Wie funktioniert Künstliche Intelligenz?

7 Min. Lesezeit

Künstliche Intelligenz (AI) ist eine Technologie, die menschliche Intelligenz bei der Ausführung von Aufgaben nachahmt und sich wiederholt auf der Grundlage der gesammelten Informationen verbessern kann [1]. Einfach ausgedrückt machen wir Maschinen fähig, auf eine Weise zu denken, zu lernen und Probleme zu lösen, die der menschlichen Intelligenz ähnelt.

Die Grundprinzipien der Funktionsweise von KI

KI arbeitet mit Daten, Algorithmen und mathematischen Modellen, um Muster zu erkennen und Vorhersagen, Klassifizierungen, Entscheidungen oder neue Inhalte zu generieren [2]. Anstatt jede mögliche Situation manuell zu programmieren, können moderne KI-Systeme Muster aus Beispielen lernen [2].

Die Grundidee besteht darin, die KI zu „trainieren“, indem man ihr riesige Mengen an Informationen oder „Daten“ gibt. Die KI analysiert diese massiven Datenmengen, um darin verborgene Muster und Beziehungen zu finden. Basierend auf diesen Mustern baut sie ein eigenes internes „Modell“ auf und verwendet dieses Modell dann, um Vorhersagen zu treffen oder Entscheidungen zu treffen, wenn neue Informationen präsentiert werden, die sie zuvor noch nie gesehen hat [3].

KI trainiert große Basismodelle auf riesigen Mengen an rohen und unklassifizierten Daten (Texte, Bilder, Videos), um ein neuronales Netz mit Milliarden von Parametern zu bilden, die Muster und Beziehungen in den Daten repräsentieren [4]. Das Basismodell kann in verschiedenen Anwendungen verwendet werden, um korrekte und angemessene Antworten zu geben, indem das gewünschte Format der Ausgaben entsprechend den Prompts angepasst wird [4].

Der Unterschied zwischen Maschinellem Lernen und Deep Learning

Maschinelles Lernen und Deep Learning sind eng miteinander verknüpfte Bereiche; man kann sagen, dass Deep Learning ein fortgeschrittener Teilbereich des Maschinellen Lernens ist.

Maschinelles Lernen (Machine Learning)

Dies ist eine breitere Gruppe von Techniken, die es Systemen ermöglichen, aus Daten zu lernen und Entscheidungen zu treffen, ohne dass sie explizit für jede Aufgabe programmiert werden. Dem Modell werden viele Daten gegeben, und ein menschlicher Ingenieur muss dem Modell oft „sagen“, welche Merkmale in diesen Daten wichtig sind, in einem Prozess, der als „Feature Engineering“ bezeichnet wird. Das Modell verwendet statistische Algorithmen, um Muster und Beziehungen zu finden.

Maschinelles Lernen kann gut mit kleineren Datensätzen funktionieren und wird in Anwendungen wie Empfehlungssystemen, Spam-Erkennung und Hauspreisprognosen eingesetzt.

Deep Learning

Dies ist eine spezielle Art des Maschinellen Lernens, die „tiefe neuronale Netze“ verwendet – Strukturen, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Dem Modell werden direkt rohe Daten ohne die Festlegung von Merkmalen gegeben, und das mehrschichtige tiefe neuronale Netz lernt automatisch verschiedene und komplexe Merkmale aus den Daten.

Deep Learning erfordert in der Regel riesige Datenmengen und eine hohe Rechenleistung und ist bei komplexen Aufgaben wie Bild- und Tonerkennung, natürlicher Sprachverarbeitung und selbstfahrenden Autos überlegen.

Wie lernen neuronale Netze aus Daten?

Neuronale Netze lernen auf eine Weise, die dem menschlichen Lernen durch Versuch und Irrtum ähnelt, jedoch in einem viel größeren Umfang und mit extrem hoher Geschwindigkeit.

Lernphasen

1. Zufälliger Beginn: Zu Beginn des Trainings sind die „Gewichte“ und „Biases“ des Netzwerks völlig zufällig. Das bedeutet, dass es anfangs nichts weiß und falsche Vorhersagen trifft.

