5. Januar 2024, 10:36 Uhr | Lesezeit: 6 Minuten

Künstliche Intelligenz, kurz und geläufiger KI, ist seit einigen Monaten in aller Munde. Nicht nur Nutzer, sondern auch große Unternehmen setzen vermehrt auf die Technologie. TECHBOOK stellt Ihnen hierzu die 12 wichtigen KI-Begriffe vor und verrät, was sie bedeuten.

Künstliche Intelligenz (KI) – schwach und stark

Als Informatiker Mitte der 1950er Jahre den Begriff Künstliche Intelligenz einführen, existiert eine sehr optimistische Vorstellung davon, wozu Computer einmal in der Lage sein könnten. Zunächst einmal steht Künstliche Intelligenz als Oberbegriff für von einem Computer übernommene menschliche Tätigkeiten. Erstmalig werden einer Maschine menschliche Fähigkeiten zugerechnet. Später etabliert sich die Unterscheidung zwischen starker und schwacher KI.

Schwache KI meint maschinelle Tätigkeiten, wie wir sie heute vielfach im Alltag antreffen, beispielsweise Sprachassistenten im Smartphone, Schachcomputer oder das Erkennen bestimmter Gegenstände. Ohne eine Handlungsanweisung durch einen Menschen wäre der Computer allerdings hilflos.

Starke KI bezeichnet eine Utopie. Der Begriff meint Computersysteme, die wie ein Mensch handeln, also denken, fühlen, lernen, riechen, hören. Davon ist die KI-Forschung noch weit entfernt.

(Künstliche) Neuronale Netze

Bei diesem KI-Begriff handelt es sich um eine maschinelle Kopie des menschlichen Nervensystems. Neuronale Netze innerhalb der KI bestehen aus verschiedenen Schichten, die über Knotenpunkte miteinander verknüpft sind. Sehr vereinfacht existieren eine Eingabe- und eine Ausgabeschicht. Ein einfaches Beispiel, wie ein neuronales Netz arbeitet: Vorne werden zu Trainingszwecken verschiedene Bilder von Tieren eingegeben.

Laut Vorgabe sollen hinten nur Bilder ausgegeben werden, auf denen Hunde zu sehen sind. Der Computer „lernt“ durch unzählige Bilder, Hunde von anderen Tieren oder Gegenständen zu unterscheiden. Ihm fehlt allerdings das Wissen, was ein Hund überhaupt ist.

Machine Learning

Das gerade beschriebene Beispiel fällt unter den Begriff Machine Learning oder maschinelles Lernen. Computer sind in der Lage, bestimmte Muster in großen Datensätzen zu erkennen und herauszufiltern. Es gibt drei unterschiedliche Arten, wie Maschinen lernen: überwacht, unbeaufsichtigt oder bestärkend.

Überwachtes Lernen

Das obige Beispiel gehört zum Bereich überwachtes Lernen. Das System und der dahintersteckende Algorithmus weiß im Voraus, nach welchen Mustern Datensätze durchsucht werden sollen – nach Hunden.

Unbeaufsichtigtes Lernen

Beim unbeaufsichtigten Lernen verfügt das System über keinerlei Vorkenntnisse. Ziel: Das System soll eigene Muster und Zusammenhänge erkennen oder erlernen. Um bei dem Hunde-Beispiel zu bleiben, das System würde anhand der äußeren Form unterschiedliche Tierarten gruppieren, möglicherweise auch Hunde. Vor allem im Bereich der Cybersicherheit setzen Unternehmen auf unbeaufsichtigtes Lernen. Dadurch sollen böswillige Eingaben und damit Cyberangriffe mittels KI frühzeitig erkannt werden.

Bestärkendes Lernen

Von bestärkendem Lernen ist die Rede, wenn das System einfach ausprobiert, ein Ergebnis auswirft und anschließend eine menschliche Rückmeldung bekommt. Im Falle des Hunde-Beispiels: Bei einem Foto vermutet der Computer einen Hund zu erkennen. Stimmt das Ergebnis, gibt es „Lob“. Bei einem falschen Ergebnis bleibt das Lob aus. Mit jeder neuen Runde lernt die KI, Hunde zu erkennen. Die ausgeworfenen Ergebnisse verbessern sich.

