Bitte aktivieren Sie JavaScript, um die bestmögliche Nutzung zu gewährleisten.
-40% Black Friday: unser größter Sale des Jahres Bis 31 Dezember 2026 Tarife ansehen

Was ist künstliche Intelligenz?

Klarer Überblick über KI: von maschinellem Lernen und Deep Learning bis zu generativer KI und Agenten, mit Vorteilen, Anwendungen, Risiken, Ethik und Geschichte.

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist eine Technologie, die es Computern und Maschinen ermöglicht, menschliches Lernen, Verstehen, Problemlösen, Entscheiden, Kreativität und Autonomie zu simulieren.

Anwendungen und Geräte mit KI können Objekte sehen und erkennen, menschliche Sprache verstehen und darauf antworten, aus neuen Informationen und Erfahrungen lernen, maßgeschneiderte Empfehlungen geben und autonom handeln, ohne menschliches Eingreifen (das klassische Beispiel ist das selbstfahrende Auto).

Heute konzentriert sich die Aufmerksamkeit auf generative KI, die originale Texte, Bilder, Videos und andere Inhalte erstellen kann. Um sie zu verstehen, sollte man zuerst die zugrunde liegenden Technologien kennen: maschinelles Lernen und Deep Learning.

Maschinelles Lernen

KI lässt sich als Reihe sich überlappender Konzepte verstehen, die sich über mehr als 70 Jahre entwickelt haben. Direkt unter dem Dach der KI liegt das maschinelle Lernen (ML): Modelle entstehen, indem Algorithmen mit Daten trainiert werden, um Vorhersagen oder Entscheidungen zu treffen, ohne jede Aufgabe explizit zu programmieren.

Es gibt viele Techniken: lineare und logistische Regression, Entscheidungsbäume, Random Forests, Support Vector Machines (SVM), k-nächste-Nachbarn (KNN), Clustering und weitere, jeweils für andere Probleme und Daten geeignet.

Eine der bekanntesten ist das neuronale Netz, dem Aufbau und der Funktion des menschlichen Gehirns nachempfunden: miteinander verbundene Schichten von Knoten (Neuronen), die komplexe Daten verarbeiten und Muster in großen Datenmengen erkennen.

Die einfachste Form ist überwachtes Lernen mit gelabelten Datensätzen, um Daten zu klassifizieren oder Ergebnisse vorherzusagen: Das Modell lernt den Zusammenhang zwischen Ein- und Ausgaben, um bei neuen Daten vorherzusagen.

Deep Learning

Deep Learning ist eine Teilmenge des maschinellen Lernens mit vielschichtigen neuronalen Netzen (tiefe neuronale Netze), die die komplexe Entscheidungsfähigkeit des Gehirns nachahmen. Sie haben eine Eingabeschicht, mindestens drei verborgene Schichten (oft Hunderte) und eine Ausgabeschicht, im Gegensatz zu ein oder zwei verborgenen Schichten im klassischen ML.

Diese Schichten ermöglichen unüberwachtes Lernen: Sie extrahieren Merkmale aus riesigen, ungelabelten, unstrukturierten Daten und erzeugen eigene Vorhersagen. Deshalb eignet es sich für Sprachverarbeitung (NLP), Computer Vision und andere Aufgaben mit komplexen Mustern, und die meisten KI-Anwendungen im Alltag nutzen eine Form davon. Es ermöglicht außerdem:

  • Halbüberwachtes Lernen: kombiniert gelabelte und ungelabelte Daten für Klassifikation und Regression.
  • Selbstüberwachtes Lernen: erzeugt implizite Labels aus unstrukturierten Daten.
  • Bestärkendes Lernen: lernt durch Versuch und Irrtum und Belohnungsfunktionen.
  • Transferlernen: überträgt Gelerntes einer Aufgabe auf eine verwandte.

