Mit Google fortfahren
Künstliche Intelligenz: Grundlagen einfach erklärt
Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik. KI-Systeme verarbeiten Eingaben und erzeugen daraus beispielsweise Vorhersagen, Empfehlungen, Inhalte oder Entscheidungen. Viele Systeme lösen eng begrenzte Aufgaben – sie denken nicht automatisch wie ein Mensch.
Auf dieser Seite lernst du, KI von maschinellem Lernen zu unterscheiden, einen einfachen Trainingsablauf zu erklären und die Qualität einer KI-Anwendung kritisch zu prüfen.
Hake ab, was du schon kannst — und komm am Ende hierher zurück!
Wo begegnet dir künstliche Intelligenz?
Ein Spamfilter sortiert Nachrichten, ein Navigationssystem schlägt eine Route vor und ein Chatbot erzeugt Text. Hinter diesen Anwendungen können unterschiedliche KI-Verfahren stecken.
Künstliche Intelligenz
Künstliche Intelligenz bezeichnet informatische Systeme und Verfahren, die Aufgaben mit Fähigkeiten wie Wahrnehmen, Lernen, Schlussfolgern, Planen oder Entscheiden bearbeiten.
KI ist kein einzelnes Programmierverfahren. Neben datengetriebenem Lernen gibt es zum Beispiel symbolische KI: Dabei werden Wissen und Regeln ausdrücklich dargestellt, sodass ein System logisch daraus schließen kann.
Maschinelles Lernen ist dagegen ein Teilgebiet der KI. Ein Lernverfahren gewinnt aus Beispieldaten ein Modell, statt für jeden möglichen Fall eine fertige Lösung vorgeschrieben zu bekommen.
Ein klassisch programmiertes Sortierprogramm kann feste Regeln verwenden: „Enthält eine Nachricht bestimmte Merkmale, verschiebe sie in den Spamordner.“
Ein lernender Spamfilter erhält dagegen viele Beispielnachrichten. Aus deren Merkmalen und bekannten Zuordnungen entwickelt er ein Modell, das neue Nachrichten einordnet.
KI ist der Oberbegriff. Maschinelles Lernen ist ein möglicher KI-Ansatz, aber nicht die gesamte KI.
Wie lernt ein Modell aus Daten?
Beim maschinellen Lernen wird nicht jeder Lösungsweg einzeln programmiert. Stattdessen erhält ein Verfahren Beispiele und ein Kriterium dafür, wie gut seine Ergebnisse sind.
Ein vereinfachter Lernweg besteht aus fünf Schritten:
- Aufgabe festlegen: Das System soll zum Beispiel Bilder klassifizieren.
- Trainingsdaten auswählen: Beispiele dienen zum Anpassen des Modells.
- Merkmale verarbeiten: Merkmale sind relevante Eigenschaften der Eingaben, etwa Formen oder Helligkeitsmuster in einem Bild.
- Modell anpassen: Parameter werden so verändert, dass die Ergebnisse für die Trainingsdaten besser werden.
- Mit unbekannten Daten testen: Getrennte Testdaten zeigen, ob das Modell auch neue Fälle sinnvoll bearbeitet.
Bei einer Klassifikation bezeichnet das Label die bekannte richtige Klasse eines Trainingsbeispiels. Die Vorhersage ist die Klasse, die das Modell selbst für eine Eingabe ausgibt.
Ein Modell soll Bilder von Fahrrädern und Autos unterscheiden.
- Die Bildinhalte liefern die Eingaben und Merkmale.
- „Fahrrad“ oder „Auto“ ist bei beschrifteten Trainingsbildern das Label.
- Die vom Modell ausgegebene Klasse ist seine Vorhersage.
- Neue, zuvor nicht zum Training verwendete Bilder dienen als Testdaten.
Würden dieselben Bilder zum Trainieren und Testen verwendet, könnte ein gutes Testergebnis bloß zeigen, dass das Modell seine bekannten Beispiele wiedererkennt.
Trainingsdaten helfen beim Anpassen des Modells. Getrennte Testdaten prüfen, ob das Gelernte auf unbekannte Fälle übertragbar ist.
Wähle in jeder Lücke die passende Form und prüfe anschließend deine Antworten.
Ein bekanntes Ergebnis eines Trainingsbeispiels heißt . Die Ausgabe des Modells heißt . Zum Anpassen verwendet man ; die Prüfung an unbekannten Fällen erfolgt mit .
