Was ist künstliche Intelligenz?

3 Min. Lesezeit

Eine Definition in einfachen Worten

Künstliche Intelligenz (KI) ist eine Technologie, die es Computern und Maschinen ermöglicht, menschliche Fähigkeiten wie Lernen, Verstehen, Problemlösen, Entscheidungsfindung, Kreativität und autonomes Handeln zu simulieren [1]. Einfach ausgedrückt ist es die Fähigkeit einer Maschine, die Fähigkeiten des menschlichen Geistes nachzuahmen [2]: Künstliche Geräte führen Aufgaben aus, die menschliche Intelligenz erfordern, durch Lernen, Wahrnehmung, logisches Denken und natürliche Sprachverarbeitung [3].

Weitere ergänzende Definitionen: Stanford beschreibt sie als die Wissenschaft und Technik, intelligente Maschinen, insbesondere Computerprogramme, zu erschaffen [4], und sie kann auch als eine Disziplin der Informatik gesehen werden, die Systeme entwickelt, die in der Lage sind, autonom Entscheidungen zu treffen [5].

KI-Anwendungen können Objekte sehen und identifizieren, menschliche Sprache verstehen, aus neuen Informationen und Erfahrungen lernen, detaillierte Empfehlungen aussprechen, ohne menschliches Eingreifen handeln (wie ein autonomes Auto) und originelle Inhalte mittels generativer KI erstellen [6]. Tatsächlich lernt und verbessert sich die KI durch die Texte, Statistiken und Informationen, die wir in ihr System einspeisen [7].

KI, maschinelles Lernen und Deep Learning

Eine einfache Art, über KI nachzudenken, ist als eine Reihe von verschachtelten Konzepten, die über mehr als 70 Jahre hinweg entstanden sind [1]:

• Künstliche Intelligenz: das umfassendste Konzept; Maschinen lernen aus Daten, um zu schlussfolgern, vorherzusagen und zu handeln [8].
• Maschinelles Lernen (machine learning): ein Teilbereich der KI, der Modelle erstellt, indem ein Algorithmus darauf trainiert wird, Vorhersagen zu treffen oder Entscheidungen auf Basis von Daten zu treffen, ohne dass jede Regel explizit programmiert werden muss [1].
• Deep Learning: eine Untergruppe des machine learning, die mehrschichtige neuronale Netze mit einer Eingangsschicht, hunderten von verborgenen Schichten und einer Ausgangsschicht verwendet. Da es kein menschliches Eingreifen erfordert, verarbeitet es große Mengen unstrukturierter Daten und treibt heute die meisten KI-Anwendungen an [1].

Auf dieser Basis funktioniert die generative KI: Deep-Learning-Modelle, die originelle Texte, Bilder, Videos oder Audio als Antwort auf Benutzeranweisungen erstellen [6].

Anwendungen und Vorteile

KI ist im täglichen Leben präsent: Sprachassistenten, Musik- und Videoempfehlungen, Spam-Filter, Karten, Gesichtserkennung, Betrugserkennung und Kundenservice-Chatbots. Zu den dokumentierten Anwendungsfällen gehören Chatbots, die Anfragen mittels natürlicher Sprachverarbeitung beantworten, die Betrugserkennung durch die Analyse von Transaktionsmustern, personalisiertes Marketing basierend auf dem Kaufverlauf und HR-Plattformen, die Lebensläufe filtern [1]. Zu den Vorteilen gehören die Automatisierung repetitiver Aufgaben, die Verbesserung der Entscheidungsfindung, die Reduzierung menschlicher Fehler, ein konsistenter Betrieb rund um die Uhr und die Verringerung physischer Risiken bei gefährlichen Arbeiten [1].

Risiken und Ethik

Es ist von grundlegender Bedeutung zu verstehen, wie diese Technologie funktioniert, um ihre Vorteile zu nutzen und ihre Risiken zu mindern [9]. Die Hauptrisiken sind:

• Daten: anfällig für Vergiftung, Manipulation, Bias oder Cyberangriffe, die zu Lecks führen.
• Modelle: Angreifer können deren Integrität durch die Änderung von Architektur, Gewichten oder Parametern beeinträchtigen.
• Betrieb: Model Drift, Bias und Governance-Fehler.
• Ethik und Recht: verzerrte Trainingsdaten können beispielsweise Geschlechter- oder Rassenzustereotype bei Einstellungsentscheidungen verstärken [1].

Aus diesem Grund untersucht die KI-Ethik, wie ihr positiver Einfluss optimiert und die Risiken durch ein Governance-System reduziert werden können, das sichere und ethische Werkzeuge garantiert [1].

Fazit

KI ist die Fähigkeit von Maschinen, menschliche Intelligenz zu simulieren [2], eine sich ständig weiterentwickelnde Disziplin [10], die auf aufeinanderfolgenden Schichten von Machine Learning und Deep Learning aufbaut [1]. Zu wissen, wie sie funktioniert, ist der beste Weg, um ihre Vorteile zu nutzen und ihre Risiken zu mindern [9].