Was ist künstliche Intelligenz?

Was ist künstliche Intelligenz?

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das Systeme entwickelt, die aus Eingaben Schlussfolgerungen ziehen. Je nach Aufgabe liefert ein KI-System eine Vorhersage, trifft eine Auswahl oder erzeugt neue Inhalte. Die englische Bezeichnung lautet Artificial Intelligence, kurz AI.

Was unterscheidet KI von einem herkömmlichen Programm?

Ein Algorithmus ist eine Folge eindeutiger Rechenschritte. Bei herkömmlicher Software legen Entwickler fest, nach welchen Regeln das Programm aus einer Eingabe sein Ergebnis berechnet. Beim maschinellen Lernen legen sie unter anderem das Lernverfahren und das Trainingsziel fest. Wie das fertige Modell die einzelnen Merkmale seiner Eingabe gewichtet, ergibt sich aus dem Training.

Auch ausdrücklich formuliertes Wissen gehört zur KI. Ein Expertensystem nutzt eine Wissensbasis und logische Regeln, um neue Aussagen abzuleiten. Einen Teil seiner Schlussfolgerungen kann man deshalb prüfen, indem man die verwendeten Regeln zurückverfolgt. Bei einem lernenden Modell prüft man vor allem anhand unabhängiger Daten, wie verlässlich seine Vorhersagen sind.

Wie funktioniert künstliche Intelligenz?

Am Anfang steht die Aufgabe. Bei einer Klassifikation ordnet das System eine Eingabe einer Klasse zu. Bei einer Regression schätzt es einen Zahlenwert. Für ein Ranking bringt es mehrere Ergebnisse in eine Reihenfolge. Diese Unterscheidung bestimmt, welche Daten das System braucht und woran sich später seine Qualität messen lässt.

Wie lernt eine KI aus Daten?

Beim überwachten Lernen besteht ein Trainingsdatensatz aus Eingaben und den dazugehörigen Zielwerten. Die Eigenschaften, die das Modell für eine Vorhersage nutzen kann, heißen Merkmale oder Features. Der bekannte Zielwert heißt Label. Eine Verlustfunktion misst die Abweichung zwischen Vorhersage und Zielwert. Das Lernverfahren passt die Modellparameter so an, dass der Verlust über viele Trainingsbeispiele hinweg sinkt.

Bei neuronalen Netzen berechnet ein Verfahren namens Backpropagation, wie empfindlich der Verlust auf eine Änderung jedes einzelnen Gewichts reagiert. Diese Information nutzt ein Optimierungsverfahren wie der Gradientenabstieg für die nächste Anpassung. Ein niedriger Verlust im Training allein sagt wenig über die Leistung bei neuen Eingaben aus. Ein Modell kann Besonderheiten der Trainingsdaten lernen, die sich später als bedeutungslos erweisen. Das heißt Überanpassung oder Overfitting.

Was bedeuten Training und Inferenz?

Beim Training verändert das Lernverfahren die Modellparameter. Bei der Inferenz nutzt das trainierte Modell diese Parameter, um eine neue Eingabe zu verarbeiten. Aktuelle Daten können die Ausgabe also sofort verändern, obwohl die Gewichte im Modell gleich bleiben. Erst ein weiterer Trainingsschritt verändert, was das Modell aus Daten gelernt hat.

Für die Qualitätsprüfung haben Daten unterschiedliche Aufgaben. Trainingsdaten dienen zum Lernen, Validierungsdaten zur Auswahl des Modells und seiner Einstellungen. Ein getrennter Testdatensatz zeigt anschließend, wie gut das ausgewählte Modell mit unbekannten Daten zurechtkommt. Bei Vorhersagen über die Zeit muss der Testzeitraum nach dem Trainingszeitraum liegen. Fließen Informationen aus der Zukunft in die Eingaben ein, fällt das Testergebnis zu günstig aus. Mehr zur zeitlichen Reihenfolge von Beobachtungen erklärt der Beitrag zur Zeitreihenanalyse.

