Programmcode und Entscheidungsvorschläge aktiv nachvollzieht und bewertet, trainiert das analytische Denken und vertieft das Fachwissen.

Diese Beispiele zeigen, wie sich die Voraussetzungen für einen erfolgreichen KI-Einsatz bewusst gestalten lassen.

Die Zuverlässigkeit generativer KI lässt sich durch unterschiedliche Maßnahmen verbessern:

• Offene und möglichst neutrale Fragen stellen: Damit werden unterschiedliche Perspektiven berücksichtigt und ausgewogene Antworten gefördert.
• Aufgaben möglichst genau beschreiben: Je klarer Ziel, Kontext und Erwartungen formuliert sind, desto eher können brauchbare Antworten entstehen.
• Antworten aus unterschiedlichen Perspektiven betrachten: Mehrere Antworten oder eine Selbstkritik der KI können zusätzliche Erkenntnisse liefern. Eine unabhängige Prüfung ergänzt diese Betrachtung.
• Ergebnisse überprüfen: Beispielsweise durch Quellenrecherche, automatisierte Tests oder den Abgleich mit bekannten Fakten.
• Fachwissen einbringen: Wer selbst über ausreichende Kenntnisse verfügt, kann die Qualität und Praxistauglichkeit von Vorschlägen besser beurteilen.
• Experten hinzuziehen: Bei komplexen oder anspruchsvollen Aufgaben kann externe Beratung helfen, geeignete Lösungen auszuwählen und deren Qualität sicherzustellen.

Für den Schutz vertraulicher Daten gibt es unterschiedliche Möglichkeiten:

• KI-Dienste mit geeigneten Datenschutzvereinbarungen: Je nach Anbieter und Tarif stehen unterschiedliche Schutzmaßnahmen und vertragliche Regelungen zur Verfügung.
• KI-Dienste mit Verarbeitung in der EU: Solche Angebote können die Erfüllung bestimmter Datenschutzanforderungen erleichtern und bieten unterschiedliche Möglichkeiten zur datenschutzgerechten Verarbeitung.
• Selbst gehostete KI: Geeignete KI-Modelle können auf eigener Hardware oder in einer selbst kontrollierten Infrastruktur betrieben werden. Dadurch können Unternehmen die Kontrolle über ihre Datenverarbeitung erhöhen und sensible Informationen innerhalb ihrer eigenen Infrastruktur verarbeiten, sofern auch die übrigen Komponenten entsprechend eingerichtet sind.

Welche Lösung geeignet ist, hängt insbesondere von den Aufgaben, der Vertraulichkeit der Daten, den Kosten und den technischen Möglichkeiten ab.

Es gibt verschiedene Möglichkeiten, KI in bestehende Softwaresysteme zu integrieren und dabei vorhandene Investitionen und bewährte Funktionen weiter zu nutzen.

Integration ins Frontend: Eine KI kann über ein zusätzliches Bedienelement, beispielsweise ein Chatfenster, in die bestehende Benutzeroberfläche eingebunden werden. Dadurch können Benutzer direkt mit der KI interagieren, etwa um Fragen zu stellen oder Unterstützung bei ihrer Arbeit zu erhalten.

Integration ins Backend: Eine KI kann auch mit dem Backend verbunden werden, das die Geschäftslogik und Datenverarbeitung eines Systems übernimmt. Dadurch lassen sich beispielsweise Dokumente analysieren, Informationen auswerten oder bestehende Geschäftsprozesse um KI-Funktionen erweitern. Die Kommunikation erfolgt häufig über Schnittstellen (APIs).

Mit Standards wie dem Model Context Protocol (MCP) können KI-Anwendungen außerdem auf bereitgestellte Datenquellen und Funktionen anderer Systeme zugreifen.

Unter geeigneten Voraussetzungen kann die KI auch auf eigener Infrastruktur betrieben werden. Dadurch können Unternehmen das Betriebsmodell passend zu ihren Anforderungen auswählen.

Welche Integrationsmöglichkeit sinnvoll ist, hängt von den bestehenden Systemen, den gewünschten Funktionen sowie den Anforderungen an Datenschutz, Sicherheit und Wirtschaftlichkeit ab.

KI eröffnet vielfältige Möglichkeiten, bestehende Software besser zu verstehen, gezielt zu verbessern und weiterzuentwickeln.

Gerade bei historisch gewachsenen Systemen, die über viele Jahre weiterentwickelt wurden und wertvolles Wissen über die Geschäftsprozesse eines Unternehmens enthalten, eröffnen sich dadurch interessante Möglichkeiten.

Bei der Softwarearchitektur kann KI helfen, vorhandenen Quellcode zu analysieren, Abhängigkeiten zwischen Komponenten sichtbar zu machen und die Struktur eines Systems verständlicher zu dokumentieren. Außerdem kann sie Vorschläge machen, wie Abhängigkeiten gezielt optimiert und einzelne Teile sinnvoll voneinander abgegrenzt werden können.

Bei den Anforderungen kann KI bestehende Dokumentationen, Tickets und Quellcode analysieren, um Hinweise auf ursprüngliche Anforderungen zu finden. Darüber hinaus kann sie helfen, Anforderungen zu präzisieren und aufeinander abzustimmen, Fragen für Interviews vorzubereiten und Anforderungen verständlicher zu formulieren.

Beim Testen kann KI helfen, geeignete Testfälle zu finden, automatisierte Tests zu schreiben und die Aussagekraft vorhandener Tests zu verbessern. Auch bei der Analyse von Testergebnissen und der Suche nach möglichen Ursachen für unerwartetes Verhalten kann sie unterstützen.

Die Qualität der KI-Ergebnisse lässt sich durch fachliche Überprüfung und gezielte Ergänzungen sicherstellen. Dabei spielen Erfahrung und Fachwissen eine entscheidende Rolle.

KI erweitert damit die Möglichkeiten von Softwarearchitekten, Anforderungsingenieuren und Softwaretestern. Sie kann ihnen helfen, bestehende Systeme schneller zu verstehen, Verbesserungspotenziale gezielter zu erkennen und Weiterentwicklungen mit geringerem Aufwand vorzubereiten.

Mehr zu den anderen Themen erfahren Sie in meinen Artikeln:

• Was für ein System darf es denn bitte sein? (Über Anforderungen)
• Welche Softwarearchitektur darf es denn bitte sein?
  
• Wetten, dass … das System funktioniert? (Über das Testen)