Einführung in die Künstliche Intelligenz: Definitionen verständlich erklärt

Was meinen wir eigentlich mit KI?

Formale Definition, menschennah erklärt

Künstliche Intelligenz bezeichnet Systeme, die Aufgaben ausführen, die üblicherweise menschliche Intelligenz erfordern, etwa Wahrnehmen, Planen, Lernen und Problemlösen. Praktisch heißt das: Maschinen treffen Entscheidungen anhand von Datenmustern und Zielen, nicht nur starrer, vorgegebener Regeln.

Abgrenzung: Automatisierung vs. Intelligenz

Nicht jede Automatisierung ist KI. Ein klassisches Skript folgt festen Anweisungen, ohne dazuzulernen. KI-gestützte Systeme passen sich an, verallgemeinern Erfahrungen und können mit Unsicherheit umgehen. Frage an dich: Wo begegnet dir echte Anpassungsfähigkeit im Alltag?

KI, ML, DL: drei Begriffe, drei Ebenen

KI ist das große Dach über allen Methoden, die maschinelle Intelligenz anstreben. Darunter fallen symbolische Ansätze, Suchverfahren, Wissensrepräsentation und datengetriebene Methoden. Merke dir: KI ist das Zielfeld, unter dem verschiedene Werkzeuge zusammenkommen.

KI, ML, DL: drei Begriffe, drei Ebenen

ML ist ein Teilgebiet der KI, das aus Daten Modelle lernt. Statt Regeln vorzuschreiben, lernt das System Muster, zum Beispiel zur Bilderkennung oder Vorhersage von Trends. ML liefert die statistischen Motoren, die viele KI-Anwendungen antreiben.

Arten von KI: schwach, stark und generativ

Schwache KI ist auf spezifische Aufgaben spezialisiert, zum Beispiel Übersetzen, Objekterkennung oder Empfehlungssysteme. Sie ist heute überall zu finden und meist sehr leistungsfähig in ihren klar umrissenen Domänen, jedoch nicht allgemein verständig oder bewusst.

Starke KI bezeichnet hypothetische Systeme, die flexibel wie Menschen lernen, verstehen und problemlösen. Diese Form existiert noch nicht. Sie wirft große ethische, gesellschaftliche und sicherheitstechnische Fragen auf, die wir frühzeitig definieren und diskutieren sollten.

Generative KI erzeugt neue Inhalte wie Texte, Bilder, Musik oder Code, basierend auf gelernten Datenmustern. Sie definiert Kreativität neu, benötigt jedoch klare Leitplanken: Urheberrecht, Verzerrungen und Transparenz. Welche Anwendungen würdest du verantwortungsvoll einsetzen?

Überwachtes Lernen

Beim überwachten Lernen trainiert man Modelle mit Eingaben und bekannten Zielwerten, etwa E-Mails plus Spam-Label. Die Definition ist simpel: aus gelabelten Beispielen Muster ableiten, um neue Fälle korrekt vorherzusagen. Qualität der Labels entscheidet über Erfolg.

Unüberwachtes Lernen

Hier gibt es keine Zielwerte; das Modell sucht Strukturen, zum Beispiel Cluster oder Anomalien. Die Definition betont Entdeckung statt Vorhersage. Es eignet sich, um verborgene Gruppen zu erkennen oder Daten zu verdichten, bevor weitere Modelle folgen.

Bestärkendes Lernen (Reinforcement Learning)

Ein Agent handelt in einer Umgebung, erhält Belohnungen und lernt durch Versuch und Irrtum. Die Definition dreht sich um Politik, Wertfunktionen und Feedback. Beispiele reichen von Spielstrategien bis Robotik. Welche Alltagssituation würdest du als Umgebung modellieren?

Definition: Daten sind Beobachtungen der Welt, strukturiert oder unstrukturiert. Qualität, Repräsentativität und Sauberkeit bestimmen Modellleistung. Eine kleine Story: Ein Team verbesserte allein durch bessere Datenpflege die Genauigkeit mehr als durch komplexere Modelle.

Genauigkeit, Präzision, Recall

Genauigkeit misst den Anteil richtiger Vorhersagen, Präzision den Anteil relevanter Treffer, Recall die Entdeckungsrate. Die Definitionen helfen, Fehlertypen zu verstehen. Beispiel: Bei medizinischer Früherkennung ist hoher Recall oft wichtiger als rohe Genauigkeit.

Das F1-Maß und warum es zählt

Das F1-Maß ist das harmonische Mittel aus Präzision und Recall. Definition: Es balanciert Trefferqualität und Abdeckung. Besonders bei unausgewogenen Klassen bietet F1 ein robusteres Bild der Leistung als die oft trügerische Gesamtgenauigkeit.

Datensplits und Leckagen vermeiden

Trainings-, Validierungs- und Testdaten müssen sauber getrennt sein, sonst entsteht Datenleckage. Definition: Informationen aus dem Testset gelangen unabsichtlich ins Training. Eine reale Lehre: Ein Team verwechselte Kunden-IDs, die Leistung brach im Feld dramatisch ein.

Erklärbarkeit, Fairness, Verantwortung: zentrale Leitbegriffe

Definition: Methoden, die Entscheidungen nachvollziehbar machen, etwa Feature-Attributionen oder Beispielbasierte Erklärungen. Sie helfen, Vertrauen aufzubauen, Fehlerquellen zu finden und regulatorische Anforderungen zu erfüllen. Transparente Modelle erleichtern Diskussionen mit Fachexperten erheblich.

Erklärbarkeit, Fairness, Verantwortung: zentrale Leitbegriffe

Bias sind systematische Verzerrungen in Daten oder Modellen. Fairness-Definitionen variieren, zielen jedoch auf gerechte Behandlung unterschiedlicher Gruppen. Praktischer Rat: Prüfe Datenerhebung, Metriken nach Gruppen und Korrekturverfahren. Teile deine Erfahrungen mit verdeckten Verzerrungen.