Mit Hilfe der Künstlichen Intelligenz (KI) sollen Maschinen in die Lage versetzt werden, möglichst weitgehend eigenständige Entscheidungen zu treffen und Handlungen vorzunehmen, die über den Input an Daten und Programmen hinausgehen, indem dynamische  Prozesse zu neuen Erkenntnissen führen. Die KI ist eine interdisziplinäre Wissenschaft, in die Bereiche der Informatik, Mathematik, Psychologie, Neurologie, Logik, Linguistik, Kommunikationswissenschaft, Neuroinformatik und Kognitionswissenschaft  einfliessen. Ein Hauptziel, die Erzeugung der menschlichen Intelligenz und Kreativität, ist noch in weiter Ferne und es ist fraglich, ob das je gelingen wird. Teilbereiche von intelligenten Handlungen können jedoch schon ansatzweise erzeugt werden.  Beispiele sind Mustererkennung, Sprachsynthese und Spracherkennung, manipulative Intelligenz (Steuern von Automaten bzw. Maschinen in der Fertigung) sowie rationale Intelligenz. Computer, die auf letzterem Gebiet eingesetzt werden,  heissen Expertensysteme. Sie sind in der Lage, mit Hilfe einer Wissens-Datenbank (Knowledge Base) und Entscheidungsregeln (Decision Rules) aus einem odere mehreren Fachgebieten, die zusammen mit einem Wissens-Ingenieur (Knowledge Engineer)  und einem Experten aus dem jeweiligen Fachgebiet erarbeitet werden, selbständig Entscheidungen aufgrund von Sachlagen oder Dateninput zu fällen. Selbständige disziplinäre Unterzweige sind maschinennahes Lernen,  Fuzzy-Logik, natürlich-sprachige Schnittstellen, Sensorik, Robotik, Sprachen und Konzepte zur Anwendung von Wissen.

Väter der Künstlichen Intelligenz
Väter der KI sind Alan Turing (1912-1954), Allen Newell (1927-1992), Herbert Simon  (1916-2001), Marvin Minsky (geb. 1927) und Joseph Weizenbaum (1923 - 2008). Weizenbaum entwickelte das Programm ELIZA, mit dem der Dialog eines Psychiaters mit einem Patienten simuliert wurde. Weitere Wegbereiter der KI sind John  McCarthy (geb. 1927, Turing Award 1971 für seine Beiträge zur KI, Begründer des Alpha-Beta-Algorithmus (Computerschach), Erfinder von LISP) und

Claude Shannon (1916 - 2001)
Claude Shannon begründete die Informationstheorie und  leistete Grundlegendes auf dem Gebiet der Nachrichtenübermittlung und Kryptografie. Von Shannon stammen u.a. das Nyquist-Shannon-Abtast-Theorem, die Shannon-Fano-Datenkompression, A-Strategie (Brute Force) und B-Strategie (Plausibilitätsanalyse,  Nachbilden des menschlichen Denkprozesses) nach Shannon. Shannons Theorien lieferten die Grundlagen für kabellose Telefone, Faxgeräte, Compact Disks oder  das Internet. Neben einer Gastprofessur am MIT arbeitete er als Mathematiker ab 1941 für die Bell Labs (AT&T Bell Labs, später Lucent Technologies).  Ab 1958 wurde er ordentlicher Professor am MIT und emeritierte 1978. Den Bell Labs blieb er bis 1972 als Berater  verbunden.

Dartmouth Conference
Der Begriff der Künstlichen Intelligenz wurde 1956 von Shannon, McCarthy, Minsky und Nathaniel Rochester auf einem zweimonatigen Workshop  am Dartmouth College (Dartmouth Conference) geprägt. McCarthy selber schlug den Begriff am 31.08.1955 in seinem Projektantrag bei der Rockefeller-Foundation vor, um Gelder für das Projekt zu erhalten. Weitere Teilnehmer des Workshop waren:  Alan Newell, John von Neumann, Herbert Simon, Arthur Samuel, Trenchard More, Oliver Selfridge, Ray Solomonoff und Cliff Shaw.  Marvin Minsky machte sich einen Namen durch SNARC (Stochastic Neural Analog Reinforcement Calculator), der erste neuronale Netzcomputer zur Simulation des Verhaltens einer Maus in einem Labyrinth. Ähnliches leistete Shannon mit THESEUS, einer  Robotermaus. Noch heute entzweien sich die Geister an der Machbarkeit der KI. Schon während der Dartmouth Conference 1956 gab es zwei Lager: die Logiker, welche auf die Expertensysteme setzten und die Konnektionisten, welche  die Zukunft in neuronalen Netzen sahen. Damals wurde von den Logikern der "Logic Theorist" vorgestellt. Er soll einige Theoreme aus der Principia Mathematica bewiesen haben und lief auf der JOHNNIAC (John von Neumann  Integrator and Automatic Computer). Der Logic Theorist war mit einer eigens entwickelten Programmiersprache, der Information Processing Language (IPL) gefüttert worden. Minsky und McCarthy gründeten später die AI Labs am MIT, aus  denen später u.a. auch Richard Stallmann hervorging.

