Einführung in Künstliche Intelligenz
In dieser interaktiven Lerneinheit erwirbst du grundlegendes Wissen über Künstliche Intelligenz, ihre Definition und zentrale Konzepte wie Algorithmen und neuronale Netzwerke. Du lernst die wichtigsten Unterschiede zwischen menschlicher und künstlicher Intelligenz kennen und verstehst die Eigenschaften symbolischer und subsymbolischer KI-Systeme. Diese Grundlagen helfen dir, aktuelle KI-Technologien besser einzuschätzen und ihre Einsatzmöglichkeiten in der Praxis zu erkennen.
Einführung
Hinweis:
Der neue Prüfungskatalog berücksichtigt künstliche Intelligenz (KI) als relevantes Thema in verschiedenen Bereichen. Um eine gezielte und praxisnahe Auseinandersetzung zu ermöglichen, behandeln wir es in einem separaten Modul.
Nachrichten wie “ChatGPT schreibt bessere Gedichte als Menschen!” oder “KI entwickelt selbstständig neue Medikamente!” klingen beeindruckend. Doch wie intelligent ist KI wirklich?
Während AlphaGo, eine von Google DeepMind entwickelte Künstliche Intelligenz, den damaligen Weltmeister im komplexen Brettspiel Go besiegte - eine Leistung, die zuvor als unerreichbar für Computer galt -, wäre es völlig unfähig, ein einfaches Objekt wie einen Stuhl zu erkennen. Chatbots schreiben überzeugende Texte, ohne deren Bedeutung wirklich zu verstehen.
In dieser Lerneinheit klären wir, was künstliche Intelligenz ist, welche grundlegenden Prinzipien dahinterstecken und wie sich verschiedene Konzepte der künstlichen Intelligenz unterscheiden.
Lernziele
Nach dieser Lerneinheit kannst du:
- Die Konzepte von Intelligenz und künstlicher Intelligenz erklären
- Den Begriff “Algorithmus” definieren und verstehen
- Den Unterschied zwischen schwacher und starker KI beschreiben
- Die Unterschiede zwischen symbolischer und subsymbolischer KI erläutern
- Die grundlegenden Prinzipien neuronaler Netze verstehen
- Die Bedeutung von Mustererkennung in der KI einordnen
Überleitung
Die scheinbar widersprüchlichen Fähigkeiten von KI-Systemen - brillant in manchen Bereichen, erstaunlich schwach in anderen - werfen grundlegende Fragen auf:
- Was macht Intelligenz eigentlich aus?
- Wie unterscheidet sich die Art, wie Computer “denken”, von unserem menschlichen Denken?
Um diese Fragen zu beantworten, betrachten wir zunächst die Grundlagen beider Intelligenzformen.
Was ist Intelligenz?
Definition von Intelligenz
Intelligenz beschreibt die Fähigkeit, aus Erfahrungen zu lernen, Probleme zu lösen und sich an neue Situationen anzupassen. Im Kontext menschlicher Intelligenz umfasst dies verschiedene Aspekte:
- Kognitive Fähigkeiten: Lernen, abstraktes Denken und kreative Problemlösung
- Emotionale Intelligenz: Verständnis und Interpretation von Emotionen, empathische Reaktionen
- Soziale Kompetenzen: Interaktion mit anderen, Anpassung an soziale Situationen
- Kreativität: Erschaffung von Neuem, originelle Ideenentwicklung
Menschliche Intelligenz
Menschliche Intelligenz zeichnet sich besonders durch ihre Flexibilität und Anpassungsfähigkeit aus. Menschen können:
- Aus Erfahrungen lernen und diese auf neue Situationen übertragen
- Komplexe Probleme durch abstraktes Denken lösen
- Sich schnell an unerwartete Situationen anpassen
- Empathisch auf emotionale Situationen reagieren
- Kreative und originelle Lösungen entwickeln
Diese Fähigkeiten basieren auf der komplexen Vernetzung unseres Gehirns und der Fähigkeit, Informationen kontextabhängig zu verarbeiten und zu interpretieren. Die menschliche Intelligenz ist dabei nicht auf einzelne Bereiche beschränkt, sondern kann flexibel in verschiedensten Situationen eingesetzt werden.