Welche Arten von künstlicher Intelligenz gibt es?

KI lässt sich nach ihrer Funktionsweise, ihren Ausgaben und dem Umfang ihrer Fähigkeiten einteilen. Symbolisch beschreibt, wie ein System Wissen darstellt. Generativ bezeichnet seine Fähigkeit, Inhalte zu erzeugen. Spezialisiert grenzt den Aufgabenbereich ein. Die Bezeichnungen können deshalb gleichzeitig auf dasselbe System zutreffen.

Symbolische und subsymbolische KI

Symbolische KI stellt Wissen durch benannte Begriffe, Beziehungen und Regeln dar. Eine Wissensbasis hält fest, welche Tatsachen bereits bekannt sind. Eine sogenannte Inferenzmaschine prüft, welche Regeln auf diese Tatsachen zutreffen und was daraus folgt. Der Lösungsweg bleibt nachvollziehbar. Fehlt allerdings eine wichtige Beziehung in der Wissensbasis, kann das System sie bei seiner Schlussfolgerung übersehen.

Bei subsymbolischer KI steckt gelerntes Wissen in numerischen Parametern. In einem neuronalen Netz entsteht eine Entscheidung aus dem Zusammenspiel vieler Gewichte. Ein einzelnes Gewicht lässt sich deshalb selten einer verständlichen Regel zuordnen. Hybride KI verbindet beide Ansätze. Ein lernendes Modell verarbeitet die Eingaben, ausdrücklich formulierte Regeln begrenzen die zulässigen Ergebnisse.

Was unterscheidet KI, Machine Learning und Deep Learning?

Künstliche Intelligenz ist der Oberbegriff. Machine Learning oder maschinelles Lernen umfasst Verfahren, die aus Daten ein Modell gewinnen. Deep Learning ist ein Teilgebiet des maschinellen Lernens und verwendet neuronale Netze mit mehreren Verarbeitungsschichten. Frühe Schichten verarbeiten die Eingaben. Tiefere Schichten kombinieren ihre Signale zu komplexeren Merkmalen. Welche Merkmale entstehen, hängt vom Trainingsziel und von den Daten ab.

Für strukturierte Daten eignet sich auch ein Entscheidungsbaum. Jeder innere Knoten prüft ein Merkmal, jedes Blatt liefert eine Vorhersage. Ein Random Forest kombiniert mehrere solcher Bäume. Die Wahl der Modellarchitektur und die Wahl des Lernverfahrens sind zwei unterschiedliche Entscheidungen. Für das Lernverfahren ist ausschlaggebend, welche Rückmeldung das Modell beim Training erhält.

Was sind schwache und starke KI?

Schwache KI, auch spezialisierte KI oder Artificial Narrow Intelligence (ANI), ist für einen begrenzten Aufgabenbereich ausgelegt. Innerhalb dieses Bereichs kann ihre Leistung die menschliche deutlich übertreffen. Wer die Fähigkeiten eines spezialisierten Systems beurteilen will, braucht deshalb neben dem Testergebnis auch die genaue Aufgabenstellung.

Starke KI bezeichnet häufig eine allgemeine künstliche Intelligenz, auf Englisch Artificial General Intelligence (AGI). Ein solches System soll Wissen und Fähigkeiten flexibel auf grundlegend neue Aufgaben übertragen können. Eine allgemein anerkannte Prüfung, deren Bestehen AGI eindeutig nachweist, gibt es bislang nicht. Die Frage nach Bewusstsein betrifft eine andere Eigenschaft. Sprachliche Gewandtheit allein gibt darüber keine Auskunft.

Was ist generative KI?

Generative KI lernt Muster aus Trainingsdaten und nutzt sie, um neue Inhalte zu erzeugen. Die Ausgabe kann aus Text, Bildern, Audio oder Programmcode bestehen. Welche Ausgaben bei derselben Eingabe möglich sind, hängt vom Modell und vom Erzeugungsverfahren ab. Spielt der Zufall bei der Auswahl eine Rolle, kann derselbe Prompt zu unterschiedlichen Antworten führen.