Kritik an der AI
Kritiker der AI wie u.a. Weizenbaum glauben in absehbarer Zeit nicht an die Machbarkeit der AI. Mit ELIZA hat er bewiesen, wie schnell die Leute Computer für intelligent halten.  Die Komplexität des menschlichen Gehirns sowie die äusserst hohe Differenzierbarkeit von Intelligenz machen es den heutigen Computern schwer. Menschliche Intelligenz beinhaltet neben der ungeheuren Vernetzung  der menschlichen Neuronen und des Lerneffektes, der immer mehr Verknüpfungen entstehen lässt auch Bereiche, die nur schwer von heutiger Hard- und Software bzw. künstlichen neuronalen Netzen abzubilden sind: Emotionale Intelligenz  und der Ursprung der Emotionen überhaupt und ihre Bedeutung für die Intelligenzkomponente, Bereiche der Kognition und Vorstellungskraft und des "Begreifens" in verschiedenen Kontexten, Intuition, laterales Denken, psychologische Effekte  oder Sinneswahrnehmung. Weiterhin bleibt die Sinnfrage der Intelligenz: Menschen müssen überleben, atmen, Nahrung aufnehmen, sich fortpflanzen oder benötigen Land, Unterkunft oder Bildung. Aus diesem Grund ist die menschliche  Intelligenz meist zielgerichtet, mit allen Vor- und Nachteilen. Warum sollte ein Computer intelligent sein, wenn der Mensch ihm nicht menschliche Motive wie zielgerichtetes Handeln beibringt? Ein Computer kann nicht sterben und hat keine echten  Grundbedürfnisse und (auch deswegen) keine Emotionen. Solange das der Fall ist wird er wenig Eigenbestrebung haben dazuzulernen oder etwas Neues zu entwickeln, es sei denn, man bringt es ihm bei. Ein weiteres Problem ist die Verknüpfung  der Informatik und der KI mit dem militärisch-industriellen Komplex vor allem in den USA. Die menschliche Intelligenz ist zielgerichtet und pervertiert gerne den "Sinn" der Intelligenz. Die Chance, die KI als Gegengewicht zu diesen Entwicklungen  heranzuziehen, um logischere Vorgehensweisen vorzuschlagen wurde wegen der Machtbestrebungen im Bereich Politik und Militär sowie Wirtschaft und Forschung zu wenig genutzt. Weizenbaum merkt an, dass in einer vernünftigen Welt  die Computer etwas langsamer wären, jedoch sinnvoller eingesetzt würden: für friedliche Zwecke und zum Wohle eines jeden. Durch Artificial Intelligence (AI) ist nur schwer das holistische, ganzheitliche Denken abzubilden. Vorreiter ist Fritjof Capra.

Egoshooter sind Actionspiele bei denen man das Spiel aus der Sicht der eigenen Spielfigur erlebt. Daher auch der Name First Person Shooter (FPS).  Meist sieht man die Waffe oder seine Hände und eine Spielmap mit Gebäuden, Hintergrund und Gegnern. Die virtuellen Gegner gilt es  zu erschiessen und meist noch kleinere Rätsel zu lösen, Waffen, Munition, Gesundheitsdrops, Panzerungen und Gegenstände aufzusammeln. Wenn das Gameplay komplexer ist spricht man auch von Taktik-Shooter. Viele Ego-Shooter verfügen auch über einen  Multiplayer Modus, bei dem das Spiel auf einem Server läuft und man sich als Client über das lokale Netzwerk (LAN-Party) oder über das Internet einwählen kann, um gegen menschliche Gegner anzutreten. Dabei sind ausgefeilte Fertigkeiten gefragt:  gute Spieler verfügen über ein perfektes "Movement" und Handling oder wissen genau, wo die Re-Spawn Punkte der Gegner sind, und wann und wo welches Item erscheint.

Bekannte Vertreter des Ego Shooter Genres
Wolfenstein 3D,  Doom, Quake, Half-Life, Half Life 2 und Half Life Episode One (Half Life Episode Two), Max Payne, FarCry, Painkiller, Unreal Tournament, Prey, Stalker, System Shock, Bioshock, Call of Duty  oder Crysis von der deutschen Spieleschmiede Crytek.

