Künstliche Intelligenz (KI)

Definition

Künstliche Intelligenz (KI) ist sowohl eine wissenschaftliche Disziplin als auch ein Sammelbegriff für technische Systeme, die Aufgaben lösen, deren Bewältigung beim Menschen Intelligenz erfordert. Dazu zählen Wahrnehmen, Schlussfolgern, Planen, Lernen, Verstehen natürlicher Sprache und Handeln in komplexen Umgebungen. Die Definition ist bewusst breit, weil sich der Begriff von Intelligenz selbst der scharfen Festlegung entzieht.

Stuart Russell und Peter Norvig definieren KI in ihrem Standardwerk als das Studium von Agenten, die Wahrnehmungen aus der Umgebung empfangen und Handlungen ausführen, um Ziele zu erreichen. Diese agentenorientierte Sicht prägt die akademische KI bis heute.

Im öffentlichen Sprachgebrauch hat sich KI seit etwa 2022, mit der breiten Wahrnehmung von ChatGPT, fast deckungsgleich mit grossen Sprachmodellen besetzt. Diese Verengung ist medial verständlich, aber sachlich unscharf: Bildklassifikation, Empfehlungssysteme und Robotik sind ebenfalls KI.

Geschichte

Die Vorgeschichte reicht zurück bis zu Alan Turing, dessen Aufsatz Computing Machinery and Intelligence von 1950 die Frage stellte, ob Maschinen denken können, und mit dem Imitation Game (Turing-Test) einen operationalen Vorschlag machte. Der Begriff Artificial Intelligence wurde 1956 am Dartmouth Workshop von John McCarthy geprägt. In den ersten Jahrzehnten dominierte die symbolische KI mit Regeln, Logik und Expertensystemen.

Auf zwei KI-Winter (Ende 1970er, Ende 1980er) folgte ab etwa 2010 ein Aufschwung durch tiefe neuronale Netze, der mit AlexNet 2012 für Bildklassifikation einen Wendepunkt erreichte. 2017 stellte Google die Transformer-Architektur vor, die seit etwa 2020 die Grundlage moderner Sprachmodelle bildet. Mit GPT-3 (2020) und ChatGPT (2022) wurde generative KI massentauglich.

Praxis und Anwendung

KI ist heute Bestandteil zahlreicher Produkte und Prozesse:

• Sprachverarbeitung: Übersetzung, Zusammenfassung, Chatbots, Voice-Assistenten.
• Bildverarbeitung: Gesichtserkennung, medizinische Bildanalyse, Qualitätskontrolle.
• Empfehlung: Streaming, E-Commerce, Werbung, Social-Media-Feeds.
• Entscheidungsunterstützung: Kreditvergabe, Versicherungs-Pricing, Logistikplanung.
• Robotik: Industrieroboter, Logistik, autonomes Fahren.
• Wissenschaft: Proteinfaltung (AlphaFold), Klima-Modellierung, Wirkstoffsuche.

In Unternehmen ist KI oft als API-Service integriert, etwa über Anbieter wie OpenAI, Anthropic, Google oder Meta. Daneben existiert ein wachsendes Ökosystem an Open-Source-Modellen, das lokale oder selbstgehostete Anwendungen ermöglicht.

Häufige Fehler

• KI mit ChatGPT gleichsetzen: Sprachmodelle sind nur ein Ausschnitt. Bildklassifikation, Reinforcement Learning, klassische Optimierung und symbolische Verfahren gehören ebenfalls dazu.
• KI als magisch verstehen: KI-Systeme sind statistische Mustererkenner, die auf Trainingsdaten und Modellarchitektur basieren. Wer sie als magisch begreift, übersieht systematische Schwächen.
• Trainingsdaten unterschätzen: Die Qualität von KI-Systemen hängt massiv von der Qualität, Diversität und Aktualität ihrer Trainingsdaten ab.
• Verallgemeinerung von Benchmarks: Ein Modell, das in einem Benchmark glänzt, kann in realen Anwendungen versagen, wenn Verteilung und Kontext abweichen.
• Ignorieren von Halluzinationen: Sprachmodelle erfinden Fakten plausibel klingend. Ohne Grounding ist das eine produktive Falle.

Abgrenzung

• Automatisierung: Klassische Automatisierung folgt festen Regeln und ist nicht KI. KI lernt oder schliesst auf Basis von Daten.
• Machine Learning: Teilgebiet der KI, das Lernen aus Daten in den Mittelpunkt stellt.
• Deep Learning: Teilgebiet des Machine Learning, das mit tiefen neuronalen Netzen arbeitet.
• Statistik: Verwandte Disziplin, deren Methoden vielen ML-Verfahren zugrunde liegen, jedoch andere Zielsetzungen verfolgt (Inferenz statt Vorhersage).
• Robotik: Eigenständiges Feld, das KI nutzen kann, aber auch klassische Steuerungs- und Mechanik-Aspekte enthält.