Welche Arten des maschinellen Lernens gibt es?
Die drei grundlegenden Lernarten unterscheiden sich vor allem durch die Rückmeldung, die beim Lernen verfügbar ist.
Überwachtes Lernen
Die Trainingsbeispiele enthalten bekannte richtige Ausgaben oder Labels. Das Modell lernt, Eingaben passenden Ausgaben zuzuordnen. Typische Aufgaben sind Klassifikation und Vorhersage eines Zahlenwerts.
Unüberwachtes Lernen
Es sind keine richtigen Ausgaben vorgegeben. Das Verfahren sucht selbst nach Strukturen in den Daten, etwa nach Gruppen ähnlicher Beispiele. Eine solche Gruppierung heißt Clustering.
Bestärkendes Lernen
Ein Softwareagent handelt in einer Umgebung und erhält Belohnungen oder andere bewertende Rückmeldungen. Daraus entwickelt er eine Strategie, die langfristig möglichst günstig sein soll.
Drei Aufgaben im Vergleich:
- Bilder mit bekannten Tierarten beschriften: überwachtes Lernen, weil Labels vorliegen.
- Kundendaten ohne vorgegebene Gruppen nach Ähnlichkeiten ordnen: unüberwachtes Lernen, weil das Verfahren Strukturen suchen muss.
- Einen Roboter durch Rückmeldungen für erfolgreiche Bewegungen trainieren: bestärkendes Lernen, weil Handlungen bewertet werden.
Was sind neuronale Netze und Deep Learning?
Ein künstliches neuronales Netz ist ein Modell aus miteinander verbundenen Datenknoten. Die Verbindungen besitzen veränderbare Gewichte. Beim Training werden diese Gewichte angepasst.
Ein Netz verarbeitet Eingaben schrittweise durch Schichten und erzeugt eine Ausgabe. Zwischen Eingabe und Ausgabe können verdeckte Schichten liegen.
Deep Learning
Deep Learning bezeichnet maschinelles Lernen mit tiefen, mehrschichtigen neuronalen Netzen. Solche Modelle werden unter anderem für Bilder, Sprache und Texte eingesetzt.
„Neuronales Netz“ bedeutet nicht, dass das System ein menschliches Gehirn nachbildet. Die Bezeichnung weist nur auf eine lose Inspiration durch vernetzte Nervenzellen hin.
Deep-Learning-Modelle können komplexe Muster verarbeiten. Ihre interne Entscheidungsbildung ist jedoch häufig schwer nachvollziehbar. Menschen sehen dann Eingabe und Ergebnis, können aber nicht ohne Weiteres erklären, welchen Einfluss jede einzelne Gewichtung hatte.
Warum kann eine KI falschliegen?
Ein gutes Ergebnis bei bekannten Beispielen garantiert keine zuverlässige Leistung in neuen Situationen. Entscheidend ist die Generalisierung: Das Modell soll das Gelernte sinnvoll auf unbekannte Daten übertragen.
Overfitting und Underfitting
Overfitting oder Überanpassung liegt vor, wenn ein Modell zu eng an den Trainingsdaten hängt und bei neuen Daten schlechter arbeitet. Underfitting oder Unteranpassung bedeutet, dass das Modell zu einfach ist und bereits die wichtigen Strukturen der Aufgabe nicht ausreichend erfasst.
Auch verzerrte oder nicht repräsentative Daten können systematische Fehler verursachen. Enthalten Trainingsdaten bestimmte Fälle zu selten, kann das Modell für diese Fälle schlechtere Ergebnisse liefern.
Ein Bilderkennungsmodell wird fast nur mit Fahrradfotos bei Tageslicht trainiert. Bei diesen Bildern erzielt es gute Ergebnisse. Fahrräder bei Nacht erkennt es jedoch oft nicht.
Die Schwäche kann zwei Ursachen verbinden: Die Trainingsdaten bilden die späteren Situationen nicht ausreichend ab, und das Modell hat möglicherweise Merkmale gelernt, die nur für die Trainingsbilder gut funktionieren. Deshalb muss es mit passenden unbekannten Bildern geprüft werden.
Nicht jeder Fehler hat gleich schwere Folgen. Eine unpassende Filmempfehlung ist meist weniger gefährlich als eine falsche Wahrnehmung eines Fahrzeugs oder eine fehlerhafte medizinische Entscheidungshilfe.
