1. Einführung
Was, wenn plötzlich ein neues Corona-Virus auftaucht? Und wieder massenweise Menschen auf der Notfallstation landen? Könnte uns dann die künstliche Intelligenz (KI) weiterhelfen? Auf jeden Fall würden es Forschende versuchen. KI könnte zum Beispiel dabei helfen, herauszufinden, welche Moleküle und welche Mechanismen das neue Virus so gefährlich machen. Forschende könnten mithilfe von KI nach Wirkstoffen suchen, die das Virus unschädlich machen und KI könnte mithelfen, einen neuen Impfstoff möglichst rasch und effizient zu produzieren.
Was KI ist und wie sie funktioniert, erfährst du in der folgenden Box. Welches Potenzial in der KI für Medizin und Pharmazie steckt, erfährst du in den folgenden Abschnitten. Zum Abschluss kannst du dein neu erworbenes Wissen in einigen praktischen Übungen anwenden.
Wie Künstliche Intelligenz funktioniert
Was ist «KI» oder auf Englisch artificial intelligence (AI)? KI hat zum Ziel, Maschinen dazu zu bringen, intelligent – also wie der Mensch – zu handeln. So, dass die Maschine selbständig Probleme lösen kann, auf die sie noch nie zuvor getroffen ist. Eine intelligente Maschine lernt aus ihren Erfahrungen und verbessert sich so nach und nach. Ein Computerprogramm, das rein aufgrund von vorher programmierten Regeln – also quasi nach «Schema F» – arbeitet, wäre demnach nicht intelligent.
![](https://biotechlerncenter.interpharma.ch/wp-content/uploads/2024/04/Ki_Bild1-1-1024x569.jpg)
Abbildung 1: Künstliche Intelligenz, Maschinelles Lernen, Deep Learning und ihre Schnittstellen (Quelle: nzz.ch).
Definitionen für KI gibt es viele. Die erste und weiterhin gültige stammt von Marvin Minsky aus dem Jahr 1966: «Künstliche Intelligenz ist die Wissenschaft davon, Maschinen dazu zu bringen, Dinge zu tun, die Intelligenz erfordern würden, wenn sie von Menschen erledigt würden.»
Maschinelles Lernen (machine learning) wird manchmal gleichgesetzt mit KI, ist aber ein Teilbereich davon. Dabei lernt eine Maschine bzw. ein künstliches System aus Erfahrungen oder Daten. Das System analysiert Daten, z. B. Gewebeproben, Bilder, Sprachschnipsel, erkennt darin Muster und verbessert sich so laufend selbst. Ein typisches Beispiel sind Spracherkennung oder Diagnoseverfahren zur Erkennung von Krebs. Voraussetzung für Maschinelles Lernen sind sehr, sehr viele Daten …
Deep Learning (deutsch: tiefgehendes Lernen) ist wiederum ein Teil des maschinellen Lernens, bei dem künstliche neuronale Netze zum Einsatz kommen. Ein solches Netz ist ein System aus Algorithmen. Es bildet nach, wie das Gehirn arbeitet und lernt – mithilfe von zahlreichen Knoten und Verbindungen. Beim Deep Learning gewichtet die Maschine aufgrund von Beispieldaten die Verbindungen zwischen Knoten unterschiedlich und lernt so, beispielsweise Gesichter auf einem Bild zu erkennen. Das Problem ist, dass Menschen nicht nachvollziehen können, was sich in den unterschiedlichen Schichten des neuronalen Netzes abspielt (vgl. Problematik der Blackbox in Kapitel 4).
Von generativer KI und generativem Deep Learning spricht man, wenn ein System nicht nur Daten analysiert und Vorhersagen macht, sondern aufgrund des Trainings neue Daten oder Inhalte entwickelt. ChatGPT ist das bekannteste Beispiel für eine generative KI.