Was ist mit KI eigentlich gemeint?

Was ist „Generative KI“?

Künstliche Intelligenz ist nicht gleich Künstliche Intelligenz: Wenn wir von „Künstlicher Intelligenz“ sprechen, haben viele Menschen zunächst Chatbots wie „ChatGPT“ oder „Claude“ im Kopf – Programme, die in natürlicher Sprache formulierte Fragen beantworten und dabei oft erstaunlich menschenähnlich wirken. Doch der Begriff „Künstliche Intelligenz“ geht weit über solche Anwendungen hinaus. Tatsächlich handelt es sich dabei um ein äußerst breit gefächertes Forschungsfeld, das unterschiedlichste Technologien und Methoden umfasst.

Allein die Tatsache, dass fast täglich neue KI-Anwendungen auf den Markt kommen, mit immer neuen Fähigkeiten verdeutlicht den rasant wachsenden Forschungsbedarf.

Interessanterweise ist die Bezeichnung „Künstliche Intelligenz“ selbst weniger eine präzise wissenschaftliche Definition als vielmehr eine geschickt gewählte Marketing-Formulierung, die von Wissenschaftlerinnen und Wissenschaftlern geprägt wurde, um öffentliche und finanzielle Aufmerksamkeit für ihre Forschung zu gewinnen.

Film KI-generiert

Der Begriff Künstliche Intelligenz war reines Marketing.

Im Sommer 1956 versammelten sich am Dartmouth College in Hanover, New Hampshire, führende Wissenschaftlerinnen und Wissenschaftler zu einer wegweisenden Konferenz, die als Geburtsstunde der Künstlichen Intelligenz (KI) gilt. Diese als „Dartmouth Summer Research Project on Artificial Intelligence“ bekannte Veranstaltung wurde von John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon initiiert und organisiert.

Ziel der Konferenz war es, die Möglichkeiten der damals neuartigen Computertechnologie zu erforschen und zu diskutieren, ob Maschinen Fähigkeiten entwickeln können, die traditionell als Zeichen von Intelligenz gelten.

Dazu zählten Lernen, Mustererkennung, Sprachverarbeitung und die Fähigkeit, auf komplexe Weise zu reagieren – Fähigkeiten, die bis dahin ausschließlich Lebewesen zugeschrieben wurden.
Während der Konferenz prägten die Teilnehmenden den Begriff „Künstliche Intelligenz“ und legten damit den Grundstein für ein neues Forschungsfeld. Sie formulierten die Hypothese, dass jeder Aspekt des Lernens oder ein anderes Merkmal der Intelligenz so präzise beschrieben werden kann, dass eine Maschine dazu gebracht werden kann, es zu simulieren. Diese Vision führte zu intensiven Diskussionen über Themen wie neuronale Netze, maschinelles Lernen, Sprachverarbeitung und Selbstverbesserung von Computern.
Die Konferenz zog zahlreiche renommierte Wissenschaftlerinnen und Wissenschaftler an, darunter Ray Solomonoff, Oliver Selfridge, Allen Newell und Herbert A. Simon. Ein bemerkenswertes Ergebnis war die Vorstellung des „Logic Theorist“ durch Newell und Simon, eines Programms, das in der Lage war, mathematische Theoreme zu beweisen und als einer der ersten Schritte hin zu intelligenten Maschinen gilt.
Die Diskussionen und Ergebnisse der Dartmouth-Konferenz von 1956 legten den Grundstein für die moderne KI-Forschung und beeinflussten zahlreiche nachfolgende Entwicklungen in diesem Bereich.

KI ahmt nach und schätzt – Was meinen wir mit „KI“

Künstliche Intelligenz (KI) bezeichnet heute eine Klasse von Computerprogrammen, die so konzipiert sind, dass sie aus Daten lernen und sich anpassen können. Diese Programme nutzen komplexe Algorithmen und mathematische Modelle, um große Mengen an Informationen zu analysieren, Muster zu erkennen und auf dieser Basis Vorhersagen zu treffen oder eigenständige Entscheidungen zu fällen.
Das Grundprinzip der KI basiert auf dem Lernen aus Beispielen – ähnlich wie Menschen und Tiere durch Erfahrung und Wiederholung Muster in ihrer Umgebung erkennen und verallgemeinern. Während biologische Gehirne auf Neuronen und Synapsen beruhen, nutzt die moderne KI sogenannte künstliche neuronale Netze. Dieser Begriff ist zwar etwas unglücklich gewählt, da Neuronen etwas biologisches sind und neuronale Netze nicht. Diese Netzwerke bestehen aus mehreren Schichten mathematischer Einheiten (Neuronen), die in einer bestimmten Struktur miteinander verbunden sind. Durch Training – das heißt durch die Verarbeitung und Analyse großer Datenmengen – werden die Verbindungen zwischen diesen Neuronen angepasst, sodass der Algorithmus immer besser darin wird, relevante Zusammenhänge zu erkennen und die gewünschten Ergebnisse zu liefern.
Ein neuronales Netz funktioniert, indem es Eingangsdaten (z. B. Bilder, Texte oder Zahlen) verarbeitet und durch mehrere Zwischenschritte in eine Ausgabe überführt, die einer bestimmten Aufgabe entspricht – etwa der Erkennung von Objekten auf einem Foto, der Vorhersage von Markttrends oder der automatischen Übersetzung von Sprachen. Dabei werden die Gewichtungen der Verbindungen zwischen den einzelnen Neuronen so optimiert, dass das System immer genauere und zuverlässigere Ergebnisse liefert.