3D-Welten, DirectX, Game- und Physik Engine der Ego Shooter
Crysis ist eines der ersten Spiele, welches die Möglichkeiten von  DirectX 10 einbringt. Mit Hilfe der CryENGINE 2 werden sehr realistische 3-D-Welten in bisher nicht gekannter Perfektion animiert. Half-Life war 1998 eines der ersten Spiele, welches eine sehr realistische Illusion einer realen Welt vermittelte:  Gegenstände können bewegt werden, die Umwelt folgt weites gehend den Gesetzen der Physik. Dafür sorgt bei modernen Shootern eine Physik-Engine wie die von Havok. Eine Game-Engine sorgt für die Grafikeffekte und Reaktionen der virtuellen Welt.  Die Game-Engine besteht aus Programmbibliotheken, welche den Entwicklern Werkzeuge zur Verfügung stellen. Sie enthält eine Grafik-Engine, ein Physiksystem, ein Soundsystem, KI-Elemente, die Steuerung, Netzwerkcode und ein Datenmanagement.   

Jugendschutzgesetz (JuSchG), Unterhaltungssoftware Selbstkontrolle (USK) 
In Deutschland unterliegen Unterhaltungsspiele einer halbstaatlichen Selbstkontrolle (Jugendschutzgesetz, Jugendmedienschutzstaatsvertrag).  Die verantwortliche Stelle für die Alterseinstufung von Computerspielen in Deutschland ist die Unterhaltungssoftware Selbstkontrolle (USK).                               

Eine Engine besteht aus Programmbibliotheken welche den Programmierern Werkzeuge an die Hand gibt. Es gibt Grafik-Engines, Datenbank-Engines (Beispiel: Jet-Engine von Microsoft Access)  und Spiele-Engines. Letztere bestehen heute aus einer Grafik Engine, einer KI  (Künstliche Intelligenz, welche zum Beispiel Bots steuert), einer Physik-Engine (sorgt dafür, dass die Umgebung wie in der realen Welt auf Handlungen reagiert, bekanntes Beispiel: Havok), einer Steuerung, Netzwerkcode für den Multiplayer Modus und  einem soliden Datenmangement, welches Abstürze vermeidet. Bekannte Spiele-Engines sind: Ultima-Underworld-Engine,  Quake-Engine, Unreal-Engine, Half-Life Engine (Goldsource), Source-Engine (Half-Life 2), Doom-3-Engine, Jupiter-Extended-Engine (F.E.A.R.), CryENGINE (FarCry) und CryENGINE 2 (Crysis).                                                 

Wissen und Informationssysteme
Das Wissen aus Informationssystemen nach den Suchkriterien des Users optimal und im korrekten semantischen Kontext zu erlangen ist ein Problem des Information Retrieval.  Es gibt unterschiedliche Informationssysteme wie Verteilte Datenbanken oder einzelne Datenbanken, Webbasierte Systeme, Unternehmensbasierte Systeme, (online) Bibliotheken, Datenspeicher, KI-Systeme, Dokumentenmanagementsysteme, Filesysteme, CMS-Systeme  oder Unternehmensinformationssysteme wie CRM- oder ERM-Systeme oder andere Informationsarchitekturen. Dabei können die Wissensdisziplinen der IR-Systeme auch interdisziplinär sein und neben Wirtschaftswissenschaften und  soziologischen Wissenschaften auch Naturwissenschaften, Kultur und Musik auch Informationswissenschaften oder Informatik u.a. Disziplinen umfassen. 

Wissen selber ist nie vollständig und nie völlig korrekt sondern steht im semantischen und themenbezogenen Kontext.  Eine wahre Herausforderung ist es, Wissen und Informationen nach den entsprechenden Suchkriterien zusammen zu stellen und auf zu bereiten, so dass es für die Intention des Anfragestellers verwendbar ist  und möglicherweise eine neue, intelligente Zusammenstellung zu generieren, die so vorher in den einzelnen Ablagestellen des jeweiligen Informationssystems, nicht an zu treffen war.  Deswegen werden auch spezielle Anforderungen an die Intelligenz bzw. KI des Suchsystems gestellt.

Precision und Recall 
Die Ergebnismenge wird durch die Parameter Precison und Recall eingeteilt. Precision (Genauigkeit) meint hier die Relevanz der Suchtreffer: Es handelt sich um den Quotienten aus der Anzahl der relevanten Treffer und der zugrundeliegenden Suchmenge  (Precison = T/(T+N) wobei T die relevanten Treffer darstellt und N die nichtrelevanten Treffer, die im Suchergebnis enthalten sind = Balast).  Recall (Vollständigkeit) ist ein Begriff der ausdrückt, wie komplett die Ergebnismenge ist. Es handelt sich um den Quotient aus der Anzahl der relevanten Treffer und der Gesamtzahl der relevanten Dokumente in der Suchmenge  (Recall= T/(T+V), wobei V die Anzahl der relevanten Dokumente ist, die nicht in der Treffermenge enthalten sind =Verlust).

