Was ist künstliche Intelligenz? Wie Maschinelles Lernen funktioniert

Künstliche Intelligenz (KI) ist ein Technologiegebiet, das es Computern und Maschinen ermöglicht, menschliches Lernen, Verständnis, Problemlösung, Entscheidungsfindung, Kreativität und Autonomie zu simulieren, laut IBM.

Enge KI vs. allgemeine KI

IBM unterscheidet zwischen zwei breiten Kategorien. Enge KI, auch schwache KI genannt, umfasst Systeme, die für eine spezifische Aufgabe entwickelt wurden, wie einen Sprachassistenten oder einen Chatbot. Allgemeine KI oder starke KI bezieht sich auf ein theoretisches System mit breitem Verständnis über viele Aufgaben auf menschlichem oder übermenschlichem Niveau; IBM gibt an, dass solche Systeme derzeit nicht existieren.

Machine Learning: die Kraft hinter den meisten KI-Systemen

Machine Learning (ML) ist die Teilmenge der KI, die sich auf Algorithmen konzentriert, die Muster aus Trainingsdaten lernen und dann Schlussfolgerungen zu neuen Daten ziehen, erklärt IBM. Der Hauptunterschied zur traditionellen Programmierung besteht darin, dass ein Programmierer nicht jede Regel ausdrücklich festlegen muss. IBM gibt das Beispiel der Spamerkennung: Ein regelbasiertes Programm benötigt einen Menschen, der definiert, wie Spam aussieht, während ein ML-Modell die Spam-Charakteristiken lernt, indem es viele Beispiel-E-Mails selbstständig untersucht.

Drei Haupttypen des Lernens

Nach Angaben von IBM werden Machine-Learning-Systeme im Allgemeinen auf eine von drei Arten trainiert. Überwachtes Lernen verwendet gekennzeichnete Daten mit bekannten richtigen Antworten für Aufgaben wie Klassifizierung von Elementen oder Vorhersage eines kontinuierlichen Wertes wie eines Preises. Unüberwachtes Lernen arbeitet mit ungekennzeichneten Daten und sucht nach verborgenen Strukturen, wie das Gruppieren ähnlicher Kunden. Verstärkungslernen trainiert ein System durch Versuch und Irrtum und belohnt Aktionen, die es einem Ziel näher bringen, sodass es nach und nach eine optimale Strategie erlernt.

Wo KI bereits vorhanden ist

IBM listet Kundendienst-Chatbots, Betrugserkennung, personalisierte Marketingempfehlungen, KI-gestützte Personalbeschaffungs-Screening, Code-Generierungstools und vorausschauende Wartung als aktuelle Anwendungen auf. Separat erweitert IBMs Überblick über Machine Learning autonome Fahrzeuge, E-Mail-Spam-Filterung, Unterstützung bei medizinischer Diagnostik, Empfehlungs-Engines und Sprachübersetzung zu den bereits in Gebrauch befindlichen ML-gesteuerten Technologien.

Bekannte Einschränkungen: Halluzinationen und Voreingenommenheit

Generative KI-Systeme können "Halluzinationen" erzeugen – fabrizierte Informationen, die authentisch wirken, laut der Gruppe Teaching & Learning Technologies des MIT Sloan. MIT Sloan verweist auf einen häufig berichteten Fall, in dem ein Anwalt ChatGPT für Rechtsrecherche nutzte und das Tool Fallzitate erfand, die es nicht gab. Die Gruppe zitiert Forschungen, die zeigen, dass Chatbots allgemeinen Zwecks in 58% bis 82% der getesteten rechtlichen Anfragen halluzinierten, während spezialisierte juristische Tools mit Retrieval-Augmented Generation immer noch in mehr als 17% der Fälle halluzinierten.

MIT Sloan führt Halluzinationen auf drei Faktoren zurück: Trainingsdaten, die genaue und ungenaue Informationen vermischen, die Modelle reproduzieren können; das zugrunde liegende Design von Generativsystemen, die wie "erweiterte Autocompletion-Tools" funktionieren und plausible nächste Wörter vorhersagen, anstatt Fakten zu überprüfen; und architektonische Grenzen, die es Modellen ermöglichen, Muster auf neue, manchmal ungenaue Weise zu kombinieren, selbst mit sauberen Trainingsdaten.

Bezüglich Voreingenommenheit berichtet MIT Sloan, dass Studien herausgefunden haben, dass KI-Systeme Geschlechts- und Rassen-Stereotypen in generierten Bildern verstärken können und unterschiedliche Qualität von Feedback, Bewertung oder professionellen Empfehlungen je nach demografischen Hinweisen in einer Anfrage liefern. Die Gruppe führt dies auf Trainingsdaten zurück, die bestehende gesellschaftliche Vorurteile enthalten, die Modelle reproduzieren, ohne die Fähigkeit zu haben, richtig von falsch zu unterscheiden. IBMs Überblick kennzeichnet zusätzlich Datenrisiken wie Vergiftung oder eingebettete Voreingenommenheit, Modellrisiken wie Diebstahl oder Parametermanipulation und betriebliche Risiken wie Modelldrift als umfassendere Bedenken für Organisationen, die KI einsetzen.

Warum dies jetzt wichtig ist

IBM vermerkt, dass die moderne KI-Diskussion von Generativer KI dominiert wird – Systemen, die Originaltext, Bilder, Video und andere Inhalte erstellen, anstatt nur bestehende Daten zu klassifizieren oder vorherzusagen. Da diese Tools in Arbeitsplätzen, Schulen und alltäglichen Apps Einzug halten, hilft die gleiche zugrunde liegende Mechanik – das Lernen von Mustern aus Trainingsdaten – beide zu erklären: ihre Fähigkeiten und ihre dokumentierten Grenzen, einschließlich der Halluzinations- und Bias-Probleme, die MIT Sloan beschreibt.