Zur Navigation springen Zum Hauptinhalt springen Zum Footer springen

Was kann KI?

KI im Alltag

Wer heute ein Smartphone oder einen Computer bedient, hat mit Künstlicher Intelligenz zu tun. Oft auch, ohne dies zu wissen oder zu bemerken. KI beantwortet uns Fragen, navigiert uns unterwegs und empfiehlt Produkte oder Songs. Als intelligente Software steckt sie mittlerweile in vielen technischen Geräten und macht uns das Leben leichter. Doch wird sie über kurz oder lang selbst das Kommando übernehmen? Was ist dran an gängigen Bedrohungsszenarien durch Künstliche Intelligenz?

Was kann KI – und was nicht?

Wenn man von Künstlicher Intelligenz spricht, kann man diese grob in zwei Kategorien aufteilen:

  • Starke KI

  • Schwache KI

Starke KI ist das, was wir aus Hollywood-Filmen kennen: Menschenähnliche Roboter, die – mal freundlich, mal auf Zerstörung aus – logisch denken und selbstständig handeln können. Das Ziel einer derartigen Superintelligenz ist es, die gleichen oder sogar höhere intellektuelle Fertigkeiten als der Mensch zu erlangen. Fakt ist: Davon sind wir weit entfernt. KI-Systeme übertreffen den Menschen bislang nur in Nischen, etwa im Schach. Die Frage, ob und wann eine KI mit menschenähnlichen oder sogar überlegenen geistigen Fähigkeiten entstehen könnte, wird in Wissenschaft, Wirtschaft und Gesellschaft kontrovers diskutiert. Während einige Expertinnen und Experten langfristig große Fortschritte für möglich halten, sehen andere erhebliche technische und wissenschaftliche Hürden. Mehr zur aktuellen Diskussion über starke KI, ihre Möglichkeiten und Grenzen erfahren Sie in “KI kompakt“ zu zur Artificial General intelligence (AGI).

Spracherkennung, Übersetzungsdienste, Navigationssysteme oder die Werbung, die wir angezeigt bekommen: All diese Systeme basieren auf schwacher KI. Ihr Kennzeichen: Sie löst konkrete, dabei durchaus komplexe Probleme mit Hilfe von Methoden aus der Mathematik und Informatik. Die KI greift dazu auf Millionen von Daten aus Datenbanken zurück, zieht mit Hilfe von trainierten Lernalgorithmen Rückschlüsse und gibt Empfehlungen. Entwickelt werden KI-Systeme heute von großen Softwareherstellern, der Industrie wie auch von Start-ups, die damit Lösungen für definierte Aufgaben entwickeln.

Vor diesem Hintergrund ist hervorzuheben, dass heutige große generative KI-Modelle, auch als Basis- oder Grundlagenmodelle bezeichnet, sich von früheren KI-Modellen unterscheiden, die explizit für einen bestimmten Zweck trainiert wurden. Sie haben etwa verschiedene Fähigkeiten in der Sprach-, Bild- oder Videoverarbeitung, können im Rahmen agentischer KI-Systeme Werkzeuge nutzen (z. B. Programme, Datenbanken) und auch für weitere spezifische Fähigkeiten wie z. B. Schlussfolgern in bestimmten Bereichen oder für bestimmte Aufgaben (z. B. Mathematik, Programmieren) angepasst werden, wenn entsprechende hochwertige Daten vorliegen. Allerdings sind solche Modelle dadurch nicht als starke KI anzusehen.

Generative KI – Alleskönner der Künstlichen Intelligenz?

Sprachmodelle wie ChatGPT & Co. können Fragen beantworten, Programmcode erstellen und wissenschaftliche Studien zusammenfassen. Andere generative KI-Systeme erstellen nach gewünschten Vorgaben Bilder oder Musikstücke. All das mit großer Rechenpower auf Basis von riesigen Datenmengen, lernenden Algorithmen und Wahrscheinlichkeiten. Die Anwendungsmöglichkeiten sind vielfältig und weitreichend – und werden in Alltag und Arbeit vieles verändern.

Generative KI bietet viele Chancen, ist jedoch nicht fehlerfrei. So können KI-Systeme überzeugend formulierte, aber inhaltlich falsche Antworten erzeugen (sogenannte Halluzinationen). Zudem lassen sich mit generativer KI täuschend echte Bilder, Videos oder Tonaufnahmen erstellen (Deepfakes), die zur Verbreitung von Desinformationen oder für Betrugsversuche missbraucht werden können. Auch können KI-Systeme Verzerrungen aus ihren Trainingsdaten übernehmen und dadurch diskriminierende oder einseitige Ergebnisse liefern.

Mehr dazu in unserem Erklärfilm.

 

Bilderkennung und -analyse

Deepfakes

Sensorik

Datenmanagement und -analyse

Natürliche Sprachverarbeitung

Mensch-Maschine-Interaktion

Robotik

Eine kurze Geschichte der Künstlichen Intelligenz

Künstliche Intelligenz ist eine Errungenschaft des 21. Jahrhunderts? Weit gefehlt!