Was ist Künstliche Intelligenz?
Definition von Künstlicher Intelligenz (KI)
KI ist ein Teilbereich der Informatik, der sich mit der Automatisierung intelligenten Verhaltens befasst. Ziel ist es, Maschinen zu schaffen, die Aufgaben lösen können, die typischerweise menschliche Intelligenz erfordern.
Merkmale von KI
- Automatisierung: KI übernimmt Aufgaben, die sonst Menschen erledigen würden.
- Datengetrieben: KI-Systeme lernen aus großen Datenmengen.
- Mustererkennung: KI kann Muster und Zusammenhänge erkennen, die für Menschen schwer zu erfassen sind.
- Autonome Entscheidungsfindung: KI kann eigenständig Entscheidungen treffen, z. B. in autonomen Fahrzeugen oder Empfehlungssystemen.
Arten der Künstlichen Intelligenz
KI lässt sich in zwei Hauptarten unterteilen:
| Schwache KI | Starke KI |
|---|---|
| Entwickelt für eine spezifische Aufgabe. | Hypothetische KI mit menschenähnlicher Intelligenz. |
| Beispiel: Sprachassistenten (Siri, Alexa), Bildverarbeitung, Schachprogramme. | Könnte eigenständig lernen, denken und sich anpassen. |
| Arbeitet innerhalb festgelegter Regeln und kann keine echten Schlussfolgerungen ziehen. | Bisher nur theoretisch, kein existierendes System erfüllt diese Kriterien. |
Vergleich zwischen menschlicher und künstlicher Intelligenz
| Eigenschaft | Menschliche Intelligenz | Künstliche Intelligenz |
|---|---|---|
| Lernfähigkeit | Erfahrungsbasiert, kreativ | Datengetrieben, begrenzt auf gelernte Muster |
| Anpassungsfähigkeit | Sehr hoch | Abhängig von Algorithmen und Datenqualität |
| Emotionale Intelligenz | Ja, inkl. Empathie | Kann Emotionen simulieren, aber nicht verstehen |
| Problemlösung | Flexibel, kreativ | Basierend auf bekannten Mustern |
| Kreativität | Hoch | Kombiniert bestehende Daten, aber keine echte Kreativität |
Symbolische vs. Subsymbolische KI
Die Entwicklung der Künstlichen Intelligenz basiert auf zwei grundlegenden Ansätzen, die sich in ihrer Funktionsweise und ihren Anwendungsgebieten unterscheiden. Während der eine Ansatz auf fest definierten Regeln beruht, nutzt der andere große Datenmengen, um selbstständig Muster zu erkennen.
Symbolische KI (Regelbasierte KI)
- Arbeitet mit expliziten Regeln und Symbolen.
- Nutzt logische Schlussfolgerungen zur Problemlösung.
- Anwendungsbereiche: Expertensysteme, natürliche Sprachverarbeitung, logikbasierte Systeme.
Beispiel: Ein Expertensystem für medizinische Diagnosen kann Regeln wie “Wenn Patient Fieber hat und Husten auftritt, dann könnte eine Grippe vorliegen” anwenden.
| Vorteile | Nachteile |
|---|---|
| Verständlich und nachvollziehbar. | Schwer erweiterbar, da alle Regeln manuell definiert werden müssen. |
| Gut für klar definierte Probleme. | Probleme mit Unsicherheiten und komplexen Daten. |
Subsymbolische KI (Datengetriebene KI)
- Arbeitet mit statistischen Modellen.
- Erlernt Muster aus Daten statt vordefinierter Regeln.
