Künstliche Intelligenz: Was du wissen solltest

Künstliche Intelligenz (KI) macht in den letzten Jahren täglich in den Nachrichten von sich reden. Spätestens seit OpenAI ChatGPT auf den Markt gebracht hat, ist klar geworden, dass das Rennen um die Zukunft auf dem Feld der Künstlichen Intelligenz gewonnen wird. Mittlerweile nutzen Menschen Sprachassistenten auf dem Smartphone, erhalten personalisierte Empfehlungen beim Onlineshopping und in der Medizin hilft KI bei Diagnosen.

Aber Hand auf´s Herz: Für viele hört die KI bei ChatGPT auf, darüber hinaus gibt es nichts und es geht nur um Kauderwelsch, welches für Entwickler interessant ist.

In diesem Artikel zeige ich dir, was du als Laie wissen solltest, um KI besser verstehen zu können und ein wenig mitreden zu können.

Künstliche Intelligenz

Was ist künstliche Intelligenz?

Einige meinen, es reicht zu wissen, dass KI heißt, nichts mehr selbst erledigen zu müssen. Aber das zu denken wäre einerseits fatal und andererseits inkorrekt.

Künstliche Intelligenz umfasst alle Methoden, mit denen Computer menschenähnliche Fähigkeiten entwickeln. Dazu zählen:

Wahrnehmen (z. B. Bilderkennung)
Schließen und Entscheiden (z. B. Kreditwürdigkeitsprüfung)
Lernen (z. B. Sprachübersetzung)
Interagieren (z. B. Chatbots)

Es wird also der Versuch unternommen, menschliches Handeln nachzuahmen. Und da Menschen Fehler machen, sind auch Fehler in den Ausgaben einer KI nicht auszuschließen. Daher ist es fatal anzunehmen, dass eine KI einem die Arbeit komplett abnimmt und dabei fehlerfrei agiert. Eine menschliche Überprüfung der Ausgaben wird die eine oder andere Überraschung ans Licht führen und ist sogar nicht nur empfehlenswert, sondern ist auch im „Human in the Loop“ Prinzip verankert. Diesem Prinzip nach soll sowohl der Input als auch der Output, den eine KI generiert, überprüft werden, bevor er offiziell verwendet wird.

Unterschied zwischen KI, maschinellem Lernen und Deep Learing

Im Zusammenhang mit Künstlicher Intelligenz wirst du immer über diese 3 Begriffe stolpern:

KI (Künstliche Intelligenz): Oberbegriff für alle Technologien, die menschenähnliche Intelligenzleistungen nachahmen.
Maschinelles Lernen (ML): Teilgebiet der KI, bei dem Computer selbstständig aus Daten Muster erkennen und Vorhersagen treffen.
Deep Learning: Spezielle Form des maschinellen Lernens mit neuronalen Netzen (siehe nächster Abschnitt), die besonders gut für komplexe Aufgaben wie Spracherkennung oder Bildanalyse geeignet ist.

Diese 3 Inhalte bilden ein zusammenhängendes Gebilde, welches letzen Endes eine KI ausmacht.

Neuronale Netze

Neuronale Netze bilden das Grundgerüst, auf welchem alle weiteren Vorgänge im Arbeitsprozess aufbauen.

Ein Neuronales Netz ist inspiriert vom Aufbau des menschlichen Gehirns. Es besteht aus vielen miteinander verbundenen Knotenpunkten (Neuronen). Typischerweise gliedert sich ein solches Netz in:

Eingabeschicht: Hier kommen Rohdaten wie Bilder oder Texte hinein.
Verborgene Schichten: Mehrere Schichten, in denen die Daten verarbeitet, gewichtet und transformiert werden.
Ausgabeschicht: Liefert das Ergebnis, z. B. eine Klassifikation oder Vorhersage.

Jedes Neuron leitet seine Eingaben über eine Aktivierungsfunktion weiter, um nichtlineare Zusammenhänge erfassen zu können. Durch viele solcher Schichten lernt das Netz, immer komplexere Merkmale in den Daten zu erkennen.

Wie eine KI lernt

Aber wie genau „lernt“ eine KI Inhalte zu lesen, zu verstehen und eine Ausgabe zu generieren? Wie kommen die Daten in ein System und welche Möglichkeiten gibt es?

Überwachtes Lernen (Supervised Learning)

Du gibst dem System Eingaben und vorgegebene Ausgaben (Labels).
Die KI vergleicht ihre Vorhersage mit dem richtigen Ergebnis und passt ihre internen Parameter (Gewichte) an.
Typische Anwendungen: Bilderkennung, Spamfilter, Spracherkennung.

Beispiel: Du speist als Daten viele Bilder ein, die du klassifizierst. Du erstellst zum Beispiel eine Kategorie „Hunde“, eine Kategorie „Bücher“ etc. Diese Kategorien haben alle Eigenschaften, zum Beispiel hat ein Hund 4 Pfoten, Fell, eine Schnauze etc. Je mehr Bilder von verschiedenen Rassen, Positionen, Farben und Verhalten du einfügst, desto besser lernt eine KI, was es sich unter einem Hund vorstellen kann.

