Grundlagen der KI
🖱️ Interaktiv: Ziehen zum Drehen · Lektion 1
Lernziele
Nach dieser Lektion kannst du:
- Künstliche Intelligenz nach der EU AI Act Definition einordnen
- Den Unterschied zwischen Machine Learning und Generativer KI erklären
- Typische Risiken wie Bias und Halluzinationen erkennen
- Die Grenzen und praktischen Herausforderungen von KI benennen
Was ist Künstliche Intelligenz?
Künstliche Intelligenz (KI) bezeichnet Computersysteme, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern. Der EU AI Act definiert KI-Systeme als Software, die mit maschinellem Lernen oder auf logikbasierten Ansätzen arbeitet und Ergebnisse wie Vorhersagen, Inhalte, Entscheidungen oder Empfehlungen generiert.
Wichtig: KI hat kein Bewusstsein und kein Verständnis im menschlichen Sinne. KI-Systeme erkennen Muster in großen Datenmengen und wenden diese Muster auf neue Situationen an.
💡 Definition nach EU AI Act
Ein KI-System ist ein maschinenbasiertes System, das für einen expliziten oder impliziten Satz von Zielen aus den erhaltenen Eingaben ableitet, wie Ergebnisse wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen generiert werden, die physische oder virtuelle Umgebungen beeinflussen können.
Machine Learning vs. Generative KI
Machine Learning (ML) ist ein Teilbereich der KI. ML-Algorithmen lernen Muster aus Daten, ohne für jede einzelne Aufgabe explizit programmiert zu sein. Anwendungen sind z.B. Spam-Filter, Empfehlungsalgorithmen oder Betrugserkennung.
Generative KI ist eine Unterkategorie von ML, die neue Inhalte erzeugt:
- LLMs (Large Language Models) wie GPT, Claude oder Llama generieren Text, Code, Dialoge
- Bildgenerierung wie DALL-E, Midjourney oder Stable Diffusion
- Audio- und Videogenerierung erzeugt Sprache, Musik oder Videos
Ein LLM funktioniert wie ein extrem fortgeschrittener Text-Vervollständigungsmechanismus: Es sagt Wort für Wort voraus, welches Wort als nächstes kommen sollte.
📝 Schnellprüfung
Was ist der Hauptunterschied zwischen generativer und analytischer KI?
Bias & Diskriminierung
KI-Modelle lernen aus Trainingsdaten. Wenn diese Daten historische Verzerrungen enthalten, lernt das Modell diese Verzerrungen mit.
Beispiele für Bias:
- Geschlechter-Bias: Ein KI-Recruiting-Tool bevorzugt männliche Kandidaten, weil die Trainingsdaten mehr männliche Führungskräfte enthielten
- Ethnischer Bias: Gesichtserkennung erkennt Menschen mit dunkler Hautfarbe schlechter
- Kultureller Bias: Ein Sprachmodell versteht kulturelle Kontexte aus englischsprachigen Ländern besser
Halluzinationen
Ein KI-System "halluziniert", wenn es überzeugend klingende, aber faktisch falsche Informationen liefert. Dies passiert, weil LLMs statistische Muster nachahmen, ohne ein zugrunde liegendes Verständnis von Wahrheit oder Faktizität zu haben.
🏢 Praxis-Szenario: KI-Halluzination in der Kundenberatung
Ein Mitarbeiter im Kundenservice nutzt ein KI-Tool zur Beantwortung von Kundenfragen. Die KI erfindet Details zu einem Produkt-Update, das es nie gab, und präsentiert diese selbstbewusst als Tatsache. Der Kunde verlässt sich darauf und tätigt eine Fehlinvestition.
Grenzen der KI
- Kein echtes Verständnis: KI versteht nicht, was sie sagt oder tut
- Abhängigkeit von Datenqualität: Schlechte Trainingsdaten → schlechte Ergebnisse
- Fehlende Allgemeinbildung: KI ist auf ihren Trainingsbereich beschränkt
- Kontextvergessenheit: In längeren Gesprächen verlieren LLMs den Kontext
- Rechenintensität: Große Modelle verbrauchen enorm viel Energie
- Keine Kausalität: KI erkennt Korrelationen, aber nicht Ursachen
✅ Wichtige Erkenntnisse
Haken setzen, um deinen Lernfortschritt zu markieren:
→ Vertiefung: EU AI Act & Risikoklassen — wie der EU AI Act KI-Systeme reguliert