Wie funktionieren Sprachmodelle und Chatbots?

Ein großes Sprachmodell (Large Language Model, LLM) verarbeitet Text in Einheiten, den sogenannten Tokens. Ein Token kann ein Wort, ein Wortteil oder ein Satzzeichen sein. Beim Erzeugen einer Antwort berechnet das Modell aus dem bisherigen Kontext eine Wahrscheinlichkeitsverteilung für das nächste Token. Das ausgewählte Token wird Teil des Kontexts für den folgenden Schritt. So entsteht eine Antwort Stück für Stück.

Beim Vortraining lernt das Sprachmodell statistische Zusammenhänge zwischen Tokens. Viele große Sprachmodelle nutzen eine Transformer-Architektur. Ihr Aufmerksamkeitsmechanismus (Attention) gewichtet, welche Teile des verfügbaren Kontexts für die Verarbeitung eines Tokens relevant sind. So kann dieselbe Wortfolge je nach vorangehendem Text unterschiedlich fortgesetzt werden. Beim Fine-Tuning passen zusätzliche Trainingsdaten die Modellparameter gezielt an eine Aufgabe an.

Deine Eingabe an das Modell heißt Prompt. Der Prompt kann neben der Frage auch Material enthalten, auf das sich die Antwort beziehen soll. Bei Retrieval-Augmented Generation (RAG) sucht die Anwendung passende Inhalte in einer Datenquelle und übergibt sie dem Sprachmodell als zusätzlichen Kontext. Die Qualität lässt sich in zwei Schritten prüfen. Hat die Suche eine verlässliche Quelle gefunden? Gibt die generierte Antwort deren Aussage korrekt wieder?

Was unterscheidet ein KI-Modell von einem KI-Produkt?

Ein KI-Modell berechnet eine Ausgabe. Das Produkt bestimmt, welche Eingaben das Modell erhält, welche Datenquellen es durchsuchen darf und was mit seiner Antwort geschieht. ChatGPT ist die Bezeichnung für eine Anwendung von OpenAI, GPT bezeichnet eine Familie von Modellen. Wenn du wissen willst, wie aktuell eine Antwort ist, kommt es auch auf die Anwendung an. Ein angebundenes Suchsystem kann Informationen abrufen, die erst nach dem Training des Modells veröffentlicht wurden.

Was ist multimodale KI?

Multimodale KI kann verschiedene Formen von Information miteinander verknüpfen. Bei Text und Bild gehört dazu die Zuordnung zwischen sprachlichen Begriffen und sichtbaren Merkmalen. Bei Audio kommt die zeitliche Abfolge hinzu. Welche Kombinationen ein Modell beherrscht, hängt vom Training ab. Die Fähigkeit, ein Bild als Eingabe zu verarbeiten, sagt für sich genommen wenig darüber aus, ob dasselbe Modell auch Bilder erzeugen kann.

Für die Bildgenerierung kommen unter anderem Diffusionsmodelle zum Einsatz. Beim Training lernt das Modell, hinzugefügtes Rauschen vorherzusagen. Bei der Erzeugung entsteht aus einer zufälligen Ausgangsdarstellung durch schrittweises Entrauschen ein Bild. Ein Textprompt kann dabei vorgeben, welche Inhalte oder Eigenschaften im Bild erscheinen sollen.

Wo wird künstliche Intelligenz eingesetzt?

Bei Empfehlungssystemen beeinflusst das Ranking zugleich die Daten für das nächste Training. Inhalte auf den ersten Plätzen erhalten mehr Aufmerksamkeit. Eine hohe Klickrate kann deshalb sowohl auf Relevanz als auch auf eine besonders sichtbare Platzierung zurückgehen. Um diesen Positionseffekt zu untersuchen, lässt sich die Reihenfolge in einem kontrollierten A/B-Test variieren.