- Anwendungsbereiche: Bilderkennung, Spracherkennung, Robotik
Beispiel: Ein KI-System wird mit Tausenden von Bildern eines Hundes trainiert. Es erkennt daraufhin automatisch neue Bilder desselben Hundetyps, ohne dass explizite Regeln vorgegeben wurden.
| Vorteile | Nachteile |
|---|---|
| Hohe Flexibilität, kann aus Daten lernen. | Wenig nachvollziehbar (Black-Box-Problem). |
| Besonders leistungsfähig bei großen Datenmengen. | Hoher Rechenaufwand. |
Was ist ein Algorithmus?
Nachdem wir die Grundlagen von Intelligenz und den verschiedenen Ansätzen der künstlichen Intelligenz kennengelernt haben, stellt sich die Frage, wie diese Systeme tatsächlich funktionieren. Ein zentrales Element sind Algorithmen, die festlegen, wie Aufgaben Schritt für Schritt gelöst werden.
Was ist ein Algorithmus?
Ein Algorithmus ist eine klare Abfolge von Anweisungen zur Lösung eines Problems. Er beschreibt präzise, wie eine Aufgabe schrittweise bearbeitet wird.
Beispiel:
Ein einfacher Algorithmus zur Bestimmung der kleineren von zwei Zahlen:
def minimum(a, b):
if a < b:
return a
else:
return bEin Algorithmus muss eindeutig, endlich und ausführbar sein – das bedeutet, dass er klare Regeln hat, nach einer bestimmten Anzahl von Schritten endet und für jede Eingabe eine Lösung liefert.
Wie funktioniert und lernt ein Neuronales Netzwerk?
Bevor wir uns mit neuronalen Netzen beschäftigen, ist es hilfreich, ihren Platz innerhalb der künstlichen Intelligenz zu verstehen.
- Künstliche Intelligenz (KI) umfasst alle Methoden, mit denen Computer menschenähnliche Denkprozesse nachahmen – etwa beim Erkennen von Mustern oder Treffen von Entscheidungen.
- Maschinelles Lernen (ML) ist ein Teilbereich der KI, in dem Systeme aus Daten lernen, anstatt für jede Aufgabe explizit programmiert zu werden.
- Deep Learning (DL) ist eine spezialisierte Form des maschinellen Lernens, die künstliche neuronale Netze nutzt, um besonders komplexe Probleme zu lösen.
- Neuronale Netze sind der zentrale Mechanismus hinter Deep Learning. Sie verarbeiten Informationen ähnlich wie das menschliche Gehirn und erkennen dabei eigenständig Muster.
- Generative KI (Generative AI) ist eine Unterkategorie von Deep Learning. Sie kann nicht nur Muster erkennen, sondern auch neue Inhalte wie Texte, Bilder oder Musik erzeugen.
Was ist ein Neuron?
Ein Neuron ist die “grundlegende Einheit” des menschlichen Gehirns – eine spezialisierte Zelle, die Informationen durch elektrische und chemische Signale weiterleitet. Künstliche neuronale Netze orientieren sich an diesem Prinzip:
Jedes künstliche Neuron verarbeitet Eingaben, gewichtet sie und gibt ein Signal weiter. Durch das Zusammenspiel vieler Neuronen entstehen leistungsfähige Netzwerke, die komplexe Muster erkennen und daraus lernen können.
Wie funktionieren neuronale Netze?
Neuronale Netze sind eine Methode des maschinellen Lernens, die sich an der Funktionsweise des menschlichen Gehirns orientieren. Sie bestehen aus künstlichen Neuronen, die in mehreren Schichten angeordnet sind.
Die Struktur eines neuronalen Netzwerks:
- Eingabeschicht (Input-Layer): Nimmt die Daten auf (z. B. ein Bild oder eine Zahl) und leitet sie weiter.
- Verborgene Schichten (Hidden-Layer): Verarbeiten die Informationen, erkennen Muster und abstrahieren Merkmale.
- Ausgabeschicht (Output-Layer): Liefert das Ergebnis, z. B. die Klassifikation eines Bildes als “Katze” oder “Hund”.
Wie lernt ein neuronales Netz?