Begründet wurde die Technologie bereits Mitte der 1950er Jahre. Seither verzeichnete sie Höhen und Tiefen: Auf überzogene Erwartungen an Maschinen als universelle Problemlöser folgte Ernüchterung – ein so genannter KI-Winter. Neue Methoden, eine exponentiell steigende Rechnerleistung sowie schier unbegrenzt verfügbare Daten verliehen der Künstlichen Intelligenz zur Jahrtausendwende einen erneuten Aufschwung – der ungebrochen anhält. Mehr dazu in unserem Erklärfilm.

Generative KI – Alleskönner der Künstlichen Intelligenz?

Sprachmodelle wie ChatGPT & Co. können Fragen beantworten, Programmcode erstellen und wissenschaftliche Studien zusammenfassen. Andere generative KI-Systeme erstellen nach gewünschten Vorgaben Bilder oder Musikstücke. All das mit großer Rechenpower auf Basis von riesigen Datenmengen, lernenden Algorithmen und Wahrscheinlichkeiten. Die Anwendungsmöglichkeiten sind vielfältig und weitreichend – und haben in Alltag und Arbeit bereits vieles verändert. Generative KI-Systeme können aber auch falsche Informationen liefern oder diskriminierende Inhalte reproduzieren. Die Technologie entwickelt sich rasant, daher ist es wichtig, Potenziale und Risiken zu kennen und die Technologie verantwortungsvoll einzusetzen. Mehr dazu in unserem Erklärfilm.

Wie lernt KI?

KI-Systeme lernen zunächst nicht von sich aus. Sie müssen trainiert werden, und zwar mit vielen Daten. Hier kommt die Methode des maschinellen Lernens zum Einsatz:

Maschinelles Lernen (engl. Machine Learning) ist eine grundlegende Methode der Künstlichen Intelligenz. Auf ihr basieren die größten Fortschritte der vergangenen Jahre. Auch beim maschinellen Lernen programmiert der Mensch – allerdings nicht mehr fertige Lösungen, sondern Programme, die die Problemlösung anhand von Trainingsdaten erlernen. Zum Einsatz kommen dabei spezielle Algorithmen, die in Beispieldaten Muster und Gesetzmäßigkeiten erkennen und diese auf neue Daten anwenden.

Allerdings: Mit falschen oder unvollständigen Daten gefüttert, liefert auch KI falsche oder unvollständige Ergebnisse.

Innerhalb des maschinellen Lernens werden drei Lernstile unterschieden:

Überwachtes Lernen

Beim überwachten Lernen liefert der Mensch dem Computersystem neben den Trainingsdaten auch das erwartete Ergebnis. Soll der Algorithmus in einem Bild etwa eine Katze identifizieren, erkennt darin aber einen Hund, passt er sein Rechenmodell an. Das wiederholt der Lernalgorithmus bei Fehlern so lange, bis er Katzenbilder verlässlich erkennt.

Unüberwachtes Lernen

Beim unüberwachten Lernen speist der Mensch nur die Eingabedaten in das System, ohne weitere Erläuterungen. Der Lernalgorithmus erzeugt ein Modell, dass die Eingaben abstrakt beschreibt und muss nun selbstständig Muster finden. Meist wird diese Methode eingesetzt, um große Datensätze zu clustern oder zu segmentieren.

Verstärkendes Lernen

Beim verstärkenden Lernen trainiert der Mensch den Lernalgorithmus über Feedback: Für erfolgreiche Handlungen erhält der Algorithmus eine positive Rückmeldung, bei Fehlern eine negative. Ziel des KI-Systems ist es, möglichst viel positives Feedback zu erhalten. Auf diese Weise lernt es beispielsweise die Regeln eines Spiels.

Deep Learning

Ein besonders leistungsfähiger Teilbereich des maschinellen Lernens ist das Deep Learning. Er basiert auf so genannten künstlichen neuronalen Netzen, die mehrere Schichten umfassen: In der ersten Schicht erkennt der Algorithmus beispielsweise ein Muster, in der zweiten ein Muster von Mustern und so weiter. Je komplexer das Netz, desto komplexere Sachverhalte kann der Algorithmus verarbeiten.

Inspiriert ist diese Lernmethode von den Mechanismen des menschlichen Gehirns. Angewendet wird Deep Learning zum Erkennen von Bildern, Sprache und Objekten. Allerdings: Wie das trainierte neuronale Netz zu Ergebnissen kommt, ist für den Menschen nicht nachvollziehbar – und bleibt damit eine Black Box. Einblicke in die Black Box gewährt das Forschungsfeld der erklärbaren KI.

 

Über diese Video-Tutorials

Künstliche Intelligenz verständlich machen – mit diesem Anspruch erläutern wir in dieser Video-Reihe, wie KI-Systeme lernen. Einschlägiges Vorwissen ist dafür nicht nötig. Die Protagonisten der Tutorials sind Studierende verschiedener Fachdisziplinen und Mit-Autoren des Buchs Wie Maschinen lernen. Gedreht wurden die Videos mit freundlicher Genehmigung im Technikmuseum Berlin.

Die Video-Tutorials finden Sie in unserer Mediathek unter "Know-How zu KI".