Wie funktioniert KI in Robotik und Medizin?

In der Robotik verbindet KI die Wahrnehmung mit der Bewegungsplanung. Aus Kamerabildern und anderen Sensordaten schätzt das System den Zustand seiner Umgebung und berechnet die nächste Aktion. Nach jeder Bewegung liefern die Sensoren neue Messwerte. Deshalb zählen bei der Bewertung neben der Erkennungsgenauigkeit auch die Reaktionszeit und das Verhalten bei unvollständigen Daten.

In der Radiologie kann ein Bildklassifikator auffällige Regionen auf einer Aufnahme markieren. Für die Bewertung zählt unter anderem die Sensitivität, also welcher Anteil der tatsächlich vorhandenen Auffälligkeiten erkannt wird. Ebenso wichtig ist die Spezifität. Sie gibt an, welcher Anteil der unauffälligen Fälle korrekt als unauffällig eingestuft wird. Die Markierung unterstützt die ärztliche Befundung. Für eine Diagnose beziehen Ärztinnen und Ärzte weitere Befunde ein.

Was ist ein KI-Agent?

Ein KI-Agent kann ein vorgegebenes Ziel über mehrere Schritte verfolgen. Dazu wählt er eine Aktion, ruft ein Werkzeug auf und nutzt dessen Rückmeldung für den nächsten Schritt. Wie weit seine Handlungen reichen, bestimmt die Anwendung über die Berechtigungen. Ein Lesezugriff erlaubt das Abrufen von Informationen. Ein Schreibzugriff kann gespeicherte Daten verändern. Für folgenreiche Aktionen lässt sich eine menschliche Freigabe vorsehen.

Künstliche Intelligenz am Beispiel einer Fahrplan-App

Dein Zug soll um 12:40 Uhr ankommen. Der Anschluss fährt um 12:50 Uhr. Um 12:30 Uhr meldet die App sechs Minuten Verspätung. Reicht die Zeit zum Umsteigen? Die Antwort hängt davon ab, welche Angabe gemessen wurde, welche eine Prognose ist und wie lange der Gleiswechsel dauert.

Ein Ankunftsmodell kann aus früheren Fahrten lernen, auf welchen Strecken Züge Zeit aufholen. Als Eingabemerkmale dienen die zuletzt gemessene Verspätung und die verbleibende Strecke. Die tatsächliche Ankunftszeit liefert nach der Fahrt den Zielwert. Für diese Fahrt ergeben sich folgende Werte.

Die tatsächliche Verspätung betrug sieben Minuten. Der absolute Vorhersagefehler des Modells beträgt eine Minute. In diesem Beispiel hätte die einfache Regel „Die Verspätung bleibt gleich“ genau dieselbe Vorhersage geliefert. Ob das KI-Modell mehr leistet als diese einfache Regel, zeigt erst der Vergleich über viele Fahrten mit demselben Prognosehorizont.

Quelle: datenbasiert.de

Wie verlässlich ist die Anschlusswarnung?

Quelle: datenbasiert.de

Gibt die App zusätzlich eine Wahrscheinlichkeit an, lässt sich deren Kalibrierung prüfen. Unter 100 vergleichbaren Umstiegen, bei denen das Modell die Wahrscheinlichkeit eines Anschlussverlusts auf rund 80 Prozent schätzt, sollten bei guter Kalibrierung ungefähr 80 Anschlüsse platzen. Das ist eine andere Frage als beim Recall. Der Recall misst, wie viele der tatsächlich verpassten Anschlüsse das System vorher erkannt hat.

Seit wann gibt es künstliche Intelligenz?

1950 beschrieb Alan Turing ein Gedankenexperiment. Könnte ein Mensch bei einem schriftlichen Gespräch zuverlässig erkennen, ob sein Gegenüber eine Maschine ist? Dieses als Turing-Test bekannte Verfahren lenkte die Aufmerksamkeit auf beobachtbares Sprachverhalten. Den Namen Artificial Intelligence verwendeten John McCarthy und seine Mitautoren 1955 im Antrag für ein Forschungsprojekt am Dartmouth College. Die Zusammenkunft im Sommer 1956 gilt als Gründungsmoment der KI als Forschungsgebiet.