2. Feedforward (Vorhersage): Die Daten fließen durch die Schichten des neuronalen Netzwerks. Jedes „Neuron“ verarbeitet die Eingaben, multipliziert sie mit seinen Gewichten, addiert den Bias und gibt das Ergebnis an die folgenden Neuronen weiter. Am Ende gibt das Netzwerk eine „Vorhersage“ aus.

3. Fehlerberechnung: Wir vergleichen die Vorhersage des Netzwerks mit der richtigen Antwort und berechnen den Betrag des „Verlusts“ (Loss). Je weiter die Vorhersage von der Wahrheit entfernt ist, desto größer ist der Fehler.

4. Backpropagation (Fehlerrückführung): Wir senden das Fehlersignal rückwärts durch das Netzwerk von der finalen Schicht zu den vorherigen Schichten, um zu bestimmen, in welchem Maße jedes Gewicht zu diesem Fehler beigetragen hat.

5. Gewichtsanpassung: Basierend auf der Backpropagation passt das Netzwerk seine Gewichte und Biase mithilfe von Optimierungsalgorithmen wie dem „Gradientenabstieg“ (Gradient Descent) an, mit dem Ziel, den Fehler beim nächsten Mal zu verringern.

6. Iteration: Dieser Prozess wiederholt sich tausende oder millionen Male mit verschiedenen Daten, bis die Gewichte präziser werden und die Fehler des Netzwerks schrittweise abnehmen.

Große Sprachmodelle und wie sie Text generieren

Große Sprachmodelle (LLMs) sind eine fortschrittliche Art von Deep-Learning-Modellen, die speziell für das Verstehen und Generieren menschlicher Sprache entwickelt wurden. Sie zeichnen sich dadurch aus, dass sie „groß“ sind in Bezug auf die Menge der Daten, mit denen sie trainiert wurden (bis zu Billionen von Wörtern), und die Anzahl der Parameter, die sie enthalten (Milliarden oder Billionen).

Mechanismus der Textgenerierung

Die grundlegende Methode zur Textgenerierung ist die wiederholte Vorhersage des nächsten Wortes (oder „Tokens“):

1. Eingabe: Man beginnt damit, dem Modell einen „Prompt“ oder einen „Kontext“ zu geben.

2. Tokenisierung: Das Modell wandelt Wörter in „Tokens“ um, mit denen es als Zahlen umgeht.

3. Vorhersage des nächsten Tokens: Das Modell verarbeitet diese Tokens über sein neuronales Netzwerk und berechnet die Wahrscheinlichkeit für jedes mögliche Token, um das logischste nächste zu finden.

4. Auswahl: Das Modell wählt nicht immer das wahrscheinlichste Wort. Es gibt verschiedene Techniken:

• Greedy Search: Wählt immer das Token mit der höchsten Wahrscheinlichkeit.
• Sampling: Wählt zufällig basierend auf den Wahrscheinlichkeiten.
• Temperatur (Temperature): Steuert den Grad der Zufälligkeit; eine niedrige Temperatur macht das Modell vorsichtiger, eine hohe es kreativer.

5. Iteration: Sobald das nächste Token ausgewählt wurde, wird es der Sequenz hinzugefügt, und der Prozess wiederholt sich, um das darauffolgende Token vorherzusagen.

6. Stopp: Der Prozess wird fortgesetzt, bis ein Satzzeichen erreicht wird, das das Ende signalisiert, oder ein spezielles Stop-Token.

Das Modell erhält Bewertungen von Menschen über die Genauigkeit oder Angemessenheit der Ausgaben, was dazu beiträgt, die Leistung des Modells zu verbessern und es durch das sogenannte Reinforcement Learning from Human Feedback (RLHF) [4] auf bessere Ergebnisse auszurichten.

Grenzen und Risiken der KI

Grundlegende Grenzen

• Kein Bewusstsein oder echtes Verständnis: Sie versteht die Welt nicht auf die gleiche Weise wie Menschen und besitzt keine Gefühle oder ein Selbstbewusstsein.
• Vollständige Abhängigkeit von Daten: Die Qualität spiegelt die Qualität und Menge der Trainingsdaten wider.
• Mangel an gesundem Menschenverstand: Es kann Schwierigkeiten haben, Dinge zu schlussfolgern, die für Menschen intuitiv sind.
• Schwierigkeiten im Umgang mit neuen Situationen: Sie ist exzellent in Aufgaben, die den Trainingsdaten ähneln.
• Das „Black-Box-Problem“: Die Schwierigkeit zu verstehen, warum das Modell eine bestimmte Entscheidung getroffen hat.

