Die wichtigsten Dinge, die Sie über KI wissen sollten
Künstliche Intelligenz (KI) gilt als die Technologie der Zukunft und hat das Potenzial, unser Leben in vielen Bereichen zu verändern. Doch was genau verbirgt sich hinter dem Sammelbegriff KI und was kann Künstliche Intelligenz? In diesem Beitrag erfahren Sie im Überblick alles, was Sie über KI wissen müssen. Ich erkläre Ihnen die wichtigsten Begriffe, wobei ich auf zwei Begriffe (KI und Deep Learning) näher eingehen werde. Außerdem zeige ich Ihnen anhand von Beispielen, wie KI funktioniert und wie die Technologie lernt.
Die Schlüssel-Begriffe zu KI erklärt
Es gibt viele neue Begriffe zum Thema KI. Im Folgenden möchte ich Ihnen die wichtigsten erklären.
Künstliche Intelligenz (Artificial Intelligence)
Künstliche Intelligenz (KI) ist ein Oberbegriff für Technologien, die Maschinen ermöglichen, intelligent zu agieren. KI-Systeme können logisches Denken, Lernen, Planen und Kreativität imitieren. Insgesamt ahmen sie intelligentes menschliches Verhalten nach.
Beispiele: Selbstfahrende Fahrzeuge, alle folgenden Beispiele der Teilbereiche
Maschinelles Lernen (ML)
Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Es beschreibt die Fähigkeit von Maschinen, aus Daten zu lernen. ML-Systeme können Muster und Gesetzmäßigkeiten in Datensätzen erkennen und daraus eigenständig Vorhersagen entwickeln.
Beispiele: Bild- und Gesichtserkennung – Mustererkennung (z. B. iPhone Face ID), Vorhersagen, wie z. B. der Wetterbericht
Robotic Process Automation (RPA)
Robotic Process Automation (RPA) ist eine Prozessautomatisierung, die auf dem Einsatz von programmierbaren, deterministischen Softwarerobotern basiert. RPA-Roboter sind in der Lage, sich wiederholende Aufgaben zu erledigen, die nach einem festen Regelwerk ablaufen.
Beispiele: Repetitive Aufgaben, z. B. Dateneingaben oder Themenzuordnungen
Deep Learning (DL)
Deep Learning (DL) ist ein Teilbereich des maschinellen Lernens (ML). Es ist eine Methode, bei der Maschinen sich selbst mithilfe künstlicher neuronaler Netze und großer Datenmengen trainieren und so komplexe Muster erkennen können.
Beispiele: Spracherkennungssysteme wie Alexa oder Siri, „Dein Mix der Woche“ von Spotify
Generative AI
Generative KI ist eine Form der künstlichen Intelligenz (KI), die in der Lage ist, neue Inhalte zu generieren. Diese Inhalte können u. a. Texte, Bilder, Videos, Audioinhalte, Programmcode, 3D-Modelle oder molekulare Strukturen sein.
Generative KI basiert oft auf Deep Learning und Large Language Models (LLM). LLM sind eine Art von KI-Modell, das für die Verarbeitung und Generierung von Sprache entwickelt wurde.
Beispiele: Systeme wie ChatGPT, Stable Diffusion, Midjourney und DALL-E, Deepfakes – wird aber auch in der Forschung eingesetzt, z. B. bei der Krebserkennung
Was kann Künstliche Intelligenz? Deepfake Beispiele
Zum besseren Verständnis möchte ich Ihnen hier einige Beispiele für Deepfakes zeigen. Alle Bilder sind ausnahmslos KI-generiert und wenn Sie ehrlich sind: Würden Sie hier einen Unterschied zur Realität erkennen? Sie sehen, dass KI nicht nur großes positives Potenzial hat, sondern auch missbraucht werden kann.
Deepfake von Papst Franziskus (Quelle: AI GENERATED IMAGE – Midjourney/Pablo Xavier)
Deepfake von Donald Trump (Quelle: Newsone 2023)
Deepfake von Selenskyj (Quelle: Inside Edition on YouTube 2021)
So ist eine KI aufgebaut
Die Entwicklung einer Künstlichen Intelligenz (KI) erfolgt in mehreren Schritten.
- Zuerst werden umfangreiche Mengen neutraler Daten aus dem Anwendungsfeld gesammelt und sorgfältig vorbereitet. Dieser Prozess beinhaltet die Modellierung, Bereinigung, Normalisierung und Aufteilung der Daten in Trainings- und Testdaten.
- Im nächsten Schritt folgt die Implementierung von Algorithmen für die KI-Modelle. Dabei werden Algorithmen programmiert oder geeignete Frameworks ausgewählt und kombiniert. Die Definition der Architektur, einschließlich Schichten, Neuronen und Aktivierungsfunktionen, ist hierbei entscheidend.
- Der eigentliche Lernprozess startet mit dem Trainieren und Validieren des Modells. Hierbei werden Muster und Zusammenhänge in den Daten erkannt, gefolgt von einer gründlichen Validierung anhand von Testdaten. Während dieses Prozesses werden Algorithmen und Modellparameter kontinuierlich angepasst, um optimale Leistung zu gewährleisten.
Ein entscheidender Schritt erfolgt, wenn das Modell beginnt, neue Inhalte zu generieren. Durch fortlaufende Analyse neuer Daten trifft es Vorhersagen oder Entscheidungen basierend auf gelerntem Wissen. Jeder neue Inhalt ermöglicht der KI eine kontinuierliche Verbesserung und Erweiterung ihrer Fähigkeiten.
Deep Learning erklärt
Deep Learning funktioniert im Prinzip wie unser menschliches Gehirn. Damit Sie Deep Learning etwas besser verstehen, habe ich Ihnen ein kleines Beispiel mitgebracht:
Sie kennen vielleicht die Quizsendungen im Fernsehen, bei denen man einen kleinen Ausschnitt eines Bildes sehen konnte, der immer größer wurde, bis man das Bild erkennen konnten. Genau so funktioniert KI (siehe Abb. Deep-Learning-System).
Deep-Learning-System (Quelle: News Center Microsoft 2018)
Die KI bekommt einen Input. Dieser durchläuft ein neuronales Netzwerk, das verschiedene Schichten und Ebenen hat. Je tiefer die Ebenen gehen, desto genauer wird das Ergebnis. Die KI identifiziert dabei spezifische Merkmale wie „Fell“ oder „Auge“.
Nach mehreren Schichten kann die KI schließen, dass es sich um das Bild einer Katze handelt. Abschließend erfolgt eine Qualitätskontrolle zur Bestätigung der Lösung. Durch erfolgreiche Lösungen von mehreren Katzenbildern speichert die KI diese Muster, um zukünftig zuverlässig Katzen zu erkennen.
KI: Die Zukunft ist jetzt
KI ist ein sehr umfangreiches und komplexes Thema. In diesem Beitrag habe ich versucht, die Komplexität des Themas zu nehmen und die wichtigsten Begriffe zu erläutern. Ich habe die unterschiedlichen Teilgebiete von KI vorgestellt und erklärt, wie sie arbeitet bzw. lernt. Wenn Sie nun wissen möchten, wie Sie KI in Ihrem Unternehmen einsetzen können, kommen Sie gerne auf mich zu.
