Was genau ist KI, und wie funktioniert sie? In diesem Text erfährst du, was Künstliche Intelligenz ist, wie sie arbeitet und welche wichtigen Teilbereiche es gibt. Von einfachen Algorithmen bis hin zu komplexen neuronalen Netzwerken – wir werfen einen Blick hinter die Kulissen einer der spannendsten Technologien unserer Zeit.

Was ist KI

Mit KI generiertes Bild

Was ist KI

1950 wurde die theoretischen Grundlagen für die heutige Computertechnologie gelegt und erstmals überlegt, wie Algorithmen erstellt werden können, die selbständig Probleme lösen. Die Künstliche Intelligenz ist ein Teilbereich in der Informatik der sich mit der Entwicklung von Algorithmen, die menschlichen kognitive Fähigkeiten wie logisches Denken, Lernen, Planen und Kreativität imitieren beschäftigt. Erstmals wurde der Begriff von amerikanischen Wissenschaftlern verwendet. Die englische Übersetzung von KI ist „Artificial Intelligence“, kurz AI. Künstliche Intelligenz baut auf Statistiken auf.

Ist KI überhaupt intelligent?

Interview mit Univ. Prof. Dr. Dipl. Math. Arne Bathke aus dem Fachbereich Artificial Intelligence and Human Interfaces (AIHI) der Paris Lodron Universität Salzburg.

Was ist ein Algorithmus?

Ein Algorithmus beschreibt eine klar definierte Abfolge von endlich vielen Schritten oder Anweisungen, um ein bestimmtes Problem zu lösen oder eine Aufgabe zu erfüllen. Ein gutes Beispiel hierfür ist ein Kochrezept. Man gibt Zutaten hinein, verarbeitet diese und erhält ein Ergebnis – in diesem Fall das fertige Gericht. In Informatik erhalten Algorithmen Eingabedaten, verarbeiten diese nach einer bestimmten Vorschrift und geben Ausgabedaten zurück.

Wusstest du übrigens, dass der weltweit erste Algorithmus von Ada Lovelace entwickelt wurde?

Video über Ada Lovelace

© Arte

Früher vs heute

Früher konnten KI nur spezifische Probleme aus einer Domäne lösen, während heute die Algorithmen immer anpassungsfähiger sind und auch domänenübergreifend eingesetzt werden können. Dieselbe Künstliche Intelligenz kann heutzutage zum Beispiel Städtetrips planen, programmieren oder Hausaufgaben lösen.

Autonomes Fahren

Mit KI generiertes Bild

Vielseitigkeit von KI

Die Art der Daten, die neuronale Netze verarbeiten, sind im Prinzip irrelevant. Egal ob Text, Bild, Ton oder Video, alles ist in Bits und Bytes kodiert und die Architektur des neuronalen Netzes muss lediglich in der Lage sein, die jeweilige Datenmenge zu verarbeiten. So kann ein Netz das einen Text erzeugen kann, auch für die Erzeugung von Bildern angepasst werden können. Dabei berechnet die KI, Wahrscheinlichkeiten dafür, an welcher Stelle im Text beziehungsweise im Bild ein bestimmtes Wort beziehungsweise ein bestimmter Pixel am besten zur Lösung des Problems beiträgt. Das ist auch der Grund, warum diese Technologie bereits heute in vielen Bereichen unseres Alltags so präsent ist. Einige der heutigen Anwendungsbereiche von KI sind Bildsynthese, Textgenerierung, autonomes Fahren und Deepfakes.

ChatGPT – Text aufgrund von Wahrscheinlichkeiten

© Youtube, Link zu Video über Funktionsweise von ChatGPT

Was sind künstliche neuronale Netze

Vereinfacht kann man künstliche Neuronen als eine simple Rechenoperation betrachten. Ein Beispiel hierfür wäre: Ein Neuron kann eine Zahl, sagen wir 55, empfangen, diese Zahl mit 2 multiplizieren und das Ergebnis, in diesem Fall 110 an die nächsten Neuronen weitergeben. Diese Neuronen führen ihre eigenen Rechenoperationen mit anderen Multiplikationswerten durch. Durch das Training mit einem Trainingsdatensatz erhält das neuronale Netz die Fähigkeit statistische Aussagen beziehungsweise Vorhersagen machen zu können.