Wissensbarrieren und Wissensdisziplinen 
Es gibt verschiedene Barrieren um an Wissen zu kommen: technologische Barrieren, Sprachbarrieren, Know-How-Barrieren (Wissen um die KI und die Abfragetechnologie),  geografische, politische und kulturelle Barrieren oder finanzielle und intellektuelle Barrieren.

Information Retrieval Systeme arbeiten mit Hilfe von verschiedenen Wissenschaften um Ihren Dienst ausführen  zu können: die Informationswissenschaft, Archivierungs- und Bibliothekswissenschaften, Dokumentationswissenschaft, Informatik, Wissensforschung und Sprachwissenschaft bzw. Computerlinguistik und der Künstlichen Intelligenz  als Spezialgebiet der Informatik. Auch die Wirtschaftswissenschaften sind involviert, da sie sich mit Unternehmensinformationssystemen und mit der Organisation von Informations- und Kommunikationssystemen und dem Wissensmanagement befassen. 

Relevanz und Pertinenz
Grundlegende Begriffe für das Information Retrieval sind auch Relevanz und Pertinenz. Relevanz bezieht sich auf den objektiven, nutzerunabhängigen Nutzen eines Dokumentes oder einer  Information. Ein relevantes Dokument bezieht sich auf den objektiven Nutzen einer Information, wenn sie zur Vorbereitung einer Entscheidung dient, eine Lücke im Wissen (Knowledge Gap) schließt oder es als objektiver Indikator für die Erfüllung  bestimmter Thesen dient.

Die Pertinenz eines Dokumentes bezieht sich auf den subjektiven Nutzen des Suchenden: Eine relevantes Dokument bezieht sich auf den subjektiven Nutzen einer Information, wenn sie zur subjektiven Vorbereitung einer  Entscheidung dient, eine Lücke im Wissen schließt oder es als subjektiver Indikator für die Erfüllung bestimmter Thesen dient.

CIN und POIN
Weiterhin unterscheidet man den Concrete Information Need (CIN)  und den Problem Oriented Information Need (POIN). Der CIN bezieht sich auf die Übertragung von Fakten während der POIN konkrete, auch komplexe Fragestellungen beantworten soll. Beim POIN  sind die thematischen Grenzen nicht exakt definierbar, die Formulierung der Suchanfrage ist terminologisch nicht festgelegt durch exakte Terme, um die Anfrage zu beantworten sind verschiedene Dokumente notwendig,  das Anfrageproblem kann erweitert oder modifiziert werden durch zusätzliche Informationen wie Literaturangaben oder Dokumente die eine solche Erweiterung ermöglichen, es kommt stark auf die Ausformulierung der Suchanfrage und der  systembedingten Möglichkeiten dazu an, der Erweiterungsbedarf der ursprünglichen Suchanfrage steigt mit der Komplexität der Fragestellung, das Ergebnis der Suchanfrage steht nicht von vorne herein weitesgehend fest.

Retrievalsysteme 
Retrievalsysteme gibt es für digitale Textdokumente oder digitale Audio-, Bild- oder Videofiles. Zusätzlich gibt es unterschiedliche Formen der Indexierung dieser Files und der Kontrollierbarkeit durch Abfragesysteme bzw. Suchtermini.  Die Architektur von Retrievalsystemen umfasst unterschiedliche Hierarchien der Informationsebenen - vom Betriebssystem, dem Datenbankmanagementsystem, dem Dokumentenmanagementsystem, dem Computerlinguistischen System, den  Schnittstellen bis zu dem jeweiligen Ablagesystem auf den Datenspeichern.

Dabei gibt es unterschiedliche Hürden zu überwinden: das Erkennen von Spam oder Dubletten, die Fähigkeit zum Deep Scanning in Datenbanken oder dem Web, die Handhabung  unterschiedlicher Technologien und Arten von Dokumenten bzw. der Fähigkeit dynamische Inhalte zu erkennen (z.B. PHP/MySQL Dokumente) und dem Sichtbarmachen des Invisible Web durch entsprechende Crawler. Auch das Erkennen unterschiedlicher  Organisationsstrategien wie FIFO, LIFO oder das Erkennen semantischer Kontexte.

Ein gutes Retrieval System sollte auch unterschiedliche Abfragestrategien beherrschen wie Boolesches Retrieval: die Verknüpfung von Datensätzen mit Logischen Operatoren.  Eine Erweiterung durch Fuzzy Logic oder Gewichtung der Ergebnisse ist auch möglich. Auch Fehlertolerante Systeme sind möglich. Retrieval Modelle können auf mengenorientierten Modellen, algebraischen Modellen oder probabilistischen Modellen basieren.