Wenn du nun befiehlst „Erstelle mir ein Bild von einem Hund“ wird die KI auf die Daten, die er erhalten hat, zurückgreifen und weiß, „So sieht ein Hund aus. Ein Hund hat 4 Pfoten, Fell etc.“. Anhand dieser Daten erstellt er dir ein Bild eines Hundes.

Beispiel 2: Dasselbe passiert bei Spamfiltern. Wenn du der KI E-Mails als Beispiele gibst, welche als Spam klassifiziert sind, dann erkennt die KI ein Muster und weiß in Zukunft „Das ist ein Spam“. Auch hier gilt, je mehr Beispiele und Infos die KI erhält, desto genauere kann sie ihre Aufgabe erledigen und desto geringer ist die Gefahr von Fehlinterpretationen.

Unüberwachtes Lernen (Unsupervised Learning)

Es gibt keine vorgegebenen Labels.
Die KI sucht eigenständig Muster oder Gruppen in den Daten (Clustering).
Typische Anwendungen: Kundensegmentierung, Anomalieerkennung.

Anders als beim Überwachten Lernen lernt die KI aus Mustern, die sie erkennt. Beispiel: Die KI hat allerhand Daten und soll nun eine Aufgabe lösen, wozu es keine spezifischen Daten hat. Sie sucht also nach Wahrscheinlichkeiten, welche die Aufgabe lösen könnten und präsentiert sie dir als Ausgabe.

Bestärkendes Lernen (Reinforcement Learning)

Die KI handelt in einer Umgebung und erhält Belohnungen oder Strafen.
Ziel ist es, eine Strategie (Policy) zu entwickeln, die den kumulierten Gewinn maximiert.
Typische Anwendungen: Spiele (z. B. Schach, Go), Robotik.

Beispiel: Bestimmt hast du schon das Symbol für den Daumen hoch und runter gesehen, welche man am Ende einer Ausgabe sehen kann. Mit einem klick auf diesen Knopf gibst du ein direktes Feedback, ob du mit der Antwort zufrieden bist. Oder aber du sagst direkt, dass die Ausgabe falsch ist. Letzen Endes ist auch dieser Schritt des menschlichen Lernens, bei welchem wir durch Feedback und Belohnung oder Strafe Inhalte aufnehmen und bearbeiten.

Weitere Fachbegriffe

Es gibt einige Fachbegriffe, die du nicht alle wissen musst. Einige solltest du aber zumindest gehört haben:

Feature (Merkmal): Einzelne, messbare Eigenschaften eines Datensatzes (z. B. Pixelwerte eines Bildes).
Training: Lernphase, in der das Modell seine Parameter anpasst.
Validierung: Überprüfung des Modells auf unbekannten Daten, um Überanpassung zu vermeiden.
Testen: Abschließende Bewertung der Modellgüte auf einem separaten Datensatz.
Überanpassung (Overfitting): Das Modell lernt Details und Rauschen der Trainingsdaten zu gut und versagt bei neuen Daten.
Unteranpassung (Underfitting): Das Modell ist zu einfach und kann die zugrunde liegenden Muster nicht erfassen.

Anwendungsbeispiele aus dem Alltag

In der Einleitung haben wir bereits angekratzt, wo KI bereits zu finden und fest verankert ist. Die Bereiche sind schier endlos und immer anpassbar, weshalb hier einige Bereiche sind, die du kennen solltest:

Sprachassistenten (Siri, Alexa): Verstehen und Beantworten von Sprachbefehlen mithilfe von Sprachverarbeitung (Natural Language Processing, NLP).
Empfehlungssysteme (Netflix, Spotify): Personalisierte Inhalte durch Analyse vorheriger Nutzerdaten und Collaborative Filtering.
Autonomes Fahren: Kombination aus Computer Vision, Sensorfusion und Reinforcement Learning, um Fahrzeuge eigenständig steuern zu lassen.
Medizinische Diagnostik: KI-Modelle unterstützen bei der Erkennung von Krankheiten anhand von Röntgen- oder MRT-Bildern.
Chatbots im Kundenservice: Automatisierte Dialogsysteme, die Fragen beantworten und Probleme lösen.

In Unternehmen findet man KI immer häufiger. Grund ist, dass KI vor allem dabei helfen soll, Routine Aufgaben zu erledigen, damit sich das Unternehmen auf eigentliche Arbeit konzentrieren kann. So dient sie als Assistenz, welcher bestenfalls objektive Entscheidungen trifft und Zeit und Geld einsparen kann.

