Wie funktioniert die KI? (Text Version)

“Our intelligence is what makes us human, and AI is an extension of that quality.”

Auch wenn wir es oft nicht bemerken, ist KI bereits ein fester Bestandteil unseres Alltags. Sie wird beispielsweise in virtuellen Assistenten wie Siri oder Alexa eingesetzt, in intelligenten Kameras mit Gesichtserkennung oder in E-Mail-Filtern, die Spam automatisch aussortieren.

Künstliche Intelligenz (KI) beschreibt die Fähigkeit von Computern und Maschinen, Aufgaben zu übernehmen, die normalerweise menschliches Denken erfordern. Dazu gehören zum Beispiel das Verstehen von Sprache, das Erkennen von Bildern und Tönen, das Lösen komplexer Aufgaben, das Lernen aus Erfahrungen sowie das Treffen eigener Entscheidungen. KI-Systeme können große Datenmengen auswerten, daraus wertvolle Erkenntnisse gewinnen und sich ständig weiterentwickeln, indem sie ihr Verhalten eigenständig anpassen und verbessern.

Der Begriff Künstliche Intelligenz wurde bereits 1955 vom US-amerikanischen Informatiker John McCarthy geprägt, der als einer der Begründer der KI gilt. Er entwickelte unter anderem die Programmiersprache LISP, die lange Zeit als wichtigste Sprache für KI-Anwendungen diente, und legte mit seiner Forschung den Grundstein für viele heutige Entwicklungen in diesem Bereich.

Alltägliche Beispiele für KI:

• Intelligente Assistenten wie Siri, Google Assistant und Alexa.
• Film- und Produktempfehlungen auf Netflix oder Amazon.
• schnellere Routenempfehlungen von Google Maps.
• E-Mail-Spamfilter.
• Gesichtserkennung auf Smartphones.

Transkription des Podcast KI im Alltag:

Harry: Hallo und willkommen zu unserer heutigen Vertiefung. Wir schauen uns diesmal Material zum Thema künstliche Intelligenz an, KI eben.

Lara: Genau.

Harry: Und die Quelle, die du uns geschickt hast, die erklärt ja nicht nur, was KI so im Kern ist, sondern und das finde ich spannend, wie sie eigentlich schon längst Teil deines Alltags ist. Oft ja ganz unbemerkt.

Lara: Mhm. Unsere Aufgabe heute, die wichtigsten Erkenntnisse daraus für dich rauszuziehen. Okay, also lass uns mal starten. Was genau ist denn KI laut diesen Unterlagen?

Harry: Also im Grunde beschreibt die Quelle das so, es ist die Fähigkeit von Maschinen oder Computersystem Aufgaben zu machen, für die man normalerweise menschliche Intelligenz braucht.

Lara: Okay, also sowas wie Lernen oder Probleme lösen. Genau. Lernen aus Erfahrung, Probleme lösen, Entscheidungen treffen. Aber der Clou ist halt die Anpassungsfähigkeit. Also die sind nicht starr programmiert, sondern die lernen durch Daten dazu und werden besser.

Harry: Diese Lernfähigkeit, die kommt dann woher? Nur aus Daten?

Lara: Ja, Daten sind absolut zentral. Die Quelle nennt das ja auch Big Data, diese riesigen Datenmengen, die wir ständig produzieren. Aber Daten allein reichen nicht.

Harry: Sondern?

Lara: Du brauchst auch die Werkzeuge, also komplexe Algorithmen. Man kann sich das so ein bisschen vorstellen, wie ein Gehirn das Muster sucht. Und je mehr Daten dieses Gehirn bekommt, desto besser erkennt es Muster und kann dann eben Vorhersagen treffen oder entscheiden.

Harry: Ah, okay. Und deshalb sind die heute so gut. Wegen besserer Computer und dieser Datenflut.

Lara: Exakt, das ist die Kombination. Starke Rechner plus Unmengen an Daten aus unseren digitalen Geräten und so weiter. Das macht die aktuelle KI-Welle erst möglich.