„KI“ Beispiel

Ein anschauliches Beispiel für den Einsatz von Künstlicher Intelligenz ist die Kreditvergabe in Banken. Ein menschlicher Sachbearbeiter prüft einen Kreditantrag, indem er verschiedene finanzielle Kennzahlen des Antragstellers analysiert. Dazu gehören unter anderem das regelmäßige Einkommen, die bisherigen Kontobewegungen, bestehende Verbindlichkeiten sowie die Kreditwürdigkeit des Antragstellers, die durch eine Schufa-Auskunft oder ähnliche Bonitätsprüfungen ermittelt wird. Auf Basis dieser Informationen trifft der Sachbearbeiter eine Entscheidung darüber, ob der Kredit genehmigt oder abgelehnt wird.
Eine entsprechend trainierte Künstliche Intelligenz kann diesen Entscheidungsprozess automatisieren und unterstützen. Dazu wird das System mit historischen Daten früherer Kreditanträge gefüttert, einschließlich der finanziellen Parameter der Antragsteller sowie der Entscheidungen der menschlichen Sachbearbeiter. Das KI-Modell analysiert diese Daten, erkennt Muster in den getroffenen Entscheidungen und kann daraus ableiten, wie zukünftige Kreditanträge bewertet werden sollten.
Zum Beispiel könnte das KI-System auf Basis vergangener Fälle feststellen, dass Antragsteller mit einem bestimmten Einkommensniveau, stabilen monatlichen Einnahmen und einer positiven Kredithistorie eine hohe Wahrscheinlichkeit haben, ihre Kredite ordnungsgemäß zurückzuzahlen. Gleichzeitig könnte es risikobehaftete Muster erkennen, etwa häufige Kontoüberziehungen oder hohe Schuldenquoten, die das Ausfallrisiko erhöhen.
Neben der Kreditvergabe gibt es viele weitere vergleichbare Anwendungsfälle für KI-gestützte Entscheidungsprozesse:

Versicherungen: Eine KI kann Schadensmeldungen analysieren und basierend auf früheren Entscheidungen vorschlagen, ob eine Auszahlung genehmigt oder abgelehnt wird.
Medizinische Diagnostik: KI kann ärztliche Diagnosen unterstützen, indem sie Patientendaten mit einer großen Menge an bekannten Krankheitsverläufen vergleicht und Muster für mögliche Erkrankungen erkennt.
Personalwesen: Unternehmen nutzen KI, um Bewerbungen zu filtern, indem sie anhand früherer Einstellungsentscheidungen und Lebensläufe analysieren, welche Kandidaten am besten zur Stelle passen. Allerdings sind wir bei dieser Anwendung auch schnell im Bereich von zweifelhafter oder sogar untersagter Anwendung. Das hängt immer davon ab wie ein KI-Model trainiert wurde. Wenn wir also eine KI mit Daten aus der nicht immer rühmlichen Geschichte der Menschheit füttern wird es schnell erkennen das immer mehr Männer gearbeitet haben als Frauen da sich diese in der Vergangenheit um Haus und Kind gekümmert haben. So ist es also nur logisch das eine KI immer Männer bevorzugen wird statt Frauen weil das die Daten so her geben. Dies verstößt natürlich gegen viele Regeln die wir Menschen im laufe der Zeit beim Arbeiten mit KI aufgestellt haben. Es ist also essenziell wichtig zu Wissen mit was wir die KI trainieren.
Betrugserkennung: Banken und Zahlungsdienstleister setzen KI ein, um verdächtige Transaktionen in Echtzeit zu identifizieren und betrügerische Aktivitäten frühzeitig zu verhindern.
Obwohl KI in solchen Entscheidungsprozessen eine wertvolle Unterstützung sein kann, bleibt sie letztlich ein Werkzeug. Die finale Entscheidung sollte in vielen Fällen weiterhin durch Menschen überprüft werden, insbesondere wenn ethische oder komplexe individuelle Faktoren eine Rolle spielen.

Begriffserklärung

Künstliche Intelligenz (KI): Ein Sammelbegriff für Computerprogramme, die menschenähnliche Fähigkeiten wie Lernen, Problemlösung oder Mustererkennung zeigen. KI kann einfache Regelwerke nutzen oder auf komplexe neuronale Netze setzen.

Maschinelles Lernen (ML): Ein Teilbereich der KI, bei dem Algorithmen aus Daten lernen, ohne explizit programmiert zu werden. Das System verbessert sich durch Erfahrungen und erkennt Muster zur Entscheidungsfindung. Wie in unserem Beispiel beschrieben.

Deep Learning (DL): Eine spezialisierte Form des maschinellen Lernens, die tiefgehende neuronale Netze mit vielen Schichten nutzt. Besonders leistungsfähig bei Bild- und Spracherkennung sowie komplexen Analysen.

Generative KI: Eine Form der KI, die neue Inhalte wie Texte, Bilder oder Musik erzeugen kann, anstatt nur bestehende Daten zu analysieren. Beispiele sind ChatGPT für Texte oder DALL·E für Bilder.

Was sind Algorithmen: Einfach erklärt; Wenn Du jemandem sagst er soll Ihren Schlüssel vom Küchentisch holen, erklären Sie ihm ja schon in gewisser weise den Weg. Er liegt in der Küche auf dem Tisch. Das ist sehr Simpel ausgedrückt schon ein Algorithmus. Sie Bescheiben eine Aufgabe indem Sie einen Weg vorgeben der ein gewünschtes Ziel erreicht.

SEO:

Prompten/Prompt: