Als KI-Engineer werde ich häufig mit einer Flut von Buzzwords und Marketing-Begriffen konfrontiert, die mehr verwirren als erklären. In dieser Episode von Attention Heads möchte ich zusammen mit Marius Högger Klarheit in den Begriffsdschungel der künstlichen Intelligenz bringen.
Ein klassischer Algorithmus ist wie ein Kochrezept: Eine vorgegebene Abfolge von Schritten, die zu einem bestimmten Ergebnis führt. Nehmen wir als Beispiel die Bilderkennung: Ein traditioneller Algorithmus würde nach vordefinierten Mustern suchen – Linien, Formen, Kontraste – um etwa ein Haus zu erkennen. Die Regeln sind fest einprogrammiert.
Künstliche Intelligenz hingegen funktioniert fundamental anders. Statt expliziter Regeln verwendet sie künstliche Neuronen, die ähnlich wie im menschlichen Gehirn miteinander verbunden sind. Diese Neuronen werden durch Training mit Beispieldaten "eingestellt". Zeigt man dem System tausende Bilder von Häusern, lernt es selbstständig die relevanten Merkmale zu erkennen. Der entscheidende Unterschied: Wir Entwickler müssen nicht mehr spezifizieren, wie ein Haus aussieht – das System lernt es aus den Daten.
Data Science ist der Prozess, aus Daten Wissen zu generieren. Dabei geht es um das Sammeln, Aufbereiten und Analysieren von Daten, um daraus Erkenntnisse zu gewinnen. Machine Learning ist dabei ein mächtiges Werkzeug im Arsenal des Data Scientists, aber nicht das einzige. Während klassische Data Science oft mit statistischen Methoden arbeitet, kommt Machine Learning dann zum Einsatz, wenn die Datenmenge oder Komplexität für traditionelle Analysen zu gross wird.
Ein einfaches Beispiel ist die Vorhersage von Immobilienpreisen: Ein Data Scientist könnte die Preisentwicklung der letzten Jahre visualisieren und analysieren. Wenn aber zusätzlich Faktoren wie Lage, Grösse, Ausstattung und wirtschaftliche Indikatoren berücksichtigt werden sollen, wird Machine Learning zur effektiveren Option.
Der Übergang von Machine Learning zu künstlicher Intelligenz ist fliessend. Während Machine Learning sich typischerweise auf einzelne, spezifische Aufgaben konzentriert, zeichnet sich KI durch ihre Vielseitigkeit aus. ChatGPT beispielsweise kann nicht nur Texte analysieren, sondern auch Gedichte schreiben, Programmcode erklären und logische Schlüsse ziehen.
Dennoch sind wir noch weit von einer "Artificial General Intelligence" (AGI) entfernt – einer KI, die dem Menschen in allen Bereichen ebenbürtig oder überlegen wäre. Aktuelle KI-Systeme sind trotz ihrer beeindruckenden Fähigkeiten in ihrer jeweiligen Modalität (Text, Bild, Audio) gefangen und können nicht wie Menschen modalitätsübergreifend lernen und verstehen.
Der Begriff "Chatbot" ist historisch vorbelastet. Frühere Chatbots waren simple, regelbasierte Systeme mit vordefinierten Antworten. Moderne KI-Systeme wie ChatGPT als Chatbot zu bezeichnen, wird ihrer Komplexität und Fähigkeiten nicht gerecht. Ähnlich verhält es sich mit dem Suffix "-bot" generell, das eher an mechanische, vorprogrammierte Systeme erinnert.
Begriffe wie "Assistant" oder "Agent" sind dagegen treffender, da sie die intelligente, adaptive Natur moderner KI-Systeme besser widerspiegeln. "Copilot" positioniert die KI als unterstützenden Begleiter, was der tatsächlichen Rolle dieser Systeme oft besser entspricht.
Trotz aller beeindruckenden Fähigkeiten ist ChatGPT im Kern eine mathematische Funktion – wenn auch eine sehr komplexe mit Milliarden von Parametern. Das System generiert immer nur das nächste Wort basierend auf dem bisherigen Kontext. Die scheinbare Kreativität und Variabilität in den Antworten entsteht durch kontrollierte Zufallselemente, die als "Temperatur" bezeichnet werden.
Diese technische Realität zu verstehen ist wichtig, um sowohl übertriebene Ängste als auch unrealistische Erwartungen zu vermeiden. KI-Systeme haben weder Gefühle noch Bewusstsein – sie sind hochentwickelte Textvorhersagemodelle, die durch geschicktes Training erstaunliche Ergebnisse erzielen können.
Die Welt der KI ist komplex, aber nicht unverständlich. Wichtig ist, Marketing-Begriffe kritisch zu hinterfragen und die tatsächliche Technologie dahinter zu verstehen. Nur so können wir als Gesellschaft einen informierten Dialog über die Möglichkeiten und Grenzen dieser Technologie führen.
Diese Episode von Attention Heads ist ein Beitrag zu diesem Dialog. Hören Sie rein und lernen Sie, die Marketingsprache von der technischen Realität zu unterscheiden.
Ein klassischer Algorithmus folgt einer vordefinierten Abfolge von Schritten, ähnlich einem Kochrezept. KI hingegen verwendet künstliche Neuronen, die durch Training mit Beispieldaten selbstständig lernen. Bei der KI müssen Entwickler keine expliziten Regeln programmieren, da das System eigenständig aus den Daten lernt.
Data Science ist der übergeordnete Prozess der Wissensgenerierung aus Daten, der Sammlung, Aufbereitung und Analyse umfasst. Machine Learning ist dabei ein spezifisches Werkzeug, das besonders bei grossen Datenmengen oder komplexen Analysen zum Einsatz kommt, während klassische Data Science oft mit statistischen Methoden arbeitet.
Der Begriff 'Chatbot' ist historisch mit einfachen, regelbasierten Systemen verbunden und wird der Komplexität moderner KI-Systeme wie ChatGPT nicht gerecht. Begriffe wie 'Assistant' oder 'Agent' sind passender, da sie die intelligente, adaptive Natur dieser Systeme besser beschreiben.
Aktuelle KI-Systeme sind auf spezifische Modalitäten (Text, Bild, Audio) beschränkt und können nur innerhalb dieser Grenzen arbeiten. AGI hingegen würde eine künstliche Intelligenz beschreiben, die dem Menschen in allen Bereichen ebenbürtig oder überlegen wäre und modalitätsübergreifend lernen und verstehen könnte.
ChatGPT ist im Kern eine komplexe mathematische Funktion mit Milliarden von Parametern. Das System generiert das jeweils nächste Wort basierend auf dem bisherigen Kontext. Die scheinbare Kreativität entsteht durch kontrollierte Zufallselemente, die als 'Temperatur' bezeichnet werden.
Machine Learning konzentriert sich typischerweise auf einzelne, spezifische Aufgaben, während sich KI durch ihre Vielseitigkeit auszeichnet. KI-Systeme wie ChatGPT können multiple Aufgaben ausführen, von Textanalyse über Programmierung bis hin zu logischen Schlussfolgerungen.
Nein, KI-Systeme haben weder echtes Verständnis noch Bewusstsein oder Gefühle. Sie sind hochentwickelte Textvorhersagemodelle, die durch umfangreiches Training sehr überzeugende Ergebnisse liefern können, aber im Kern mathematische Funktionen bleiben.
.
Copyright 2025 - Joel P. Barmettler