Neuronale Netze

Mit KI generiertes Bild

Fehlerhafte Vorhersagen und Vorurteile

Vorhersagen von KI-Modellen funktionieren nur so gut, da sie mit guten Daten versorgt werden. Werden Daten fälschlicherweise falsch ausgegeben, kann dies das System fehlinterpretieren. Das System erhält größere Datenmengen und filtert diese. Die KI-Systeme bilden statistische Wahrscheinlichkeiten ab und replizieren die Strukturen in dem zuvor verarbeiteten Trainings-Datensatz.

Teilgebiete der KI

Es gibt verschiedene Teilgebiete der künstlichen Intelligenz. Die drei wichtigsten Teilgebiete werden im folgenden Text genauer erklärt.

Machine Learning (ML)

Machine Learning ist der größte und wichtigste Bereich der KI, bei dem Computer aus Daten lernen, ohne extra dafür programmiert zu werden. Machine Learning Systeme werden zuerst mit Hilfe von Standadangaben programmiert und dann mit Daten von Nutzern gefüttert. Genau aus diesen Daten lernen sie Muster zu erkennen und so Probleme zu lösen, Entscheidungen zu treffen oder Vorhersagen zu machen. Menschen können in diesen Vorgang eingreifen. Dies hat viele Vorteile für Unternehmen da sie so Inhalte besser vermarkten können.

Es gibt drei Arten von Machine Learning:

  • Überwachtes Lernen: Vorhersagen und Prognosen für unbekannte Daten
  • Unüberwachtes Lernen: Erkennt versteckte Muster in Daten
  • Verstärktes Lernen: Algorithmen interagieren mit Umgebung und lernen durch ein Belohnungssystem

Beispiel:

Auf diesem Prinzip basieren auch personalisierte Werbung auf allen Plattformen und Empfehlungen für Filme und Serien bei Streamingdiensten.

Maschinelles Lernen

Mit KI generiertes Bild

Deep Learning (DL)

Deep Learning ist ein Teilgebiet des Machine Learnings. Es ist eine Form des maschinellen Lernens, die auf künstlichen neuronalen Netzwerken basiert bei der das System selbständig ohne den Einfluss von Menschen lernt. Diese Netzwerke sind inspiriert vom menschlichen Gehirn und bestehen aus vielen Schichten (deshalb „deep“ für tief). So kann das System kompliziertere Muster und Zusammenhänge in großen Datenmengen erkennen. Deep Learning hat viele wichtige Fortschritte in Bereichen wie der Bild- und Spracherkennung möglich gemacht.

Beispiel:

Beispiele sind die Fähigkeit von Deep Learning-Systemen, in Fotos Gesichter zu identifizieren oder gesprochene Sprache in Text umzuwandeln sowie die Gesichtserkennung von Smartphones

Natural Language Processing (NLP)

Natural Language Processing beschäftigt sich mit der Interaktion zwischen Computern und menschlicher Sprache. Das Ziel von Natural Language Processing ist es, dass Maschinen natürliche Sprache verstehen, interpretieren und generieren zu können. Das umfasst Aufgaben wie das Übersetzen von Texten, das Beantworten von Fragen oder das Zusammenfassen von Dokumenten. Auch dieses System benötigt dazu eine große Menge an Daten.

Beispiel:

Beispiele für Natural Language Processing sind Assistenten wie Siri oder Alexa.

Diese drei Teilgebiete sind eng miteinander verbunden. So nutzt zum Beispiel Natural Language Processing Techniken von Deep Learning und Machine Learning, um sich zu verbessern. Durch diese drei Techniken können Systeme entwickelt werden, die schwere Aufgaben lösen können. Alle drei Techniken kommen schon häufig im Alltag vor, ohne dass es uns oft bewusst ist.

Weitere Informationen