Der Lernprozess läuft in mehreren Schritten ab:
-
Start mit zufälligen Entscheidungen Zu Beginn trifft das Netzwerk zufällige Vorhersagen, weil es noch keine Muster kennt.
-
Fehlermessung Das System vergleicht seine Vorhersage mit dem richtigen Ergebnis und berechnet den Fehler. Dabei wird nicht nur festgestellt, ob die Antwort falsch ist, sondern auch, wie stark sie von der korrekten Lösung abweicht. Das dient als Grundlage für die Optimierung des Netzwerks.
-
Anpassung der Verbindungen Die Verbindungen zwischen den Neuronen werden so verändert, dass der Fehler schrittweise minimiert wird. Dies geschieht mit speziellen mathematischen Verfahren.
-
Wiederholung Der Prozess wird tausende Male wiederholt, bis das Netzwerk die richtigen Muster gelernt hat.
Wie funktioniert ChatGPT?
Bevor wir verstehen, wie ChatGPT funktioniert, müssen wir klären, was GPT eigentlich bedeutet. GPT steht für “Generative Pre-trained Transformer” und bezeichnet ein Sprachmodell, das auf großen Textmengen trainiert wurde, um Texte zu generieren und sinnvolle Antworten auf Eingaben zu liefern.
- Generative → Das Modell kann selbstständig Texte erzeugen.
- Pre-trained → Es wurde vorab mit riesigen Mengen an Textdaten trainiert.
- Transformer → Es nutzt eine spezielle Architektur (das Transformer-Modell), die Kontext und Beziehungen zwischen Wörtern erkennt und verarbeitet.
Wie funktioniert ChatGPT?
ChatGPT basiert auf unterschiedlichen Modellen der GPT-Reihe, darunter GPT-4, das schätzungsweise 1,8 Billionen Parameter besitzt. Damit ist GPT-4 über zehnmal so groß wie sein Vorgänger GPT-3, das über 175 Milliarden Parameter hatte.
Was bedeuten diese Größen?
Die Anzahl der Parameter gibt an, wie viele Zahlenwerte das Modell nutzt, um Sprache zu verarbeiten. Ein größerer Wert bedeutet komplexere Mustererkennung, aber auch höheren Rechenaufwand.
Zum Vergleich:
- GPT-1 (2018): 117 Millionen Parameter
- GPT-3 (2020): 175 Milliarden Parameter
- GPT-4 (2023): Schätzungsweise 1,8 Billionen Parameter
Tokenisierung
Wenn wir mit ChatGPT interagieren, wird unser Text zunächst in sogenannte Tokens zerlegt. Ein Token ist die kleinste Verarbeitungseinheit und entspricht oft einer Silbe oder einem häufigen Wort. In der englischen Sprache entspricht ein Token etwa drei Vierteln eines Wortes.
Beispiel für die Tokenisierung
Die Anzahl der Tokens, die ein Modell auf einmal verarbeiten kann, wird als Kontextfenster oder Kontextlänge bezeichnet. Wenn diese Grenze überschritten wird, beginnt das Modell, frühere Informationen zu „vergessen“, was zu Halluzinationen führen kann.
Größenvergleich für das Kontextfenster: GPT-4 hat ein Kontextfenster von 32.000 Tokens, was etwa 24.000 englischen Wörtern entspricht.
Wie viel Text ist das?
- Eine Standard-Buchseite enthält etwa 250–300 Wörter.
- 24.000 Wörter entsprechen also ungefähr 80 bis 100 Buchseiten.
- Zum Vergleich: Die Anzahl des bisherigen Wörter aus dieser Lerneinheit beträgt ca. 2400
Halluzinationen
Eine Halluzination bezeichnet eine falsche, aber glaubwürdig klingende Aussage, die das Modell generiert. Da GPT darauf trainiert ist, plausible Texte zu produzieren – und nicht zwingend wahre Fakten –, kann es passieren, dass es falsche Informationen erfindet.
