Der Begriff künstliche Intelligenz ist nicht genau definiert, wird aber im Alltag als ein System wahrgenommen, dass mit Hilfe von Daten menschliche Fähigkeiten reproduziert. Um ein besseres Verständnis von KI zu erhalten, behandelt dieser Beitrag verschiedene Technologien, die alle in den Bereich der künstlichen Intelligenz fallen.
Was steckt hinter KI?
Der Werkzeugkoffer der KI
Künstliche Intelligenz wird oft als ein einziges großes System wahrgenommen. Dabei besteht sie aus verschiedenen Technologien, die sehr unterschiedliche Dinge leisten. In dieser zweiten Folge werfen wir einen strukturierten Blick auf die wichtigsten Bausteine moderner KI:
- Algorithmen: regelbasierte Logiken, die Prozesse verlässlich automatisieren.
- Statistische Lernmethoden: Modelle, die aus Daten Muster erkennen und Prognosen ermöglichen.
- Neuronale Netzwerke & generative KI: lernfähige Systeme, die Inhalte erzeugen und Aufgaben verallgemeinern.
- Agentic KI: koordinierende Systeme, die Tools und Aktionen selbstständig orchestrieren.
Diese Kolumne hilft Ihnen, die technologischen Grundlagen einzuordnen und besser zu entscheiden, welche KI-Technologie wofür wirklich geeignet ist.
Algorithmen
Bei Algorithmen handelt es sich um stringent regelbasierte Systeme. Algorithmen können im Komplexitätsgrad variieren und so komplexe Logiken abbilden. Sie eignen sich vor allem für Simulationen nach strengen Regeln (z.B. Monte Carlo oder Finite Element Simulationen) und zur Automatisierung von Prozessen, die sich über quantifizierbare Parameter steuern lassen.
Statistische Lernmethoden
Statistische Lernmethoden bestehen aus Modellen, die sich statistische Verteilungen zu nutze machen, um aus Daten eine Funktion zu finden und/oder Vorhersagen zu treffen. Die Lernmethoden der statistischen Modelle werden grob in überwachtes, unüberwachtes und bestärkendes Lernen unterteilt.
Ein gutes Beispiel für eine statistische Lernmethode zur Vorhersage von Planwerten finden Sie mit unserem XG-Boost Modell:
Neuronale Netzwerke
Unter neuronalen Netzwerken, kurz NN, versteht man Algorithmen, die auf dem biologischen Konzept der Neuronen basieren. Es wird ein Netzwerk mit einzelnen Zellen erstellt. Aus den Zellen und deren Zusammenspiel wird dann ein lernfähiges Netzwerk. Die Anordnung und Art der Neuronen bestimmt den Typen und auch die Anwendung des Netzwerks.
Neuronale Netzwerke sind auch die Basisstrukturen für Generative KI und Agentic KI.
Lesetipp Neuronale Netze
Vorlesung
Generative KI
Im Gegensatz zu den vorherigen zu den vorherigen Absätzen handelt es sich bei generativer KI nicht um eine eigene Technologie, sondern eine spezielle Anwendung von neuronalen Netzwerken. Hierbei werden Neuronale Netze mit Milliarden Parametern aufgebaut und mit riesigen Datenmengen trainiert, um neue Inhalte wie Texte, Bilder oder Code generieren zu können. Ein Beispiel:
Llama 70B besitzt rund 70 Milliarden Parameter und benötigt für ein Training etwa 15 Billionen Tokens. Riesige Mengen an Textdaten. Das entspricht ungefähr 20 Millionen Bücher an Text oder etwa 70 Terabyte an Daten.
Die genauen Trainingsparameter und Daten sind proprietär und daher nur Schätzwerte. Für einen Einblick in die jeweiligen Modelle gibt es zumeist vom Hersteller Vorstellungen zu den jeweiligen Modellen. Um nur mal Beispiele zu nennen:
Die hier bekannteste Form generativer KI ist wohl ChatGPT, ein Teilakronym für Generative Pretrained Transformer, zu deutsch „erzeugender, vortrainierter Transformer“. Dabei ist ein Transformer ein neuronales Netzwerk (NN) in einer speziellen Architektur.
Agentic KI
Agentic KI ist ein neues Konzept, dass sich mit der Aufgabe beschäftigt verschiedene Agenten (in Form von anderen Anwendungen) zu koordinieren, um Aufgaben besser zu lösen. Das Konzept ist aus Sci-Fi Filmen und Serien bekannt, in denen ein Bordcomputer eines Raumschiffs komplexe Aufgaben mit nur einer kurzen Anweisung erfüllen kann. Als Beispiel: Zum Erstellen eines Kalendereintrags für einen Arzttermin sind mehrere Informationen und Aktionen notwendig. Es muss klargestellt werden, wann und bei welchem Arzt der Termin stattfinden soll.
Eine typische Generative KI kann z.B. einen Text zu einer E-Mail verfassen, um den Termin zu vereinbaren ihn aber nicht selbst schicken. Eine Agentische KI hat die Möglichkeit mehrere verschiedene Tools zu nutzen, um erstmal die Aufgabe zu analysieren und dann entsprechende Aufgaben zur Erfüllung an weitere Tools vergeben, um dann das Ergebnis kritisch zu hinterfragen.
Anhang:
Die hier verlinkte Videoreihe Deep Learning von 3Blue1Brown bietet sehr anschauliche Erklärungen in das komplexe Thema der neuronalen Netzwerke. Ich empfehle sie jedem der sich für das Thema interessiert, egal ob Experte oder nicht.
Als Neueinsteiger wird man vieles in einem neuen Licht sehen und als alter Hase die gelungene Darstellung und Visualisierung der mathematischen Konzepte wertschätzen.
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Teil 3 in Kürze!
Im nächsten Beitrag beleuchten wir statistische Lernmethoden und zeigen, wann statistische Lernmethoden einen Vorteil gegenüber NNs und generativer KI bieten.