Bei sicherheitskritischen Anwendungen reichen hohe Durchschnittswerte deshalb nicht aus. Zusätzlich können nötig sein:
- repräsentative Trainings- und Testdaten;
- Tests für unterschiedliche Situationen und betroffene Gruppen;
- Bewertung der Unsicherheit eines Ergebnisses;
- Plausibilitätskontrollen;
- menschliche Aufsicht und ein sicherer Ausweichweg;
- Überwachung des gesamten technischen Systems.
Mehr Daten sind nicht automatisch bessere Daten. Auswahl, Qualität, Repräsentativität und Prüfverfahren entscheiden mit über die Zuverlässigkeit.
Wie beurteilst du eine KI-Anwendung?
KI ist Teil eines soziotechnischen Systems: Nicht nur das Modell zählt, sondern auch Daten, Geräte, Organisationen, Regeln und betroffene Menschen.
Prüfe eine Anwendung mit diesen Fragen:
- Ziel: Welche Aufgabe soll die KI lösen, und wer legt das Ziel fest?
- Daten: Woher stammen die Daten, und welche Fälle fehlen möglicherweise?
- Ausgabe: Erzeugt das System eine Vorhersage, Empfehlung, Entscheidung oder einen Inhalt?
- Fehler: Welche falschen Ergebnisse sind möglich, und wen treffen ihre Folgen?
- Kontrolle: Kann ein Mensch die Ausgabe prüfen, korrigieren oder anfechten?
- Schutz: Welche technische oder organisatorische Maßnahme begrenzt einen Schaden?
- Überprüfung: Woran lässt sich erkennen, ob diese Maßnahme tatsächlich wirkt?
Eine Schule erwägt ein System, das Lernaufgaben empfiehlt. Eine verantwortliche Prüfung fragt nicht nur nach der Trefferquote.
Sie untersucht auch, welche Lerndaten verarbeitet werden, ob bestimmte Lernwege zu wenig vertreten sind, wie falsche Empfehlungen auffallen und ob Lernende oder Lehrkräfte sie korrigieren können. Eine überprüfbare Anforderung könnte lauten: „Empfehlungen müssen begründet angezeigt und von einer Lehrkraft überstimmt werden können.“ Geprüft wird dann, ob Begründung und Korrekturmöglichkeit tatsächlich bei jeder Empfehlung verfügbar sind.
Anthropomorphe Wörter wie „denken“, „wissen“ oder „verstehen“ können Fähigkeiten überzeichnen. Ein Chatbot kann überzeugend formulieren und trotzdem plausible, aber erfundene Aussagen erzeugen. Menschenähnliche Sprache ist daher kein Beweis für Verständnis, Bewusstsein oder Richtigkeit.
Schwache KI bezeichnet auf begrenzte Aufgaben spezialisierte Systeme. Starke oder allgemeine KI würde nicht nur eine einzelne Aufgabe lösen, sondern allgemeine intellektuelle Fähigkeiten besitzen. Die üblichen praktischen KI-Anwendungen sind spezialisiert; menschenähnliche Formulierungen ändern daran nichts.
Karteikasten
Überlege zuerst selbst und drehe die Karte anschließend zum Prüfen um.
Alles auf einen Blick
- Künstliche Intelligenz
- Ansätze
- symbolische und regelbasierte Verfahren
- maschinelles Lernen
- Maschinelles Lernen
- Trainingsdaten passen ein Modell an
- Testdaten prüfen die Generalisierung
- überwacht, unüberwacht oder bestärkend
- Deep Learning
- mehrschichtige neuronale Netze
- Verarbeitung von Bildern, Sprache und Text
- Qualitätsgrenzen
- Overfitting und Underfitting
- verzerrte oder nicht repräsentative Daten
- schwer nachvollziehbare Entscheidungen
- Verantwortlicher Einsatz
- Fehlerfolgen und Betroffene prüfen
- Unsicherheit und Plausibilität beachten
- Aufsicht und Schutzmaßnahmen testen
- Ansätze
Abschluss-Check
Wenn du die drei Abschlussfragen begründen kannst, hast du die Kernidee verstanden: KI verarbeitet Eingaben nach programmierten oder gelernten Verfahren. Ihre Ergebnisse hängen von Aufgabe, Daten, Modell und Einsatzumgebung ab und müssen passend zu ihren möglichen Folgen geprüft werden.