Spätere Meilensteine zeigen, wie sich die Aufgaben veränderten. 1997 besiegte der Schachcomputer Deep Blue Garri Kasparow in einem Wettkampf. Bei Schach stehen die Regeln fest, und jede Stellung lässt sich exakt beschreiben. Einen Gegenstand auf einem Foto zu erkennen, verlangt einen anderen Ansatz. 2012 erzielte das tiefe neuronale Netz AlexNet im ImageNet-Bildwettbewerb einen deutlichen Vorsprung. Für das Training kamen Grafikprozessoren (GPUs) zum Einsatz.

2017 stellten Forscher die Transformer-Architektur vor, zunächst für maschinelle Übersetzung. Sie bildet heute die Grundlage vieler großer Sprachmodelle. Ende 2022 machte ChatGPT solche Sprachmodelle über ein einfaches Chatfenster einem breiten Publikum zugänglich. Im Chat lassen sich Rückfragen in natürlicher Sprache stellen.

Wie verlässlich ist künstliche Intelligenz?

Die Verlässlichkeit eines KI-Systems hängt von seiner Aufgabe ab. Eine Regressionsprognose lässt sich mit einem gemessenen Wert vergleichen. Bei generierten Texten muss man einzelne Tatsachenbehauptungen prüfen. Sprachmodelle können Aussagen oder Quellenangaben erzeugen, für die es keinen Beleg gibt. Solche erfundenen Angaben heißen Halluzinationen. Ein flüssiger Text kann sie ebenso enthalten wie eine knappe Antwort.

Warum kann eine KI systematisch danebenliegen?

Ein Modell kann in den Trainingsdaten Zusammenhänge finden, die für die eigentliche Aufgabe nebensächlich sind. Treten dieselben Muster auch im Testdatensatz auf, wirkt das Modell verlässlicher, als es im Einsatz ist. Gezielte Tests unter veränderten Bedingungen prüfen die Generalisierung, also wie gut das gelernte Muster auf neue Fälle übertragbar ist.

Systematische Verzerrungen heißen Bias. Sie können bereits bei der Datenauswahl entstehen oder durch uneinheitliche Bewertungen in den Trainingsdaten. Eine Auswertung nach Teilgruppen zeigt, ob hinter einer guten durchschnittlichen Trefferquote große Unterschiede stecken. Für die Beurteilung zählt auch, wie viele Beobachtungen pro Gruppe vorliegen.

Nach dem Training kann sich die Verteilung der Eingabedaten verändern (Data Drift). Ändert sich der Zusammenhang zwischen Eingaben und Zielwert, spricht man von Concept Drift. Um beides zu unterscheiden, beobachtet man im laufenden Betrieb die Eingabedaten und gleicht frühere Prognosen mit später gemessenen Ergebnissen ab.

Welche Regeln gelten für künstliche Intelligenz?

Die europäische KI-Verordnung (AI Act) knüpft viele Pflichten an den vorgesehenen Verwendungszweck und das damit verbundene Risiko. Für Hochrisiko-KI gehören unter anderem Anforderungen an Datenqualität, Dokumentation und menschliche Aufsicht zum Regelwerk. Daneben enthält die Verordnung eigene Vorschriften für KI-Modelle mit allgemeinem Verwendungszweck.

Für den Datenschutz zählt schon die Auswahl der Eingabedaten. Welche personenbezogenen Angaben werden für die Aufgabe gebraucht? Wer kann auf gespeicherte Eingaben zugreifen? Diese Fragen betreffen die konkrete Anwendung und ihren Betreiber. Aus dem Namen des verwendeten Sprachmodells allein ergeben sich die Antworten darauf nicht.