Harry: Verstehen. Und die Quelle sagt ja auch, das ist keine Zukunftsmusik mehr. Das finde ich ja den wirklich interessanten Teil. Wo begegnet uns das denn schon? Im Alltag. Auch da, wo man es vielleicht gar nicht denkt.

Lara: Ja, genau da wird es spannend. Die Unterlagen haben da einige Beispiele, die zeigen, wie tief das schon drinsteckt. Nimm mal die Assistenten auf deinem Smartphone.

Harry: So was wie Siri oder Google?

Lara: Genau, die reagieren ja nicht nur auf Befehle. Die Quelle sagt, die analysieren oft sogar subtile Dinge in deiner Stimme. Die Tonlage, um deine Absicht besser zu verstehen. Das ist vielen gar nicht so bewusst.

Harry: Wirklich? Okay, krass. Und was ist mit Empfehlungen? Filme, Musik, Shopping?

Lara: Exakt das gleiche. Ob jetzt Filmvorschläge, auf Netflix oder Produktempfehlungen bei Amazon, da steckt KI dahinter, die versucht, deine Vorlieben zu lernen. Und die Quelle deutet an, es geht nicht nur darum, was du kaufst oder schaust.

Harry: Sondern auch wie.

Lara: Genau, wie lange schaust du dir was an, überspringst du den Trailer. Solche Verhaltensmuster fließen damit ein. Oder Navigations-Apps, die Staus umfahren.

Harry: Stimmt, die sind ja oft erstaunlich gut darin.

Lara: Eben. Oder Smart-Homegeräte, die Heizung und Licht regeln. Das sind alles KI-Prinzipien zur Optimierung. Oder auch Betrugserkennung bei Kreditkarten.

Harry: Ah ja, klar.

Lara: Oder diese Echtzeit-Übersetzungs-Apps. Das basiert alles auf KI.

Harry: Das ist ja wirklich eine ganze Menge. Okay, wenn das so verbreitet ist. Welche Vorteile sieht die Quelle denn da? Nur Bequemlichkeit oder steckt mehr dahinter?

Lara: Bequemlichkeit ist sicher ein großer Punkt. Aber die Unterlagen sagen, es ist mehr. Effizienz zum Beispiel. Denk an die Routenplanung, spart ja Zeit. Oder automatisierte Prozesse. Und Personalisierung ist ein weiterer Vorteil. Dienste, die sich halt auf dich einstellen. Die Quelle meint, dadurch wird der Service oft relevanter, angenehmer für den Nutzer. Also eine Mischung aus Komfort, Zeitsparen und maßgeschneiderten Sachen.

Harry: Verstehe. Aber gibt es da auch Kehrseiten? Sprich die Quelle auch Probleme oder Herausforderungen an?

Lara: Ja, das kommt auch zur Sprache. Datenschutz ist so ein zentrales Thema. Logisch. Wenn KI so viele Daten braucht, stellt sich die Frage, was passiert mit diesen oft sehr persönlichen Infos. Wer hat Zugriff, wie werden die genutzt? Genau. Und wie geschützt? Die Quelle warnt auch vor einer möglichen Abhängigkeit. Wenn Systeme immer mehr für uns entscheiden, ja, dann verlernen wir vielleicht bestimmte Dinge oder geben Kontrolle ab. Das sind so wichtige Punkte, die man beachten muss.

Harry: Okay, also wenn wir das mal zusammenfassen, was ist so die Kernbotschaft, die wir aus diesem Material mitnehmen sollten? Ich glaube, die zentrale Erkenntnis ist, KI ist nicht mehr nur so eine abstrakte Zukunftsidee. Sie ist schon da, tief in unserem digitalen Leben verankert. Auch wenn wir sie oft gar nicht direkt sehen. Sie macht vieles einfacher, persönlicher, effizienter. Und wie geht es weiter? Gibt die Quelle dann einen Ausblick? Ja, sie deutet klar an, der Einfluss von KI wird weiterwachsen. Und damit wird halt auch die Frage immer wichtiger, wie wir diese mächtigen Werkzeuge verantwortungsvoll nutzen.

