Künstliche Intelligenz ist das neue heiße Ding unserer Zeit – es scheint, als ob jedes Unternehmen darüber spricht, wie es durch die Nutzung oder Entwicklung von KI Fortschritte macht. Aber das Feld der KI ist auch so voll von Fachjargon, dass es bemerkenswert schwierig sein kann zu verstehen, was bei jeder neuen Entwicklung tatsächlich passiert.
Um dir besser zu helfen zu verstehen, was vor sich geht, habe ich eine Liste der häufigsten KI-Begriffe zusammengestellt. Ich werde mein Bestes tun, um zu erklären, was sie bedeuten und warum sie wichtig sind.
Künstliche Intelligenz (engl. artificial intelligence): Oft abgekürzt als KI (engl. AI), bezieht sich der Begriff „künstliche Intelligenz“ technisch gesehen auf das Fachgebiet der Informatik, das sich der Entwicklung von Computersystemen widmet, die Denkmuster eines Menschen abbilden.
Aber im Moment hört man meistens “KI als Technologie” oder sogar als “Entität”, und was das genau bedeutet, ist schwerer festzunageln. Es wird auch häufig als Marketing-Schlagwort verwendet, was seine Definition unpräziser macht, als sie sein sollte.
Google spricht zum Beispiel viel darüber, wie es seit Jahren in KI investiert. Dies bezieht sich darauf, wie viele seiner Produkte durch künstliche Intelligenz verbessert werden und wie das Unternehmen Tools wie Gemini anbietet, die intelligent erscheinen. Es gibt die zugrunde liegenden KI-Modelle, die viele KI-Tools antreiben, wie OpenAIs GPT-4. Dann gibt es Meta-CEO Mark Zuckerberg, der KI als Substantiv verwendet, um auf einzelne Chatbots zu verweisen.
Da immer mehr Unternehmen versuchen, KI als das nächste große Ding zu verkaufen, könnten die Wege, wie sie den Begriff und andere verwandte Nomenklatur verwenden, noch verwirrender werden.
Es gibt viele Begriffe, die dir in Artikeln oder im Marketing über KI begegnen könnten, daher habe ich eine Übersicht über viele der Schlüsselbegriffe in der künstlichen Intelligenz zusammengestellt, die derzeit kursieren. Letztendlich läuft es jedoch darauf hinaus, Computer(programme) intelligenter zu machen.
Maschinelles Lernen: Systeme des maschinellen Lernens werden auf Daten trainiert (ich werden später mehr darüber erklären, was Training ist), damit sie Vorhersagen über neue Informationen machen können. So können sie „lernen“. Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz und ist für viele KI-Technologien von entscheidender Bedeutung.
Künstliche allgemeine Intelligenz (AGI): Künstliche Intelligenz, die so intelligent oder intelligenter ist als ein Mensch. (Insbesondere OpenAI investiert stark in AGI.) Dies könnte eine unglaublich mächtige Technologie sein, aber für viele Menschen ist es auch die beängstigendste Aussicht auf die Möglichkeiten von KI – denk an all die Filme, die ich über superintelligente Maschinen gesehen haben, die die Welt übernehmen! Wenn das nicht genug ist, ich auch an „Superintelligenz“ gearbeitet, also KI, die viel intelligenter ist als ein Mensch.
Generative KI: Eine KI-Technologie, die in der Lage ist, neue Text, Bilder, Code und mehr zu erzeugen. Denke an all die interessanten (wenn auch gelegentlich problematischen) Antworten und Bilder, die du von ChatGPT oder Googles Gemini gesehen hast. Generative KI-Tools werden durch KI-Modelle angetrieben, die typischerweise auf riesigen Datenmengen trainiert werden.
Halluzinationen: Nein, ich sprechen nicht von seltsamen Visionen. Es ist so: Weil generative KI-Tools nur so gut sind wie die Daten, auf denen sie trainiert wurden, können sie „halluzinieren“ oder selbstsicher das erfinden, was sie für die besten Antworten auf Fragen halten. Diese Halluzinationen (oder, wenn du ehrlich sein willst, Unsinn) bedeuten, dass die Systeme Faktenfehler machen oder unsinnige Antworten geben können. Es gibt sogar Kontroversen darüber, ob KI-Halluzinationen jemals „behoben“ werden können.
Vorurteile: Halluzinationen sind nicht die einzigen Probleme, die bei der Arbeit mit KI aufgetreten sind – und dieses könnte vorhersehbar gewesen sein, da KIs schließlich von Menschen programmiert werden. Infolgedessen können KI-Tools je nach ihren Trainingsdaten Vorurteile zeigen. Zum Beispiel zeigte eine Forschung aus dem Jahr 2018 von Joy Buolamwini, einer Informatikerin am MIT Media Lab, und Timnit Gebru, der Gründerin und Geschäftsführerin des Distributed Artificial Intelligence Research Institute (DAIR), dass Gesichtserkennungssoftware höhere Fehlerraten hatte, wenn es darum ging, das Geschlecht von dunkelhäutigen Frauen zu identifizieren.
KI-Modell: KI-Modelle werden auf Daten trainiert, damit sie Aufgaben ausführen oder Entscheidungen eigenständig treffen können.