Beispiel:
Frage: „Welche neuen Entdeckungen des James-Webb-Weltraumteleskops (JWST) kann ich meinem 9-jährigen Kind erzählen?“
Halluzinierte Antwort: “Das JWST hat die ersten Bilder eines Exoplaneten außerhalb unseres Sonnensystems aufgenommen.”
Warum ist das falsch? Das erste Bild eines Exoplaneten wurde bereits 2004 vom Very Large Telescope (VLT) aufgenommen – nicht vom JWST.
Diese falsche Antwort wurde 2023 in einer offiziellen Demo von Googles damaligem KI-Modell Bard gezeigt. Der Fehler sorgte für Kritik und führte zu einem Kursrutsch der Google-Aktie, da er Zweifel an der Zuverlässigkeit des Modells aufwarf.
Zusammenfassung und Ausblick
Zusammenfassung
In dieser Lerneinheit hast du eine Einführung in die Grundlagen der Künstlichen Intelligenz (KI) bekommen. Wir haben uns mit den folgenden Kernpunkten beschäftigt:
Intelligenz und Künstliche Intelligenz
- Du hast die verschiedenen Facetten menschlicher Intelligenz kennengelernt – von kognitiven über emotionale bis hin zu sozialen Fähigkeiten und Kreativität.
- KI wurde als Teilbereich der Informatik definiert, der sich mit der Automatisierung intelligenten Verhaltens befasst. Es geht darum, Maschinen zu entwickeln, die Aufgaben lösen, für die normalerweise menschliche Intelligenz nötig ist.
Merkmale und Arten von KI
- Du kennst jetzt die wichtigsten Merkmale von KI: Automatisierung, Datengetriebenheit, Mustererkennung und die Fähigkeit zur autonomen Entscheidungsfindung.
- Die Unterscheidung zwischen schwacher und starker KI wurde betrachtet. Es wurde deutlich, dass aktuelle KI-Systeme hauptsächlich schwache KI sind, die für bestimmte Aufgaben entwickelt werden.
Menschliche vs. Künstliche Intelligenz
- Du hast einen Vergleich zwischen menschlicher und künstlicher Intelligenz durchgeführt, um Unterschiede in Lernfähigkeit, Anpassungsfähigkeit, emotionaler Intelligenz, Problemlösung und Kreativität zu verstehen.
Ansätze der Künstlichen Intelligenz
- Wir haben uns die zwei Hauptansätze der KI angesehen:
- Symbolische KI (regelbasiert): Sie arbeitet mit Regeln und Logik. Du hast verstanden, dass sie gut für klare Probleme ist, aber bei komplexen Daten und der Erweiterung Schwierigkeiten hat.
- Subsymbolische KI (datengesteuert): Sie nutzt statistische Modelle und lernt aus Daten. Du weißt jetzt, dass sie flexibler sein kann und mit großen Datenmengen gut funktioniert, aber schwer nachvollziehbar ist (Black Box).
Algorithmen und Neuronale Netzwerke
- Die grundlegende Rolle von Algorithmen für KI wurde betont und ihre wichtigen Eigenschaften (Eindeutigkeit, Endlichkeit usw.) definiert.
- Du hast am Beispiel Neuronaler Netzwerke und ChatGPT Einblicke in die Funktionsweise moderner KI-Systeme bekommen. Du verstehst jetzt die Grundlagen des datengetriebenen Lernens, die Rolle von Parametern und die Tokenisierung bei Sprachmodellen wie ChatGPT.
- Du kennst das Phänomen der Halluzinationen bei KI-Modellen, bei denen falsche aber glaubwürdig klingende Aussagen generiert werden.
Ausblick:
In der nächsten Lerneinheit werden wir uns mit den Anwendungsbereichen der Künstlichen Intelligenz beschäftigen. Du wirst sehen, wo KI heute eingesetzt wird und wie sie verschiedene Bereiche beeinflusst. Es wird darum gehen, die praktische Seite der KI kennenzulernen.