funklust ki-woche web

KI im Überblick – Was ihr über künstliche Intelligenz wissen solltet

Was ist eigentlich KI? Wir verschaffen euch den Überblick – die wichtigsten Begriffe rund um das Thema „Künstlichen Intelligenz“ und ihre Erklärungen findet ihr hier.

Bild: Gerd Altmann/Pixabay

KI im Überblick

Kaum ein Thema steht derzeit so sehr im Blickpunkt der Öffentlichkeit wie die künstliche Intelligenz. Künstliche Intelligenz (KI) ist eine faszinierende und schnell wachsende Technologie, die sich zunehmend auf fast alle Bereiche unseres täglichen Lebens auswirkt. Aber was ist KI? Und worum geht es eigentlich beim maschinellen Lernen? Leider geht die Bedeutung der meisten Begriffe im öffentlichen Diskurs schnell verloren. Damit ihr dabei nicht den Faden verliert, geben wir euch in diesem Artikel einen umfassenden Überblick über die wichtigsten Konzepte und Technologien der KI.

Starke und schwache KI

Die Entwicklung der künstlichen Intelligenz zielt darauf ab, Maschinen mit der Fähigkeit auszustatten, Probleme zu lösen, die üblicherweise menschliches Denken und Lernen erfordern. Dabei kann man im Allgemeinen zwischen schwacher und starker KI unterscheiden.

Starke KI bezieht sich auf Maschinen, die über ein menschliches Maß an Intelligenz verfügen und in der Lage sind, alle kognitiven Aufgaben auszuführen, die ein Mensch ausführen kann. Dazu gehören das Verstehen, Lernen und Anwenden von Wissen in einem breiten Spektrum von Kontexten. Kurz gesagt, eine starke KI ist sowohl breit gefächert in ihrer Anwendung als auch präzise in ihrer Problemlösung. Dabei ist wichtig zu beachten: Es gibt heute noch keine starke KI. Künstliche Intelligenz, wie sie Hollywood gerne auf der Leinwand zeigt, ist bestenfalls Zukunftsmusik, schlimmstenfalls eine erschreckende Fantasie. Es ist noch ein langer und ungewisser Weg, bis künstliche Intelligenz tatsächlich mit menschlicher Intelligenz in ihrer Gesamtheit gleichgesetzt werden kann.

Im Gegensatz dazu steht die schwache KI, die auf spezifische Aufgaben beschränkt ist. Obwohl diese Art von KI in ihrem spezifischen Bereich sehr leistungsfähig sein kann, verfügt sie nicht über ein allgemeines Verständnis oder eine breite Palette an Fähigkeiten in verschiedenen Themenbereichen. Beispiele für schwache KI sind Sprachassistenten wie Siri und Alexa.

Breite KI und schmale KI

Schmale KI (im Englischen “narrow AI”) ist ein anderer Begriff für schwache KI und bezieht sich auf Systeme, die für spezifische Aufgaben oder Probleme entwickelt wurden. Diese Systeme sind hochspezialisiert und in der Regel sehr gut darin, eine bestimmte Aufgabe zu erfüllen, können jedoch nicht über ihren spezialisierten Bereich hinausdenken oder agieren.

Breite KI (im Englischen “broad AI”) ist ein Konzept, das zwischen schwacher und starker KI liegt. Es handelt sich um Systeme, die eine Vielzahl von Aufgaben über mehrere Domänen hinweg bewältigen können, jedoch nicht die vollständige Flexibilität und die Genauigkeit einer starken KI besitzen. ChatGPT lässt sich, je nach Sichtweise, dieser Kategorie zuordnen.

Subsymbolische KI und neuronale Netzwerke

In der Welt der künstlichen Intelligenz gibt es unterschiedliche Ansätze, wie Maschinen lernen und Entscheidungen treffen können. Ein besonders wichtiger Ansatz ist die subsymbolische KI, die auf numerischen und statistischen Methoden basiert – nicht etwa auf symbolischen Repräsentationen wie Logik oder Regeln.

Ein prominentes und weit verbreitetes Beispiel hierfür sind neuronale Netzwerke, von welchen im konkreten Kontext auch oft die Rede ist. Neuronale Netzwerke ahmen die Funktionsweise des menschlichen Gehirns nach, indem sie den strukturellen Aufbau nachbilden und aus großen Datenmengen lernen. Diese Netzwerke bestehen aus sogenannten Neuronen, im Grunde einfache Knotenpunkte, die in Schichten organisiert sind und durch gewichtete Verbindungen miteinander verknüpft sind. Ein Anwendungsbeispiel dafür, wie diese Schichten aus Neuronen eingesetzt werden, ist die Bilderkennung, bei der das System lernen kann, Objekte wie Autos oder Katzen in Fotos zu identifizieren und zu klassifizieren. Neuronale Netzwerke stellen heute eine der populärsten Technologien dar, wenn von KI die Rede ist. Ihre hohe Flexibilität und Einsatzfähigkeit in nahezu jedem Anwendungsgebiet machen sie zu einer so beliebten Lösung.

Maschinelles Lernen

Ohne maschinelles Lernen gibt es keine KI, zumindest im Bereich der subsymbolischen KI und der neuronalen Netzwerke. Es handelt sich dabei um einen Teilbereich der KI, der sich darauf konzentriert, Maschinen die Fähigkeit zu geben, aus Daten zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Es gibt drei Hauptarten des maschinellen Lernens:

1. Supervised Learning

Bei dieser Methode lernt das Modell aus einem beschrifteten Datensatz, d.h. die Trainingsdaten werden dem Modell mitsamt der erwarteten Lösung beziehungsweise Ausgabe übergeben. Das Ziel ist es im Wesentlichen, eine Funktion zu lernen, die Eingaben auf die richtigen Ausgaben abbildet. Beispielsweise muss ein Modell, dessen Aufgabe es ist, Bilder zu erkennen, in denen Gesichter zu sehen sind, mit vielen Bildern trainiert werden, bei denen das enthaltene Gesicht gekennzeichnet ist.

