Was KI tatsächlich ist
Knowledge Lounge
Von regelbasierten Systemen zu neuronalen Netzen: was KI tatsächlich ist, was nicht, und wie die Zweige zusammenhängen.
Was KI tatsächlich ist
Vier Abschnitte über die Grundlagen: was KI ist, was ein Modell ist, wie es lernt und was es nicht kann.
Software, die lernt
Klassische Software folgt Regeln, die eine Programmiererin geschrieben hat. Macht eine Nutzerin X, macht das Programm Y. Jeder mögliche Fall muss vorhergesehen und behandelt werden. Die Regeln sind explizit, lesbar und fest. KI funktioniert anders: Statt Regeln gibst du ihr Beispiele. Das Modell passt sich an, bis es das richtige Ergebnis besser vorhersagt. Niemand schreibt eine Regel für jeden Fall. Die Regeln entstehen aus den Daten.
Was ein Modell tatsächlich ist
Ein Modell ist eine mathematische Funktion mit Parametern: Milliarden numerischer Gewichte, die während des Trainings angepasst werden. Zeigst du dem Modell ein Beispiel, macht es eine Vorhersage. Die Vorhersage wird mit der richtigen Antwort verglichen. Die Differenz, der Fehler, wird genutzt, um die Gewichte ein Stück in die richtige Richtung zu schieben. Milliardenfach wiederholt konvergieren die Gewichte zu Mustern, die verallgemeinern.
Drei Arten des Lernens
Überwachtes Lernen: Das Modell lernt aus beschrifteten Beispielen (Eingabe plus richtige Ausgabe). Unüberwachtes Lernen: Das Modell findet Struktur in unbeschrifteten Daten. Bestärkendes Lernen: Das Modell lernt, indem es Aktionen ausführt und Belohnungen oder Strafen erhält. Die meiste KI, mit der du zu tun hast, einschließlich aller großen Sprachmodelle, wird mit einer Kombination aus überwachtem Lernen und bestärkendem Lernen aus menschlichem Feedback trainiert.
Was KI nicht ist
KI ist kein Bewusstsein. Sie ist kein denkender Akteur mit Absichten. Sie durchsucht keine Faktendatenbank. Ein Sprachmodell versteht nicht, was du schreibst, so wie du es tust. Es sagt vorher, was als Nächstes kommen sollte, basierend auf Mustern, die es im Training aufgenommen hat. Dieser Unterschied zählt am meisten, wenn etwas schiefgeht, und ihn zu verstehen ist das Fundament, um diese Systeme gut zu nutzen.
Zentrale Begriffe
Vier Begriffe, die dir in KI-Gesprächen ständig begegnen. Klicke sie an, um mehr zu lesen.
Zentrale Begriffe
Maschinelles Lernen ist der Zweig der KI, in dem Systeme aus Daten lernen, statt expliziten Regeln zu folgen. Ein Modell des maschinellen Lernens wird an Beispielen trainiert und passt seine internen Parameter an, um bei einer Aufgabe besser zu werden. Die zentrale Einsicht: Du definierst das Ziel, lieferst Daten und lässt den Trainingsprozess die Lösung finden. Das unterscheidet sich grundlegend von klassischer Programmierung, bei der die Programmiererin jeden Schritt festlegt.
Deep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netze mit vielen Schichten nutzt. Jede Schicht wandelt ihre Eingabe in eine abstraktere Repräsentation um. Die „Tiefe“ bezieht sich auf die Anzahl der Schichten. Deep Learning setzte sich um 2012 durch, als GPUs das Training großer Netze praktikabel machten. Fast alle moderne KI, einschließlich Sprachmodellen, Bildgeneratoren und Spracherkennung, nutzt Deep Learning.
Ein neuronales Netz ist eine Rechenstruktur, die lose vom Gehirn inspiriert ist. Es besteht aus Schichten von Knoten (Neuronen), die durch gewichtete Kanten mit Knoten in benachbarten Schichten verbunden sind. Während des Trainings werden die Gewichte angepasst, damit das Netz korrekte Ausgaben erzeugt. Die Architektur bestimmt, wie Information fließt. Transformer-Modelle, die Grundlage der meisten Sprachmodelle, sind eine spezifische neuronale Netzarchitektur, die 2017 vorgestellt wurde.