Lara: Verantwortungsvoll. Ja, Transparenz und ethische Regeln bei der Entwicklung und Nutzung, das wird als entscheidend für die Zukunft gesehen.

Harry: Ein wichtiges Stichwort. Verantwortungsvoller Einsatz. Absolut. Und vielleicht noch so als kleiner Gedanke zum Schluss, inspiriert durch die Quelle, für dich. Achte doch in den nächsten Stunden mal bewusst drauf, wo dir KI begegnen könnte. Wo zum Beispiel?

Lara: Na ja, beim Scrollen durch Social Media, bei der nächsten Google Suche, vielleicht beim Bezahlen oder wenn dein Navi dir plötzlich eine andere Route vorschlägt, du wirst überrascht sein, wo das überall schon mit drin steckt.

Hier sind einige der bekannten KI-Systeme:

• ChatGPT ist ein von OpenAI entwickelter KI-Chatbot, der auf Grundlage der Eingaben, die er erhält, menschenähnliche Texte verstehen und erzeugen kann. Er unterstützt bei Aufgaben wie dem Beantworten von Fragen, dem Schreiben, Übersetzen, Programmieren und ist damit ein vielseitiges Werkzeug für den privaten wie auch den beruflichen Bereich. Angetrieben von großen Sprachmodellen wie GPT-4 lernt er aus riesigen Datenmengen, um hilfreiche und relevante Antworten zu liefern.
• Grok ist ein von xAI entwickelter KI-basierter Chatbot. Er ist in die Plattform X (ehemals Twitter) integriert und soll auf der Grundlage von öffentlichen Daten, einschließlich Live-Updates von X selbst, Antworten in Echtzeit geben.
• Google Assistant ist ein von Google entwickelter virtueller Assistent, der künstliche Intelligenz einsetzt, um Benutzer bei der Ausführung von Aufgaben durch Sprach- oder Textbefehle zu unterstützen.
• DeepSeek ist ein KI-Unternehmen mit Sitz in China, das sich auf die Entwicklung großer Sprachmodelle (Large Language Models, LLMs) spezialisiert hat, ähnlich wie ChatGPT von OpenAI oder Gemini von Google. Das Unternehmen hat v.a. durch ihre leistungsstarken Open-Source-Modelle für Programmierung und Sprachverständnis Aufmerksamkeit gewonnen.
• Copilot ist ein KI-Assistent von Microsoft, der in der gesamten App-Suite (Word, Excel, PowerPoint, Teams, Outlook usw.) eingesetzt wird.

Was ist Machine Learning?

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Es ermöglicht Computern, aus Daten zu lernen und ihre Leistung im Laufe der Zeit zu verbessern. Anstatt einem Computer genau vorzugeben, was er machen soll, gibt man ihm Beispiele und lässt ihn selbstständig Muster und Regeln erkennen.

Schlüsselkonzepte im Machine Learning

Wenn Maschinen lernen, durchlaufen sie einen Prozess namens Training. Dabei analysieren sie bekannte Daten, um Muster und Zusammenhänge zu erkennen. Anschließend wird das System mit neuen, bisher unbekannten Daten getestet, um zu überprüfen, wie gut es das Gelernte anwenden kann.

Wie funktioniert Machine Learning?

1. Daten Erhebung
   Der Prozess beginnt mit der Erfassung von Daten aus unterschiedlichen Quellen, etwa aus Dateien, Datenbanken, Sensoren oder Online-Aktivitäten. Diese Rohdaten bilden die Grundlage für alle weiteren Schritte. Die Qualität und Menge der Daten beeinflussen den Erfolg des maschinellen Lernmodells erheblich.

2. Bereinigung, Vorbereitung & Bearbeitung der Daten
   Nachdem die Daten gesammelt wurden, müssen sie bereinigt und vorbereitet werden. Dabei werden fehlende Werte bearbeitet, Unstimmigkeiten korrigiert, die Daten in ein geeignetes Format (z.B. numerische Werte) konvertieren und gegebenenfalls neue Merkmale erstellt. Dieser Prozess ist besonders wichtig, da maschinelle Lernmodelle nur dann zuverlässig arbeiten können, wenn die Daten gut strukturiert und sorgfältig aufbereitet sind.

