KI

Kurz: Künstliche Intelligenz — Sammelbegriff für Systeme, die Aufgaben lösen, die normalerweise menschliche Intelligenz erfordern (Mustererkennung, Sprache, Entscheidungen).

Genauer: Umfasst ein breites Feld von klassischen regelbasierten Systemen bis zu modernen neuronalen Netzen und großen Sprachmodellen (LLMs). Machine Learning — Systeme, die aus Daten lernen statt fest programmierten Regeln zu folgen — ist dabei der aktuell dominierende Teilbereich der KI.

Im Detail

KI lässt sich grob in mehrere ineinander verschachtelte Teilgebiete einordnen: klassische regelbasierte/symbolische KI (feste, von Menschen programmierte Wenn-Dann-Regeln, z. B. frühe Schachprogramme), Machine Learning (Systeme lernen Muster selbst aus Trainingsdaten, statt jede Regel manuell zu programmieren), und darin wiederum Deep Learning (Machine Learning speziell mit mehrschichtigen neuronalen Netzen, verantwortlich für die meisten aktuellen Durchbrüche in Bild- und Spracherkennung).

Ein neuronales Netz besteht aus Schichten künstlicher “Neuronen”, die Eingabewerte gewichtet verrechnen — beim Training werden diese Gewichte anhand vieler Beispiele schrittweise so angepasst, dass die Vorhersagen des Netzes immer besser zu den bekannten richtigen Antworten passen. Große Sprachmodelle (siehe Gen AI) sind ein spezieller, sehr großer Typ solcher neuronaler Netze, trainiert auf riesigen Textmengen.

In der praktischen Softwareentwicklung taucht KI heute meist über fertige Modelle/APIs auf (z. B. eine Bilderkennungs-API, ein Sprachmodell-Endpunkt), seltener durch eigenes Training eines Modells von Grund auf — Letzteres erfordert große Datenmengen und Rechenleistung, die meisten Anwendungsfälle lassen sich mit vortrainierten Modellen abdecken.

Historische Entwicklung

Der Begriff “Künstliche Intelligenz” wurde 1956 auf der Dartmouth Conference geprägt. Die Geschichte des Feldes verlief in Wellen: Auf frühe Euphorie (symbolische KI, Expertensysteme in den 1960er-80er Jahren) folgten wiederholt “KI-Winter” — Phasen enttäuschter Erwartungen und gekürzter Forschungsgelder, weil die damalige Rechenleistung und Datenmenge für die ambitionierten Ziele nicht ausreichte. Der aktuelle KI-Boom seit den 2010er-Jahren beruht auf drei zusammenkommenden Faktoren: massiv gestiegene Rechenleistung (v. a. durch GPUs, ursprünglich für Grafikberechnung entwickelt, aber ideal für die parallelen Matrixoperationen neuronaler Netze), riesige verfügbare Trainingsdatenmengen (durch das Internet), und algorithmische Fortschritte wie die Transformer-Architektur (2017), die heutige Sprachmodelle erst praktikabel machte.

Trainingsphase vs. Inferenz

Ein zentrales Konzept ist die Unterscheidung zwischen Training (das Modell lernt aus Daten, sehr rechenintensiv, dauert oft Tage bis Wochen auf spezialisierter Hardware) und Inferenz (das fertig trainierte Modell wird auf neue Eingaben angewendet, deutlich weniger rechenintensiv, läuft oft in Millisekunden). Diese Trennung erklärt, warum die meisten Unternehmen keine eigenen Modelle trainieren: Ein fertiges, bereits trainiertes Modell per API zu nutzen (reine Inferenz) ist um Größenordnungen günstiger und schneller umsetzbar als eigenes Training.

Grenzen und Risiken

KI-Systeme, insbesondere Machine-Learning-Modelle, übernehmen zwangsläufig Verzerrungen (Bias) aus ihren Trainingsdaten — ein auf historischen Bewerbungsdaten trainiertes Modell kann etwa diskriminierende Muster reproduzieren, ohne dass das explizit einprogrammiert wurde. Zudem sind viele moderne KI-Modelle “Black Boxes”: Die genaue Begründung einer einzelnen Vorhersage lässt sich oft nicht vollständig nachvollziehen, was in regulierten Bereichen (Kreditvergabe, medizinische Diagnostik) rechtliche und ethische Fragen aufwirft.

Siehe auch: Gen AI, API, Data Science