Generative KI

Generative KI bezeichnet Deep-Learning-Modelle, die auf eine Anfrage hin originale, komplexe Inhalte erzeugen, etwa lange Texte, hochwertige Bilder, Videos oder realistisches Audio. Sie kodieren eine vereinfachte Darstellung ihrer Trainingsdaten und erschaffen damit ähnliche, aber nicht identische Werke. Ihr Aufstieg fällt mit drei Modelltypen zusammen:

  • Variational Autoencoder (VAE), 2013, erzeugen auf eine Anweisung hin verschiedene Inhalte.
  • Diffusionsmodelle, 2014, fügen Bildern „Rauschen“ hinzu, bis sie unkenntlich sind, und entfernen es dann, um originale Bilder zu erzeugen.
  • Transformer, trainiert mit sequenziellen Daten für lange Sequenzen (Wörter, Formen, Videobilder, Code); sie bilden den Kern der meisten heutigen generativen Werkzeuge.

Wie generative KI funktioniert

Sie arbeitet in drei Stufen: Training, Feinabstimmung sowie Generierung, Bewertung und weitere Abstimmung.

  • Training: Ein Basismodell, meist ein großes Sprachmodell (LLM), entsteht durch Training mit riesigen ungelabelten Datenmengen. Das Ergebnis ist ein Netz mit Milliarden Parametern. Das ist sehr teuer, mit Tausenden GPUs und Wochen an Rechenzeit, weshalb offene Projekte diesen Schritt überspringen lassen.
  • Feinabstimmung: Das Modell wird mit spezifischen gelabelten Daten oder durch bestärkendes Lernen aus menschlichem Feedback (RLHF) an eine Aufgabe angepasst, wobei Menschen die Ausgaben bewerten.
  • Generierung, Bewertung und weitere Abstimmung: Ausgaben werden bewertet und das Modell weiter verfeinert, teils wöchentlich, während das Basismodell seltener aktualisiert wird.

Eine weitere Option ist Retrieval-Augmented Generation (RAG), die das Modell um Quellen jenseits der Trainingsdaten erweitert, um die Genauigkeit zu erhöhen.

KI-Agenten und agentische KI

Ein KI-Agent ist ein autonomes Programm, das im Auftrag eines Nutzers oder Systems Aufgaben erledigt und Ziele erreicht, indem es seinen eigenen Arbeitsablauf entwirft und verfügbare Werkzeuge nutzt. Agentische KI ist ein System aus mehreren koordinierten Agenten für komplexere Aufgaben. Anders als Chatbots zeigen sie Autonomie, Zielorientierung und Anpassungsfähigkeit. Eine generative KI kann dir den besten Reisezeitpunkt nennen; ein Agent kann zusätzlich Flug und Hotel buchen.

Vorteile künstlicher Intelligenz

  • Wiederkehrende Aufgaben automatisieren, digital wie physisch, damit Menschen sich kreativeren Aufgaben widmen.
  • Schneller mehr Erkenntnisse aus Daten.
  • Bessere Entscheidungsfindung durch schnellere, genauere Prognosen.
  • Weniger menschliche Fehler, etwa bei KI-gestützter Chirurgie.
  • Rund um die Uhr verfügbar mit gleichbleibender Leistung.
  • Weniger Risiken durch Automatisierung gefährlicher Aufgaben.

Anwendungsfälle

  • Kundenservice: Chatbots und virtuelle Assistenten mit NLP und generativer KI.
  • Betrugserkennung: Analyse von Transaktionsmustern, um Auffälligkeiten zu markieren.
  • Personalisiertes Marketing: maßgeschneiderte Erlebnisse und Kampagnen.
  • Personalwesen: Vorauswahl von Lebensläufen und erste Interviews.
  • Anwendungsentwicklung: Codegenerierung und Modernisierung von Altsystemen.
  • Vorausschauende Wartung: Geräteausfälle mit Sensordaten vorhersagen.

Herausforderungen und Risiken

  • Datenrisiken: Poisoning, Manipulation, Verzerrung und Cyberangriffe.
  • Modellrisiken: Diebstahl, Reverse Engineering und unbefugte Manipulation.
  • Betriebsrisiken: Modelldrift, Verzerrung und Governance-Fehler.
  • Ethische und rechtliche Risiken: Datenschutzverletzungen und verzerrte Ergebnisse.