Risiken von Halluzinationen (Hallucination)

Halluzinationen treten auf, wenn die KI Informationen generiert, die logisch erscheinen, aber völlig falsch oder nicht durch Fakten gestützt sind. Dies geschieht aufgrund von:

• Probabilistisches Training: Das Modell sagt das nächste Wort basierend auf Statistiken voraus; das sprachlich wahrscheinlichste Wort ist möglicherweise faktisch nicht korrekt.
• Druck, eine Antwort zu generieren: Das Modell ist darauf ausgelegt, Text zu produzieren, sodass es eine Antwort „erfinden“ könnte, anstatt zuzugeben, dass es die Antwort nicht weiß.
• Inkonsistente Daten: Das Erlernen von Widersprüchen aus den Trainingsdaten.

Risiken von Voreingenommenheit (Bias)

Voreingenommenheit tritt auf, wenn Modelle unfaire Vorurteile gegenüber bestimmten Gruppen zeigen. Dies resultiert hauptsächlich aus:

• Bias in den Trainingsdaten: Wenn die Daten gesellschaftliche Vorurteile widerspiegeln oder nicht ausreichend repräsentativ sind.
• Bias im Algorithmen-Design: Aus der Art und Weise, wie die Parameter festgelegt werden.
• Bias in der menschlichen Interaktion: Das Erlernen von Vorurteilen durch Benutzerinteraktionen.

Zukünftige Auswirkungen auf Jobs und Bildung

Jobs

• Automatisierung von Routineaufgaben: KI-Systeme werden Menschen bei repetitiven und regelbasierten Aufgaben ersetzen.
• Schaffung neuer Arbeitsplätze: Entstehen von Berufen wie KI-Ingenieure, Ethik-Spezialisten und Prompt-Engineers.
• Transformation und Erweiterung von Jobs: KI wird zu einem unterstützenden Werkzeug, das die Produktivität steigert, wobei Menschen „mit“ der KI zusammenarbeiten.
• Nachfrage nach neuen Kompetenzen: Kritisches Denken, Kreativität, emotionale Intelligenz und Kollaboration.

Bildung

• Änderung der Lehrpläne: Integration von Datenwissenschaft, maschinellem Lernen und KI-Ethik.
• Personalisiertes Lernen: Analyse der Schülerleistung und Bereitstellung von Materialien, die an ihre individuellen Bedürfnisse angepasst sind.
• Fokus auf einzigartige menschliche Fähigkeiten: Kreativität, kritisches Denken und Zusammenarbeit.
• Lebenslanges Lernen: Die Notwendigkeit kontinuierlicher Weiterbildung und Umschulung von Fähigkeiten.
• Erhöhte Zugänglichkeit: Werkzeuge zur Übersetzung, Text-zu-Sprache-Konvertierung und Anpassung von Materialien.

Fazit

Künstliche Intelligenz ist Software, die aus Daten lernt, um Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, wie das Verstehen von Sprache, Bilderkennung, Übersetzung und Vorhersage [3]. Sie funktioniert in drei grundlegenden Schritten: Das Sammeln zahlreicher Beispiele, dann das Training eines mathematischen Modells, das Millionen interner Zahlen anpasst, um Fehler zu minimieren, und schließlich die Anwendung auf neue, zuvor unbekannte Daten [3].

Trotz ihrer enormen Fähigkeiten bleibt die KI ein mächtiges, aber nicht perfektes Werkzeug. Das Verständnis ihrer Grenzen, insbesondere der Risiken von Halluzinationen und Bias, ist entscheidend für eine verantwortungsvolle Nutzung. Forscher arbeiten kontinuierlich daran, diese Probleme zu lösen und die Transparenz, Fairness und Zuverlässigkeit von KI-Systemen zu verbessern.

Die Zukunft wird nicht darin bestehen, dass die KI den Menschen ersetzt, sondern in der Zusammenarbeit mit ihr – durch diejenigen, die über einzigartige menschliche Fähigkeiten wie Kreativität, kritisches Denken und emotionale Intelligenz verfügen und die Fähigkeit besitzen, kontinuierlich zu lernen und sich an die rasanten Veränderungen anzupassen.