Was ist künstliche Intelligenz?

Drei Begriffe, die oft verwechselt werden

• Künstliche Intelligenz (KI): der Oberbegriff für Systeme, die Aufgaben lösen, die normalerweise menschliche Intelligenz erfordern.
• Maschinelles Lernen: ein Teilbereich der KI, bei dem ein System aus Beispielen lernt, statt fest programmiert zu werden.
• Neuronale Netze: eine bestimmte Technik des maschinellen Lernens, lose an das Gehirn angelehnt.

Lernen statt Regeln befolgen

Klassische Software folgt festen Regeln, die ein Mensch geschrieben hat. Ein lernendes System bekommt stattdessen viele Beispiele und leitet daraus Muster ab. Um handgeschriebene Zahlen zu erkennen, programmiert man nicht jede mögliche Form — man zeigt dem System tausende Beispiele, bis es die Muster selbst erkennt.

Wo KI heute steckt

Spamfilter, Produktempfehlungen, Spracherkennung, Übersetzungen, Bild- und Texterzeugung — vieles davon läuft im Hintergrund. Für Unternehmen ist KI vor allem ein Werkzeug, das wiederkehrende Aufgaben beschleunigt, keine magische Lösung für jedes Problem.

Wie Maschinen lernen

Maschinelles Lernen kennt verschiedene Wege. Beim überwachten Lernen bekommt das System Beispiele mit der richtigen Antwort — tausende Bilder, jeweils beschriftet mit „Katze“ oder „Hund“ — und lernt, die Zuordnung selbst zu treffen. Beim unüberwachten Lernen sucht es ohne Vorgaben nach Mustern und Gruppen in den Daten, etwa um Kunden mit ähnlichem Verhalten zu bündeln. Beim bestärkenden Lernen probiert ein System Handlungen aus und wird für gute Ergebnisse „belohnt“ — der Ansatz, mit dem KI etwa Spiele meistert.

Von den Daten zum Modell

Ein KI-System entsteht in zwei Phasen. Im Training verarbeitet ein Algorithmus riesige Mengen an Beispieldaten und passt dabei nach und nach interne Werte an, bis das entstehende Modell die Muster gut trifft. Danach kommt die Anwendung (Inferenz): Das fertige Modell bekommt eine neue, unbekannte Eingabe und liefert eine Vorhersage. Das Training ist aufwendig und teuer, die Anwendung dagegen schnell — deshalb wird ein Modell einmal trainiert und danach millionenfach genutzt.

Warum die Datenqualität entscheidet

Ein Modell ist immer nur so gut wie die Daten, aus denen es lernt. Stecken in den Trainingsdaten Fehler oder einseitige Muster, übernimmt und verstärkt die KI sie — man spricht von Bias, einer systematischen Verzerrung. Ein System, das nur Beispiele aus einer Gruppe gesehen hat, benachteiligt womöglich alle anderen. Deshalb gehört zu verantwortungsvoller KI, die Datengrundlage kritisch zu prüfen und die Ergebnisse nicht blind zu übernehmen — gerade dort, wo Entscheidungen Menschen betreffen.

Woran man ein gutes Modell erkennt

Ob ein Modell taugt, zeigt sich nicht an den Daten, mit denen es gelernt hat. Deshalb hält man von Anfang an einen Teil der Beispiele zurück und prüft damit, wie das fertige Modell mit Fällen umgeht, die es nie gesehen hat. Bleibt es dabei deutlich hinter seiner Trefferquote im Training zurück, hat es die Beispiele eher auswendig gelernt als das Muster verstanden — dieser Effekt heißt Überanpassung. Wichtig ist auch die richtige Messgröße: Bei seltenen Ereignissen wie Betrugsfällen wirkt eine hohe Trefferquote beeindruckend, obwohl ein Modell, das immer „kein Betrug“ sagt, sie ebenfalls erreicht.

KI sinnvoll im Unternehmen einsetzen

In der Praxis scheitern KI-Vorhaben selten an der Technik, sondern an zu großen Zielen. Tragfähig ist der umgekehrte Weg: eine eng umrissene, häufig wiederkehrende Aufgabe wählen, bei der sich der Nutzen messen lässt — etwa Anfragen vorsortieren oder Dokumente zusammenfassen. Zwei Punkte gehören dabei von Anfang an geklärt. Erstens der Datenschutz: Personenbezogene oder vertrauliche Inhalte dürfen nicht ungeprüft in externe Dienste fließen. Zweitens die Kontrolle: Wo Ergebnisse Kunden oder Mitarbeiter betreffen, braucht es einen Menschen, der prüft und verantwortet. KI verschiebt Arbeit — sie schafft sie nicht ab.