KI-Ethik und Governance

KI-Ethik untersucht, wie man den positiven Nutzen maximiert und Risiken minimiert, umgesetzt durch ein Governance-System. Gängige Werte:

  • Erklärbarkeit und Interpretierbarkeit: Verfahren, die Ergebnisse eines Algorithmus verständlich und vertrauenswürdig machen.
  • Fairness und Inklusion: Statistische Diskriminierung ist inakzeptabel, wenn sie bestimmten Gruppen systematisch Vorteile verschafft und andere benachteiligt.
  • Robustheit und Sicherheit: Ausnahmebedingungen bewältigen, ohne Schaden zu verursachen.
  • Verantwortung und Transparenz: klare Zuständigkeiten und Nutzer, die den Dienst und seine Grenzen beurteilen können.
  • Datenschutz und Compliance: Regelwerke wie die DSGVO verlangen Datenschutzprinzipien.

Schwache KI und starke KI

Schwache (enge) KI ist für eine bestimmte Aufgabe gedacht, etwa Alexa, Siri oder Chatbots. Starke KI (künstliche allgemeine Intelligenz, AGI) würde Wissen über viele Aufgaben auf menschlichem oder höherem Niveau verstehen, lernen und anwenden; sie ist derzeit theoretisch, und kein bekanntes System kommt ihr nahe.

Geschichte der künstlichen Intelligenz

Die Idee einer „denkenden Maschine“ reicht bis ins antike Griechenland zurück. Seit der elektronischen Datenverarbeitung gelten diese Meilensteine:

  • 1950: Alan Turing veröffentlicht „Computing Machinery and Intelligence“ und stellt den Turing-Test vor.
  • 1956: John McCarthy prägt den Begriff „künstliche Intelligenz“.
  • 1967: Frank Rosenblatt baut den Mark 1 Perceptron, auf einem neuronalen Netz, das durch Versuch und Irrtum lernt.
  • 1980: Neuronale Netze mit Backpropagation werden verbreitet.
  • 1997: IBMs Deep Blue besiegt Schachweltmeister Garry Kasparov.
  • 2011: IBM Watson besiegt die Champions bei Jeopardy!.
  • 2016: DeepMinds AlphaGo besiegt Go-Weltmeister Lee Sedol.
  • 2022: Große Sprachmodelle wie ChatGPT verändern Leistung und Fähigkeiten der KI.
  • Heute: Multimodale Modelle bieten reichere Erlebnisse, und auch kleinere Modelle machen Fortschritte.

Nun, da du die Grundlagen dieser spannenden Welt kennst, ist es Zeit, sie anzuwenden.

Bereit, deine Worte in eine Stimme zu verwandeln, die begeistert?

Moknah heute

Moknah verwandelt Text in natürliche Sprache in mehr als 130 Sprachen, mit rund 600 Stimmen auf zwei Engines: Standard mit Emotionen und Dialekten und Advanced, die du steuerst, indem du die Darbietung in Worten beschreibst. Für Arabisch gibt es drei Textprozessoren: Basic, Tashkeel und AI Poet. Diese Technologien kannst du in Moknah ausprobieren: Text to Speech in mehr als 130 Sprachen, Dubbing und Voice Cloning.

Beginne heute deine Reise in die Welt der Audioinhalte.

Teste Moknah kostenlos und ohne Kreditkarte: Text schreiben, Stimme wählen und das Ergebnis in Sekunden hören. Die Tarife findest du auf der Preisseite.

Jetzt kostenlos starten

Quelle: IBM.COM

Weiterlesen

Bereit, deinen Texten eine Stimme zu geben? Entdecke die Moknah-Tarife

Hat Ihnen dieser Artikel gefallen?

Erhalten Sie neue Artikel und Produkt-Updates direkt in Ihr Postfach. Kein Spam.

Wir respektieren Ihre Privatsphäre. Abmeldung jederzeit möglich.