Was ist Künstliche Intelligenz?

Künstliche Intelligenz (kurz KI) ist eine aufregende und schnell wachsende Technologie. Schon jetzt beeinflusst sie unser Leben in vielerlei Hinsicht. Künstliche Intelligenz steckt im Sprachassistenten, der im Wohnzimmer steht. Der Streamingdienst schlägt mithilfe von KI passende Filme und Serien vor. Und das Navi im Auto berechnet noch während der Fahrt, wie der nächste Stau am besten umfahren wird. Um zu verstehen, wie das alles funktioniert, erklären wir auf dieser Seite die Grundlagen: Was versteht man unter KI? Was ist ein Algorithmus? Was ist maschinelles Lernen? Und welche Arten von KI gibt es?

Auf den Unterseiten des Themenbereichs widmen wir uns dann spezielleren Fragen rund um KI. In aller Munde ist vor allem die generative KI. Das sind Systeme, die Texte, Bilder, Videos und Musik oder Sprache erstellen können. Wir erklären, was generative KI bereits kann und wie sie funktioniert. Außerdem beleuchten wir, wie KI in Schulen eingesetzt werden kann und welche Herausforderungen auf den Jugendmedienschutz zukommen. Und wir thematisieren, welche Risiken KI-Systeme mit sich bringen können.

Um sich besser vorstellen zu können, was ein Algorithmus ist, wird oft der Vergleich zu einem Backrezept gezogen. Beim Kuchen backen benötigt man bestimmte Zutaten in einer gewissen Menge. Diese werden dann in einer festgelegten Reihenfolge miteinander verarbeitet.

Die grundlegende Idee eines Algorithmus besteht darin, dass bestimmte Daten („Zutaten“), nach vorher festgelegten mathematischen Regeln („Rezept“) verarbeitet werden, um ein spezifisches Ergebnis („Kuchen“) zu erzielen.

Damit ein Computer solche Algorithmen lesen kann, müssen sie in einer bestimmten Form beschrieben werden – das nennt man Programm oder Software.

Oft werden die Begriffe „Algorithmus“ und „Künstliche Intelligenz“ synonym gebraucht, jedoch gibt es Unterschiede. Allgemein kann man sagen, dass Algorithmen die grundlegenden Bausteine von KI-Systemen sind. Mit ihrer Hilfe verarbeiten sie Daten, erkennen Muster und Zusammenhänge und leiten daraus Entscheidungen ab. Aber nicht alle Algorithmen sind für den Einsatz in KI-Systemen geeignet. Sie müssen über bestimmte Eigenschaften verfügen.

Eine allgemein gültige Definition des Begriffs gibt es nicht. Man kann aber die Bedeutung der beiden Worte betrachten, aus denen sich der Begriff zusammensetzt. „Künstlich“ meint, dass es sich um ein vom Menschen künstlich hergestelltes System handelt, also um eine Maschine. Mit dieser Maschine versucht man „Intelligenz“ – sprich bestimmte kognitive Fähigkeiten des Menschen – zu simulieren.

Der Begriff, im Englischen „Artificial Intelligence“ (kurz AI), wurde im Vorfeld eines Arbeitstreffens von Wissenschaftlern in den USA im Jahr 1955 geprägt. Sie vertraten die Ansicht, dass man Eigenschaften menschlicher Intelligenz so beschreiben kann, dass Maschinen sie lesen und ausführen können. Aus dieser Überlegung heraus haben sich seither KI-Technologien als ein Teilbereich der Informatik entwickelt.

Ziel von KI-Technologien ist es, Maschinen darin zu befähigen, intelligentes Verhalten nachzuahmen. Was jedoch genau als „echte“ Intelligenz zu verstehen ist, ist nicht eindeutig geklärt. Allgemein versteht man darunter etwa Fähigkeiten wie kommunizieren, Probleme lösen, logisch denken oder sich neuen Situationen anpassen zu können. Doch man kann auch Aufgaben besser als Menschen bewältigen, ohne das dafür zwingend hohe Intelligenzleistung erforderlich ist. Ein Taschenrechner etwa ist dem Menschen in seiner Rechenfähigkeit weit überlegen, wird deshalb aber nicht als „intelligent“ bezeichnet. Und eine KI kann zwar Fragen richtig beantworten, versteht aber weder die Bedeutung der Frage noch die der Antwort.