2. Unsupervised Learning

Hierbei arbeitet das Modell mit unbeschrifteten Daten, also keiner erwarteten Lösung, und versucht, Muster oder Strukturen innerhalb der Daten zu erkennen. Durch das Einordnen der Daten in Gruppen beziehungsweise Cluster erlangen Modelle die Fähigkeit, Unterschiede und Gemeinsamkeiten innerhalb der vielen Datensätze zu erkennen.

3. Reinforcement Learning

Diese Methode basiert auf dem Prinzip der Belohnung und Bestrafung. Ein Modell lernt hierbei durch die Integration von positiven und negativen Rückmeldungen und verbessert seine Handlungen basierend auf dem Konzept von maximierender Belohnung.

Deep Learning

Deep Learning ist ein Unterbereich des maschinellen Lernens, der sich auf tiefere, also viele Schichten umfassende, neuronale Netzwerke spezialisiert hat. Diese Netzwerke sind in der Lage, äußerst komplexe Muster in Daten zu erkennen.

Die Erkennung von Mustern in den Daten beruht dabei auf der Anpassung des Netzwerks an antrainierte Daten. Der Vorteil: Als Entwickler ist es in der Regel nicht notwendig, sich Gedanken um die Strukturierung oder Aufbereitung der Daten zu machen. Deep Learning hat im Laufe der letzten Jahre zu maßgeblichen Durchbrüchen in der KI-Entwicklung geführt, besonders in Bereichen wie Spracherkennung oder Bildverarbeitung.

Generative KI

Generative KI bezieht sich auf Modelle, die neue Daten generieren können, die den Trainingsdaten ähneln. Dies geschieht häufig durch sogenannte Generative Adversarial Networks (GANs), bei denen zwei neuronale Netzwerke gegeneinander antreten: ein Generator, der neue Daten erstellt, und ein Diskriminator, der versucht, passende Eingaben von unpassenden zu unterscheiden. Vereinfacht ausgedrückt kann man sich dies vorstellen wie eine Situation mit einer Türsteher:in und einer Person, die versucht, die Türsteher:in zu überzeugen.

Symbolische KI

Symbolische KI verwendet explizite symbolische Repräsentationen von Wissen und Logik, um Entscheidungen zu treffen und Probleme zu lösen. Diese Ansätze basieren oft auf Regeln und logischen Schlussfolgerungen und waren die dominierende Methode in den frühen Tagen der KI-Forschung. Auch heute noch finden sich Ansätze der symbolischen KI in vielerlei Anwendungen. Google Maps integriert beispielsweise einige Ansätze der symbolischen KI in seiner Routenplanung.

Begriffe und Anwendungen

Large Language Models (LLMs):

Diese Modelle, wie unter anderem ChatGPT, sind darauf trainiert, menschenähnlichen Text zu generieren und zu verstehen. Sie nutzen große Datenmengen und Deep Learning, um natürliche Sprache zu verarbeiten und zu erzeugen.

Natural Language Processing (NLP):

Hierbei handelt es sich um den Bereich der KI, der sich mit der Interaktion zwischen Computern und menschlicher Sprache beschäftigt. NLP umfasst Aufgaben wie maschinelle Übersetzung, Sprachgenerierung und -erkennung von natürlicher Sprache.

Computer Vision:

In diesem Gebiet geht es darum, Maschinen zu ermöglichen, visuelle Daten zu interpretieren und zu verstehen. Anwendungen umfassen Bilderkennung, Objekterkennung sowie die Verarbeitung von Videos.

Robotik und autonome Systeme:

KI spielt eine zentrale Rolle in der Entwicklung von Robotern und autonomen Systemen, die in der Lage sind, komplexe Aufgaben ohne menschliches Eingreifen zu erledigen. Beispiele sind autonome Fahrzeuge und Industrieroboter.

Training Bias

Der Training Bias ist eine Verzerrung, die in einem Modell entstehen kann, wenn die Trainingsdaten nicht repräsentativ für die gesamte Zieldomäne sind. Dies kann zu irreführenden und ungenauen Ergebnissen führen, insbesondere in sensiblen Bereichen der Gesellschaft. Der Bias kann aus verschiedenen Quellen stammen, einschließlich historischer Vorurteile, unvollständiger Daten und systematischer Ungleichheiten.

Fazit

Künstliche Intelligenz ist ein vielfältiges und spannendes Themenfeld mit vielen Facetten und Anwendungen. Von starker und schwacher KI über maschinelles Lernen und Deep Learning bis hin zu Large Language Models und Robotik – die Entwicklungen in diesem Bereich haben das Potenzial, viele Aspekte unseres Lebens zu revolutionieren. Es ist jedoch auch wichtig, sich der Herausforderungen und ethischen Fragen im Zusammenhang mit dem Einsatz von KI bewusst zu sein. Mit dem hier erlangten Wissen seid ihr in der Lage, die weiterführenden Themen zur künstlichen Intelligenz und ihrer Anwendungsgebiete zu verstehen und euch aktiv am Diskurs zu beteiligen.

Autor: Roman Hucke