3. Modelltraining
   In dieser Phase werden die vorbereiteten Daten verwendet, um ein maschinelles Lernmodell zu trainieren. Der Algorithmus erhält die Daten, um darin Muster und Zusammenhänge zu erkennen. Während des Trainings passt das Modell seine inneren Einstellungen Schritt für Schritt an, damit es immer bessere Vorhersagen treffen kann.

4. Datentest
   Nach dem Training wird das Modell mit neuen, bisher unbekannten Daten (sogenannten Testdaten) geprüft. Dadurch lässt sich einschätzen, wie gut das Modell auf reale Situationen übertragbar ist. Um die Leistung des Modells zu beurteilen, werden u.a. Werte wie Genauigkeit, Präzision und Recall gemessen.

5. Verbesserungen
   Nach den Testergebnissen muss das Modell möglicherweise angepasst oder neu trainiert werden. Eventuell müssen mehr Daten gesammelt, andere Merkmale ausgewählt, andere Algorithmen ausprobiert oder die Modellparameter optimiert werden. Dieser Schritt wird häufig wiederholt, um die Leistung des Modells im Laufe der Zeit zu verbessern.

Was ist Deep Learning?

Deep Learning ist ein spezieller Bereich des maschinellen Lernens, der sich am Aufbau des menschlichen Gehirns orientiert. Dabei arbeiten viele miteinander verbundene künstliche Neuronen zusammen und verarbeiten Informationen Schritt für Schritt. Beim herkömmlichen maschinellen Lernen entscheiden wir Menschen, welche Merkmale in den Daten wichtig sind. Deep-Learning-Algorithmen hingegen erkennen diese Muster eigenständig. Die sogenannten „deep“ Modelle bestehen aus mehreren Verarbeitungsschichten, die aufeinander aufbauen. So können sie nach und nach immer abstraktere Merkmale aus den Rohdaten herausfiltern und komplexe Zusammenhänge erkennen.

Beispiel

Stell dir vor, du trainierst ein Modell, um handgeschriebene Ziffern zu erkennen. Beim traditionellen maschinellen Lernen müsste ein Experte manuell Merkmale wie Kanten, Kurven und Linienorientierungen definieren. Deep Learning überspringt diesen Schritt und das Modell lernt, diese Merkmale selbst zu erkennen, während es an tausenden handgeschriebenen Beispielen trainiert wird.

Anwendungen von Deep Learning in der realen Welt

• Sprachassistenten
• Gesichtserkennung
• Selbstfahrende Autos
• Medizinische Diagnose
• Betrugserkennung

Was ist generative KI?

Generative KI bezeichnet künstliche Intelligenzsysteme, die darauf ausgelegt sind, neue Inhalte zu erstellen, die ihren Trainingsdaten ähneln. Statt Informationen nur zu analysieren oder zu sortieren, kann generative KI zum Beispiel Aufsätze schreiben, Logos entwerfen oder sogar Musik komponieren.

Moderne generative KI basiert häufig auf sogenannten Transformer-Modellen, die besonders gut darin sind, komplexe Muster in Sprache, Bildern oder anderen Daten zu erkennen und zu erzeugen.

Beispiele für generative KI

• Bildgenerierung: DALL·E, Midjourney, und Adobe Firefly können aus Texteingabe originelle Bilder erzeugen, z.B. “eine futuristische Stadt bei Sonnenuntergang”.
• Textgenerierung: Programme wie ChatGPT und Google Gemini können Aufsätze schreiben, E-mails verfassen, Dokumente zusammenfassen und auch Witze und Geschichten erstellen.
• Audio und Musikgenerierung: KI-Systeme können auch Lieder komponieren, Stimmen klonen oder Hintergrundmusik für Videos erzeugen. Sprachklon-Tools wie ElevenLabs können die Stimme einer Person nachahmen und sie nutzen, um Texte zu vertonen, Hörbücher zu erstellen oder Inhalte in verschiedenen Sprachen zu übersetzen und dabei wird der natürliche Ton mit emotionaler Ausdruckskraft beibehalten.
• Videogenerierung: Neue Programme wie Sora von OpenAI erzeugen aus Textbeschreibungen kurze Videoclips und realistische Animationen.
• Codegenerierung: Codegenerierungswerkzeuge wie GitHub Copilot erstellen Codevorschläge, vervollständigen Funktionen oder erklären auch Code.