Trainingsdaten sind die Menge an Beispielen, aus denen ein Modell lernt. Ihre Qualität, Vielfalt und Menge bestimmen weitgehend, was das Modell kann. Ein Sprachmodell, das auf Internettexten trainiert wurde, lernt, die Muster von Internettexten nachzuahmen: sein Wissen, seine Verzerrungen, seine blinden Flecken. „Garbage in, garbage out“ ist ein Klischee, das zufällig zutrifft. Viele Probleme von KI-Systemen, einschließlich Halluzination und Verzerrung, lassen sich auf Probleme in den Trainingsdaten zurückführen.
Selbst testen
Vier Karten. Versuche, die Frage auf der Vorderseite zu beantworten, bevor du umdrehst.
Selbst testen
Was ist der Unterschied zwischen KI, maschinellem Lernen und Deep Learning?
↻ AufdeckenVerschachtelte Bereiche. KI ist die breiteste Kategorie: Systeme, die intelligente Aufgaben ausführen. Maschinelles Lernen ist eine Teilmenge: Systeme, die aus Daten lernen. Deep Learning ist eine Teilmenge des maschinellen Lernens: neuronale Netze mit vielen Schichten. Das meiste, was heute KI genannt wird, ist Deep Learning.
Was unterscheidet überwachtes von unüberwachtem Lernen?
↻ AufdeckenBeschriftungen. Überwachtes Lernen nutzt beschriftete Daten: Das Modell lernt aus Paaren von Eingabe und richtiger Ausgabe. Unüberwachtes Lernen findet Struktur in unbeschrifteten Daten. Überwachtes Lernen treibt das Training der meisten Sprachmodelle an. Unüberwachte Verfahren werden genutzt, um Repräsentationen zu lernen und Daten zu clustern.
Was ist schwache KI, und gibt es starke KI?
↻ AufdeckenSchwach, nicht stark. Jedes KI-System, das heute existiert, ist schwache KI: Es beherrscht eine Art von Aufgabe gut. Schwache KI kann Menschen bei bestimmten Aufgaben übertreffen (Schach, Proteinfaltung, Texterzeugung), kann diese Fähigkeit aber nicht auf andere Domänen übertragen. Starke KI, ein System, das über beliebige Domänen hinweg schlussfolgern kann, existiert nicht.
Was ist ein generatives KI-Modell?
↻ AufdeckenNeue Inhalte erzeugen. Generative KI erzeugt neue Inhalte, statt bestehende zu klassifizieren. Sprachmodelle erzeugen Text. Bildmodelle erzeugen Bilder. Audiomodelle erzeugen Sprache oder Musik. Die zentrale Fähigkeit: Das Modell lernt eine Verteilung über mögliche Ausgaben und zieht daraus Stichproben. Große Sprachmodelle sind ein spezifischer Typ generativer Modelle.
Prüfe dein Verständnis
Zwei Fragen, um zu prüfen, was hängen geblieben ist. Wähle eine Antwort.
Prüfe dein Verständnis
Was unterscheidet maschinelles Lernen grundlegend von klassischer Programmierung?
Prüfe dein Verständnis
Ein Sprachmodell lässt sich am besten beschreiben als:
Was du mitnimmst
KI ist keine Magie und kein Bewusstsein. Sie ist eine statistische Funktion, trainiert auf Daten. Dieser Blickwinkel ist die nützlichste Linse, um sowohl ihre Fähigkeiten als auch ihr Scheitern zu verstehen. Wenn ein Modell beeindruckend performt, liegt es daran, dass die Trainingsdaten Muster enthielten, die verallgemeinerten. Wenn es scheitert, liegt es daran, dass sich die Verteilung verschoben hat oder die Daten Lücken enthielten.
0 von 0 Fragen richtig
Ein Nugget, eine Idee: Wende sie heute noch einmal an. Wissen wird erst durch Wiederholung zu Können.