KI – Grundlagen & Begriffe

Künstliche Intelligenz (KI) ist längst kein Zukunftsthema mehr – sie ist bereits heute in zahlreichen Anwendungen unseres Alltags präsent. Doch was steckt hinter Begriffen wie ‘KI-Modell’, ‘Deep Learning’ oder ‘starke KI’? Und wie unterscheiden sich Tools wie ChatGPT oder Midjourney in ihrer Funktionsweise?

In den kommenden Wochen und Monaten werden wir eine Artikelreihe veröffentlichen, in der wir unterschiedliche KI-Tools für konkrete Anwendungsbereiche vergleichen und ihre Stärken und Schwächen beleuchten. Außerdem werfen wir einen Blick hinter die Kulissen: Wie funktionieren KI-Modelle eigentlich, welche Arten von künstlicher Intelligenz gibt es, und worin unterscheiden sich verschiedene Lernmethoden?

Bevor wir in diese Themen tiefer einsteigen, klären wir in diesem ersten Beitrag die wichtigsten Begriffe rund um KI. So legen wir die Grundlagen, um die folgenden Artikel besser einordnen und die vielfältigen Facetten künstlicher Intelligenz verstehen zu können.

Künstliche Intelligenz (KI) bezeichnet die Fähigkeit von Maschinen, Aufgaben zu lösen, die normalerweise menschliche Intelligenz erfordern – etwa Lernen, Entscheiden oder Problemlösen. Basis dafür sind Algorithmen, also klar definierte Handlungsanweisungen, die genau festlegen, wie ein bestimmtes Problem gelöst werden soll. Algorithmen bestehen meist aus einer Reihe von logischen Schritten – ähnlich einem Kochrezept –, die eine Maschine strikt abarbeitet.

Moderne KI nutzt häufig maschinelles Lernen, bei dem Algorithmen so gestaltet sind, dass sie aus Beispieldaten eigenständig Muster erkennen und daraus lernen. Statt für jede Entscheidung programmiert zu werden, verbessern sich diese Systeme durch Erfahrung. Ein einfaches Beispiel: Eine KI, die viele Fotos von Hunden und Katzen sieht, lernt nach und nach, die beiden Tierarten anhand von Merkmalen wie Ohrenform oder Fellstruktur selbstständig zu unterscheiden.

Die folgende Tabelle bietet eine kompakte Übersicht über zentrale Konzepte – von den Grundlagen über die Arten von KI bis hin zu ihrer praktischen Anwendung.

Künstliche Intelligenz umfasst verschiedene Teilgebiete, die wir in folgender Tabelle kurz vorstellen.

Maschinelles Lernen (ML)/ Machine Learning

Fähigkeit von Systemen aufgrund von Algorithmen, aus Daten zu lernen und Muster zu erkennen – ohne explizite Programmierung. Je mehr Daten vorhanden sind und je mehr eine Anwendung mit machinellem Lernen genutzt wird, desto besser wird sie. ML braucht strukturierte Daten, wie z. B. Tabellen mit den verschiedenen Daten und wird z. B. für Optimierung von Prozessen, zur Vorhersage von wahrscheinlichen Werten oder Verhalten (z. B. bei Kunden), Erkennen von Zusammenhängen oder Gruppen.

Deep Learning

Teilgebiet oder Art des ML mit besonders tiefen, mehrschichtigen neuronalen Netzwerken. Im Gegensatz zu klassischem ML, kann Deep Learning auch unstrukturierte Daten wie Bilder, Musik, Videos oder Sprache verarbeiten, ohne vorher Merkmale für die Strukturierung festlegen zu müssen. Für die Analyse der Daten braucht Deep Learning deswegen auch besonders leistungsstarke Computer und viel Zeit (bis zu mehrere Monate). Besonders geeignet ist es in Bereichen wie Bildverarbeitung, Spracherkennung und Naturwissenschaften.

Neuronale Netze

Neuronale Netze sind Teil des Deep Learnings und eine allgemeine AI-Technologie, die vom menschlichen Gehirn inspiriert sind. Sie bestehen aus künstlichen Neuronen/Knoten und sind Grundlage für Deep Learning, Machine Learning und viele moderne KI-Modelle. Jeder Knoten ist mit einem anderen verbunden und es gibt immer mehrere Schichten: Eingabeschicht, verborgene Schicht und Ausgabeschicht.  Die verborgene Schicht kann aus vielen Ebenen bestehen. Besonders tiefe neuronale Netze werden dem Deep Learning zugeordnet. Neuronale Netze werden für komplexe Problemstellungen genutzt wie Übersetzungen von Sprache, Wettervorhersagen, wirtschaftliche Fragestellungen und viele weitere Gebiete (siehe Deep Learning).