Grundsätzlich gilt: Es gibt nicht „die eine“ KI. Hinter dem Ausdruck Künstliche Intelligenz verbergen sich eine Vielzahl an unterschiedlichen Methoden und Technologien. Je nachdem welche Aufgabe eine KI umsetzen soll, können die Systeme in ihrer Funktion ganz unterschiedlich sein. Man kann KI-Systeme jedoch in zwei Arten unterteilen:

1. Starke KI

Bei der sogenannten „starken“ KI (General AI)versucht man Computersysteme zu bauen, die die intellektuellen Fähigkeiten des Menschen nachahmen oder diese sogar übertreffen können. Eine solche KI wäre in der Lage, verschiedene komplexe Aufgaben in multiplen Anwendungsbereichen zu verstehen und zu bewältigen. Diese Art der KI existiert bisher nicht. Sie ist eine Zukunftsvision und momentan nicht Schwerpunkt der Forschung. Es gibt auch Diskussionen darüber, ob so ein System technisch überhaupt realisierbar ist.

2. Schwache KI

Der Fokus in der KI-Entwicklung liegt vor allem auf der sogenannten „schwachen“ KI (Narrow AI). Also auf Systemen, die für einen klar definierten Aufgabenbereich konzipiert sind, um dort eine spezifischeAufgabe zu lösen. Schwache KI-Systeme besitzen keine Intelligenz und auch kein umfassendes Verständnis von der Welt. Dennoch können diese Systeme Erstaunliches leisten.

Denn dank der hohen Rechenleistung, der Verarbeitung enormer Datenmengen und ausgeklügelter Funktionen können KI-Systeme viel schneller zu Lösungen kommen als ein Mensch es kann. So hat im Jahr 1997 beispielsweise eine auf Schach spielen programmierte KI namens Deep Blue (IBM), den damaligen Schachweltmeister Garry Kasparov besiegt. In einem anderen Anwendungsbereich wäre diese KI jedoch unbrauchbar gewesen.

Einen sehr wichtigen Teilbereich der (schwachen) Künstlichen Intelligenz bilden sogenannte „lernende“ KI-Systeme. Sie sind auch bekannt unter dem Begriff „maschinelles Lernen“ (auf Englisch Machine Learning). Der Ansatz des maschinellen Lernens zählt aktuell zu den am häufigsten verwendeten Methoden der KI. Das maschinelle Lernen ist ein Ansatz, bei dem Computersysteme durch Beispiele lernen, indem sie Muster und Zusammenhänge in Daten erkennen und dies in einem statistischen Modell festhalten. Doch wie funktioniert das?

Phase 1: Training und Bewertung des Models

In unserem Beispiel möchten wir ein System trainieren, das zuverlässig Katzen auf Bildern erkennt. Der Computer lernt anhand von Beispielen und menschlichem Feedback, welche Eingabe zu der passenden Ausgabe gehört. In unserem Fall wäre die Eingabe das Bild einer Katze und die Ausgabe wäre die Feststellung „Das ist eine Katze!“. Als Trainingsdaten benötigt das System eine große Menge an Katzenbildern. Anhand dieser Trainingsdaten leitet das System relevante Muster und Regeln ab, die in diesen Daten vorliegen. Zum Beispiel, dass Katzen einen Schwanz haben, oder dass es sie in verschiedenen Farben gibt. Am Ende entsteht auf dieser Basis ein statistisches Modell, also eine mathematische Gleichung, die alle relevanten Zusammenhänge und Entscheidungsregeln enthält. Entwickler*innen korrigieren Ungenauigkeiten und Fehler im Modell und bewerten dessen Treffsicherheit.

Phase 2: Entscheidungen auf Basis des Modells  

Anschließend kann das Modell verwendet werden, um neue Daten zu verarbeiten und ähnliche Entscheidungen und Vorhersagen zu treffen. Manche Modelle sind dynamisch und können über die Testphase hinaus weiterlernen. Sie ziehen aus den neuen Daten Rückschlüsse und verbessern ihre Leistung und Funktionen. Aber es gibt auch statische Modelle, die sich nicht anpassen. Sie kommen zum Einsatz, wenn sich Daten nicht oder nur sehr langsam verändern.