Schau dir das Bild unten an. Dieses Bild wurde von ChatGPT mit folgendem Prompt erstellt:

'Generate an Image of a cat Djing on a Caribbean beach wearing sunglasses tropical clothes'.

Was ist ein LLM?

Ein großes Sprachmodell (LLM) ist eine leistungsstarke Form der künstlichen Intelligenz und gehört zur generativen KI. Es wurde entwickelt, um menschliche Sprache zu verstehen und eigene Texte zu erzeugen. Es handelt sich dabei um ein Computerprogramm, das gelernt hat, Wörter und Sätze vorherzusagen und Texte zu generieren, die unserer Sprache sehr ähnlich sind. Möglich wird das durch das Training mit umfangreichen Textsammlungen, zum Beispiel aus Büchern, Internetseiten, Onlineforen oder Artikeln.

Ein LLM wird „large“ (groß) genannt, weil es über eine riesige Anzahl von Parametern verfügt (oft Milliarden). Diese Parameter sind interne Einstellungen, die während des Trainings angepasst werden, um Sprachmuster zu erkennen. Wenn du ChatGPT eine Frage stellst, verwendet es ein LLM, um deine Worte zu verstehen und in Echtzeit eine passende Antwort zu generieren.

Beispiel:

Stell dir vor, du liest Millionen von Büchern und merkst dir, wie Menschen Sätze bilden, Fragen beantworten oder Geschichten erzählen. Ein LLM arbeitet ähnlich, indem es analysiert, wie Wörter verwendet werden, und lernt, auf Grundlage des zuvor Gelesenen vorherzusagen, welches Wort als Nächstes folgt.

Was können LLMs?

• Texte generieren: Große Sprachmodelle (LLMs) können zusammenhängenden und kontextbezogenen Text basierend auf einem gegebenen Prompt erzeugen. Sie können Aufsätze schreiben, Fragen beantworten, Informationen zusammenfassen und Geschichten erstellen.
• Kunden Support: Viele Unternehmen integrieren LLMs in Chatbots, die Kundenfragen beantworten können. Zum Beispiel könnte ein Kunde, der schreibt „Wie setze ich meinen Router zurück?“, sofort eine Schritt-für-Schritt-Anleitung erhalten, die von einem auf der Wissensdatenbank des Unternehmens trainierten LLM bereitgestellt wird.
• Sprachübersetzung: LLMs können Texte von einer Sprache in eine andere übersetzen, zum Beispiel einen englischen Satz ins Spanische. Das hilft Reisenden, internationalen Unternehmen und Studierenden, die mit fremdsprachigen Texten arbeiten.
• Zusammenfassung: Wenn du einem LLM ein langes Dokument gibst, kann es eine Zusammenfassung erstellen, die die wichtigsten Ideen hervorhebt. Studierende könnten zum Beispiel einen langen Artikel in ein KI-Tool eingeben und eine kurze Zusammenfassung erhalten, die das Lernen erleichtert.
• Bildung und Nachhilfe: LLMs können als virtuelle Nachhilfelehrer fungieren, indem sie Fragen beantworten, Konzepte erklären und Quizfragen erstellen. Schüler*innen mit Schwierigkeiten bei Bruchrechnungen, könnten zum Beispiel fragen: „Was ist der Unterschied zwischen 1/2 und 1/3?“ und eine verständliche Erklärung mit Beispielen erhalten.
• Programmier-Hilfe: Entwickler*innen nutzen LLMs, um Code zu schreiben, zu erklären oder zu korrigieren. Programmierer*innen können zum Beispiel fragen: „Wie erstelle ich eine Schleife in Python?“, und das Modell würde mit dem passenden Code und einer kurzen Erklärung antworten.