Deep Learning

Hierbei handelt es sich um eine spezielle Form des maschinellen Lernens. Der Computer wird mittels neuronaler Netze in die Lage versetzt, Informationen zu analysieren, logische Schlüsse daraus zu ziehen und aus seinen Fehlern zu lernen. Im Falle der Hunde-Erkennung wird die KI mit unzähligen Hundebildern gefüttert. Die verschiedenen Schichten des neuronalen Netzes analysieren sämtliche Bilder. Irgendwann versteht die KI: vier Pfoten, Fell und feuchte Nase – das ist ein Hund. Mittels Deep Learning kann die KI künftig auf Fotos Hunde von Katzen oder Schweinen unterscheiden. Durch den Lerneffekt erweitert sich das neuronale Netz beim Deep Learning um neue Schichten. Im Gegensatz zum reinen maschinellen Lernen muss eine Deep-Learning-KI daher nicht immer wieder sämtliche Schritte neu erlernen.

Large Language Models (LLM)

Bei diesem KI-Begriff handelt es sich um eine spezielle Deep-Learning-Methode. Eine LLM-KI ist darauf trainiert worden, menschliche Sprache zu verstehen und zu „sprechen“ – Stichwort: ChatGPT. Das derzeit bekannteste Modell ist ein Large Language Model. Die Ende 2022 vorgestellte GPT-3-Version verfügt über unglaubliche 175 Milliarden Trainingsparameter. Die aktuelle GPT-4-Version kann sogar auf über 1,8 Billionen Trainingsparameter zurückgreifen. Deswegen fühlt sich der Austausch mit ChatGPT auch so menschlich an.

Auch interessant: Was ist Künstliche Intelligenz und wie wird sie genutzt? 

Prompts

Seit ChatGPT kennt die Welt auch den KI-Begriff Prompts. Einige Fachleute sind der Meinung, jeder Mensch muss in der nahen Zukunft Prompts beherrschen. Dabei handelt es sich um sehr genau definierte Vorgaben, wie ChatGPT seine Antworten formulieren soll. Am besten lassen sich Prompts vielleicht mit einer Art Kochrezept vergleichen. Je detaillierter die Vorgaben sind, desto besser das von ChatGPT ausgeworfene Ergebnis.

KI-Halluzinationen

Leider fallen die Antworten von ChatGPT nicht immer zur vollsten Zufriedenheit aus. User berichten von völlig unsinnigen Antworten oder nicht existenten Quellangaben. In dem Fall sprechen Fachleute von Halluzinationen. An dieser Stelle zeigen sich die Schwachstellen von KI am deutlichsten. KI in Form von ChatGPT weiß eine ganze Menge, allerdings längst nicht alles. Denn nicht das gesamte menschliche Wissen liegt in digitaler Form vor. Deswegen halluziniert das System, wenn es eine Antwort nicht weiß. Aufgrund der immer noch hohen Fehlerquote verschiedener KI-Systeme muss sich Google daher (noch) keine Sorgen um seine Suchmaschine machen.

Turing-Test

Der Turing-Test geht auf den britischen Mathematiker Alan Turing zurück. Dieser hat im Jahr 1950 die Frage gestellt: „Können Maschinen denken?“. Bei dem Test ging es darum, ob bei einem einfachen Frage-Antwort-Spiel am Ende der Leitung ein Mensch oder ein Computer antwortet. Wenn die Testpersonen am Ende nicht sagen konnten, ob ihnen ein Mensch oder eine Maschine geantwortet hat, dann hat der Computer den Turing-Test bestanden.

Mehr zum Thema

Künstliche Superintelligenz Was ist eigentlich Artificial General Intelligence (AGI)?

Begriff und Technologie erklärt Was ist Künstliche Intelligenz und wie wird sie genutzt? 

ChatGPT Neuer Chatbot ist Menschen so ähnlich wie nie

Inferenz

Bei der Inferenz kann ein trainiertes KI-System aus den gesammelten Erfahrungen eigene Schlussfolgerungen ziehen. Nach logischen Gesichtspunkten können die Schlussfolgerungen eine eigene Theorie definieren – induktiv – oder eine bereits bestehende Theorie bestätigen – deduktiv. Die beiden KI-Begriffe induktiv und deduktiv erklärt am Hunde-Beispiel:

• Induktive Inferenz: Bello hat eine feuchte Nase – Bello ist ein Hund – Alle Hunde haben feuchte Nasen =
• Deduktive Inferenz: Alle Hunde haben feuchte Nasen – Bello ist ein Hund – Bello hat eine feuchte Nase