Durch KI im Privatleben ist man in der Hinsicht betroffen, indem man die Dienste von Unternehmen wahrnimmt, die beispielweise im Kundenservice findet. Ein autonom fahrendes Auto nutzen auch viele bereits. Menschen lassen die KI einen Urlaub komplett durchplanen

Chancen/Vorteile von künstlicher Intelligenz

Mit dem Einzug der KI in den Alltag der Menschen stellen sich neue Fragen. Durchaus gibt es Vorteile, welche eine KI bietet, vor allem für Unternehmen:

Effizienzsteigerung: Routineaufgaben automatisieren, damit Menschen mehr Zeit für kreative Tätigkeiten haben.
Verbesserte Entscheidungsfindung: Datenbasierte Analysen helfen, bessere Geschäftsstrategien zu entwickeln.
Individualisierung: Angebote und Produkte genau auf deine Bedürfnisse zuschneiden.
Zugang zu Wissen: Spracherkennung und Übersetzung erleichtern den globalen Informationsaustausch.
Neue Forschungsfelder: KI treibt Innovation in Bereichen wie Materialwissenschaft, Klimaforschung und Medizin voran.

Risiken und ethische Aspekte

Und auch Bedenken finden ihren Platz, wobei das Thema Datenschutz das meist diskutierte Thema ist:

Datenschutz: Große Datenmengen werden gesammelt und verarbeitet – wie sicher sind deine persönlichen Daten?
Bias (Verzerrung): Wenn Trainingsdaten Vorurteile enthalten, kann die KI diskriminierende Entscheidungen treffen.
Jobverluste: Automatisierung könnte bestimmte Berufe überflüssig machen.
Mangelnde Transparenz: Viele KI-Modelle, besonders Deep-Learning-Systeme, gelten als „Black Box“ (nicht nachvollziehbar).
Sicherheitsrisiken: KI-gesteuerte Systeme können manipuliert oder gehackt werden.

Die meisten gängigen KI-Systeme haben ihre Serverstandorte außerhalb der EU, wo andere Regulierungen bezüglich der Datensicherheit herrschen. Die Frage, wie die Daten gespeichert und bearbeitet werden, ist nicht immer einsichtig und Privatpersonen wünschen nicht, dass deren sensiblen Daten zu Testzwecken oder einfach zur Speicherung an unbekannten Orte gelagert werden.

Das Thema Risiko ist ebenfalls immer wieder im Gespräch. Wie alle Computer und Programme kann sich in eine KI eingehackt werden und mit dem Eingriff Schaden angerichtet werden, welcher schlimmstenfalls größere Teile der Bevölkerung betrifft. Für solche Risiken hat der EU AI-Act daher besondere Regulierungen getroffen, um die Sicherheit solcher Systeme zu verbessern.

Die Zukunft der Künstlichen Intelligenz

In welche Richtung geht die Künstliche Intelligenz? Zu erst einmal: Sie änderst sich gefühlt tagtäglich. Kaum vergeht ein Tag, an welchem es keine neuen Infos zu KI gibt. Es wurde bereits verstanden, dass mehr oder weniger freiwillig der KI eine besondere Rolle in der Zukunft eingeräumt werden muss, auch wenn es nur darum geht, sie zu verstehen.

Abgesehen davon können auf Grundlage bestehender System diese Themen zukünftig besser/anders behandelt werden:

Erklärbare KI (Explainable AI): Bessere Transparenz und Nachvollziehbarkeit von Entscheidungen.
KI und Robotik: Intelligente Roboter im Haushalt, in der Pflege und in der Industrie.
Quanten-KI: Nutzung von Quantencomputern, um komplexe Probleme noch schneller zu lösen.
KI-Regulierung: Gesetzliche Rahmenbedingungen, die ethische Standards und Datenschutz sicherstellen.
Mensch-Maschine-Kollaboration: KI unterstützt Kreativität und Innovation, bleibt aber Werkzeug in menschlicher Hand.

Die EU hat bereits ein erstes Rahmenwerk mit dem EU AI-Act geschaffen, welches KI auch im Rahmen der Umwelt betrachtet. Denn KI verbraucht Unmengen an Energie und belastet damit die Umwelt. Hierfür Alternativen zu finden, bei gleichzeitig höherer Kapazität und Leistung wird in der KI als nächstes den Wettlauf unter den KI-Anbietern entscheiden.

Zusammenfassung

Was solltest du aus diesem Text mitnehmen?

Künstliche Intelligenz umfasst Methoden, die menschliche Intelligenzleistungen nachahmen.
Maschinelles Lernen und Deep Learning sind zentrale Teilgebiete, die auf Daten basieren.
Neuronale Netze sind das Rückgrat vieler moderner KI-Systeme.
Die wichtigsten Lernverfahren sind überwachtes, unüberwachtes und bestärkendes Lernen.
KI findet in Bereichen wie Sprachassistenten, autonomen Fahrzeugen und Medizin Anwendung.
Chancen: Effizienz, bessere Entscheidungen, Individualisierung und Innovation.
Risiken: Datenschutz, Bias, Jobverluste, mangelnde Transparenz und Sicherheitsfragen.
Die Zukunft der KI wird geprägt von Erklärbarkeit, Quanten-KI und effektiver Regulierung.

Mit diesem Wissen kannst du die Grundprinzipien der KI verstehen und selbstbewusst über Chancen und Herausforderungen diskutieren.