KI-Grundlagen
Künstliche Intelligenz verständlich erklärt: Modelle, Daten, Training und Grenzen.
Was bedeutet künstliche Intelligenz?
Der Begriff umfasst Verfahren, die aus Daten Muster ableiten und Aufgaben bearbeiten, die bisher menschliche Wahrnehmung oder Entscheidung erforderten. Nicht jedes automatisierte Programm ist KI. Entscheidend sind Lernverfahren, statistische Modelle und die Art, wie Ergebnisse in einen konkreten Kontext gelangen.
Von Daten zu Ergebnissen
Ein Modell wird mit Beispielen entwickelt, geprüft und in einer Anwendung eingesetzt. Qualität hängt von Daten, Zieldefinition, Messung und menschlicher Kontrolle ab. Ein plausibel formulierter Text ist deshalb nicht automatisch eine verlässliche Auskunft.
| Begriff | Einordnung |
|---|---|
| Training | Erkennen statistischer Muster anhand von Beispielen. |
| Inference | Anwendung eines trainierten Modells auf neue Eingaben. |
| Bias | Systematische Verzerrung in Daten oder Ergebnissen. |
Technische Systeme sind nur so nachvollziehbar wie die Daten und Entscheidungen, die in sie einfliessen.
Von der Idee zum eingesetzten System
Bis ein KI-System produktiv eingesetzt wird, durchläuft es mehrere Phasen. Die folgende Übersicht zeigt einen typischen, vereinfachten Ablauf.
- Problem und Zieldefinition: Welche Aufgabe soll unterstützt werden?
- Datensammlung: Auswahl und Aufbereitung geeigneter Beispiele.
- Training: Entwicklung des Modells anhand der gesammelten Daten.
- Evaluation: Prüfung auf Genauigkeit, Verzerrung und Grenzfälle.
- Einsatz und Überwachung: Beobachtung der Ergebnisse im laufenden Betrieb.
Verschiedene Arten von Systemen
Regelbasierte Systeme
Arbeiten mit fest vorgegebenen Wenn-Dann-Regeln, ohne aus neuen Daten zu lernen.
Klassifizierende Modelle
Ordnen Eingaben bestehenden Kategorien zu, etwa bei der Sortierung von Dokumenten.
Generative Modelle
Erzeugen neue Texte, Bilder oder Daten auf Basis gelernter Muster.
Häufige Fragen zu den Grundlagen
Ist jedes automatisierte Programm künstliche Intelligenz?
Nein. Entscheidend ist, ob ein System aus Daten lernt, statt ausschliesslich festen Regeln zu folgen.
Kann ein Modell vollständig fehlerfrei sein?
Nein, jedes Modell hat Grenzen. Deshalb ist eine kontinuierliche Überwachung nach dem Einsatz wichtig.
Wie hängen Daten und Ergebnisqualität zusammen?
Die Qualität eines Modells kann die Qualität und Repräsentativität der Trainingsdaten nicht übertreffen.
Einschätzungen aus der Redaktion
Grundlagenwissen schützt vor Übertreibung in beide Richtungen.
Ein Modell ist ein Werkzeug, keine Autorität.
Wer die Datenbasis kennt, versteht auch die Grenzen des Ergebnisses.