Natural Language Processing (NLP), Natural Language Understanding (NLU), Natural Language Generation (NLG)

Durch Sprachverarbeitung können Maschinen menschliche Sprache verstehen und interpretieren. Dafür werden unter anderem ML, Deep Learning und statistische Verfahren genutzt. NLU und NLG sind Teilgebiete von Natural Language Processing, das zudem viele weitere Verfahren nutzt, damit KI menschliche Sprache verstehen, verarbeiten, produzieren und übersetzen kann. Sprachverarbeitung bzw. NLP finden sich in vielen KI-Anwendungen wie virtuelle Assissten (Alexa, SIRI), Chatbots, Verarbeitung von Kundenmeinungen und im Kundenservice, sowie als Spam-Filter, Speech-to-Text-Kovertierung, z. B. für Mailbox-Nachrichten, die als E-Mail in Textform im Postfach ankommen.

Innerhalb des maschinellen Lernens gibt es unterschiedliche Lernverfahren bzw. verschiedene Arten von Algorithmen, je nachdem, ob mit gelabelten Daten, selbstständigem Lernen oder Feedback gearbeitet wird. Diese Methoden sind Grundlage vieler KI-Modelle.

Teilüberwachtes Lernen (Semi-Supervised Learning)

Mischung aus überwachtem und unüberwachtem Lernen: Diese Methode nutzt sowohl einen kleinen Satz gekennzeichneter Beispieldaten mit definierten Zielwerten als auch eine größere Menge unmarkierter Daten. Das Modell wird zunächst mit wenigen bekannten Daten trainiert und nutzt anschließend diese Basis, um weitere, unbekannte Daten effizient zu klassifizieren. Der Vorteil: Es werden deutlich weniger manuell erstellte Trainingsdaten benötigt, was Zeit und Kosten spart. Semi-Supervised Learning wird häufig in ähnlichen Anwendungsgebieten eingesetzt wie überwachtes Lernen, etwa bei der Klassifikation von Texten oder Bildern.

Verstärkendes Lernen (Reinforcement Learning)

Lernen durch Belohnung und Bestrafung in interaktiven Umgebungen: Der Algorithmus erhält zunächst keine Vorgabe, welche Aktionen richtig oder falsch sind. Durch positives oder negatives Feedback lernt er Schritt für Schritt, welche Handlungen zu erwünschten Ergebnissen führen. Über die Zeit entwickelt das Modell selbstständig Strategien, um Belohnungen zu maximieren. Das Feedback entsteht automatisch aus einer programmierten Belohnungsfunktion innerhalb der Umgebung. Reinforcement Learning ist eine zentrale Lernmethode für KI-Entwicklung und wird z. B. beim autonomen Fahren und in der autonomen Robotik eingesetzt.

Transferlernen (Transfer Learning)

Übertragung bereits gelernter Muster auf neue Aufgaben: Beim Transferlernen wird ein bestehendes Modell, das für eine bestimmte Aufgabe trainiert wurde, genutzt, um eine verwandte, aber neue Problemstellung schneller zu lösen. Statt bei null zu beginnen, baut das neue Modell auf dem vorhandenen Wissen auf. Dies spart erhebliche Mengen an Trainingsdaten, Rechenleistung und Entwicklungszeit. Transfer Learning wird häufig eingesetzt, wenn nur wenige spezialisierte Daten verfügbar sind, etwa bei medizinischen Bildanalysen oder in der Verarbeitung kleiner Sprachkorpora. Sprachkorpora sind große Sammlungen von Texten oder Sprachaufnahmen, die zum Trainieren von KI-Systemen genutzt werden.

KI ist ein komplexes, aber faszinierendes Feld, das von technischen Grundlagen bis hin zu philosophischen Zukunftsszenarien reicht. Begriffe wie neuronale Netze, maschinelles Lernen oder Superintelligenz begegnen uns immer häufiger – und es lohnt sich, ihre Bedeutung zu verstehen. Denn nur wer die zentralen Konzepte kennt, kann KI-Technologien sinnvoll einordnen und bewerten.

In den kommenden Artikeln unserer KI-Reihe gehen wir einen Schritt weiter: Wir zeigen, wie verschiedene Tools konkret eingesetzt werden, vergleichen ihre Anwendungsbereiche und erklären, welche KI-Modelle dahinterstecken. Wenn Sie also besser verstehen möchten, was KI heute kann – und was (noch) nicht –, bleiben Sie dran.