Heute wird der Begriff «Künstliche Intelligenz» (KI) nahezu inflationär verwendet. Fast jede neue Software oder auch Hardware wirbt damit, künstliche Intelligenz zu nutzen. KI bezeichnet dabei Systeme und Algorithmen, die Aufgaben übernehmen, die typischerweise menschliche Intelligenz erfordern. Ein Hauptmerkmal dieser Systeme ist ihre Fähigkeit, umfangreiche Datenmengen zu analysieren, Muster zu erkennen und darauf basierende Ergebnisse zu liefern. Diese Technologien haben sich rasch entwickelt und sind mittlerweile in zahlreichen Lebensbereichen präsent. Doch KI ist nicht gleich KI. In den folgenden Abschnitten betrachten wir die unterschiedlichen Arten von KI näher und untersuchen deren Relevanz für die Bildung und Zukunft.
In der heutigen KI-Landschaft ist es entscheidend, zwischen verschiedenen Konzepten und Technologien zu unterscheiden, um ein klares Verständnis davon zu erhalten, welches KI-System für eine bestimmte Aufgabe am besten geeignet ist. Es gibt verschiedene Möglichkeiten, die unterschiedlichen KI-Systeme zu kategorisieren. In diesem Beitrag werden KI-Systeme nach ihrer Funktionalität klassifiziert. Man unterscheidet einerseits zwischen statistischen Methoden, Expertensystemen sowie physischer KI und gliedert selbstlernende Systeme in maschinelles Lernen und Deep Learning.
Die nachstehende Grafik zeigt die unterschiedlichen Kategorien von KI-Systemen. Die Grafik gruppiert die KI nach Funktionalität und gibt Beispiele für konkreten Anwendungen. Weiterführende Informationen zu den einzelnen Kategorien und Beispielen erhalten Sie, wenn Sie auf den entsprechenden Begriff klicken.
KI im weiteren Sinn
Statistische Methoden
Statistische Methoden, Expertensysteme und physische KI zählen nur im weiteren Sinn zu KI. Rein statistische Methoden, die auf mathematischen Modellen basieren, analysieren Daten, um Muster und Zusammenhänge zu identifizieren. Modelle die vor allem auf Statistik basieren, sind häufig starr. Das bedeutet, dass die Modellparameter bereits zu Beginn festgelegt sind und vom Modell nicht selbst gelernt werden. Diese Methoden sind für viele analytische Aufgaben grundlegend, aber sie bieten oft keine Möglichkeit zur Anpassung oder Verbesserung auf Basis neuer Daten. Zu den bekanntesten Verfahren der statistischen Methoden zählt die Regression.
Expertensysteme
Im Gegensatz zu statistischen Methoden verwenden Expertensysteme nur in begrenztem Umfang mathematische Modelle. Expertensysteme wurden in den 1980er Jahren populär, arbeiten nach vordefinierten Regeln und nutzen spezifisches Wissen, um Entscheidungen zu treffen oder Probleme zu lösen. Sie sind weniger flexibel als moderne KI-Systeme, da sie auf festgelegten Regeln basieren und nicht lernfähig sind. Ein Beispiel hierfür sind frühe Übersetzungsprogramme, die Texte auf Basis festgelegter Regeln und Wortlisten übersetzten. Während so Fortschritte in der maschinellen Übersetzung ermöglicht wurden, waren diese System bei komplexeren Texten nur begrenzt anwendbar. Ein weiteres, bekanntes Beispiel für ein Expertensystem ist der Schachcomputer «Deep Blue», der in den 1990er Jahren berühmt wurde. Deep Blue nutzte leistungsstarke Hardware und umfangreiche Schachdatenbanken, um Millionen von Zügen zu berechnen. Obwohl er beeindruckende Ergebnisse erzielte, basierte seine Leistung auf vordefinierten Algorithmen.
Physische KI
Physische KI hingegen bezieht sich auf Systeme, die KI-Algorithmen mit Hardware kombinieren. Dies ermöglicht eine direkte Interaktion in der realen Welt. Ein Beispiel dafür sind selbstfahrende Autos. Diese Fahrzeuge nutzen eine Vielzahl von Sensoren und Algorithmen, um ihre Umgebung zu erfassen und durch den Verkehr zu navigieren.
Selbstlernende Systeme
Selbstlernende Systeme stellen eine fortschrittliche Kategorie der künstlichen Intelligenz dar. Diese Systeme zeichnen sich dadurch aus, dass nicht für jede Aufgabe spezifische Programmieranweisungen erforderlich oder vorhanden sind. Modelle, die mithilfe von maschinellem Lernen entwickelt werden, sind in erster Linie so dimensioniert und gestaltet, dass sie eine spezifische Aufgabe lösen können. Die Regeln zum Lösen der Aufgaben lernt das System jedoch selbst.
Entscheidungsbäume
Zum reinen maschinellen Lernen gehören unter anderem Entscheidungsbäume (Decision Trees). Dieser Algorithmus wird zur Gruppierung von Daten eingesetzt. Während des Trainings wird eine Baumstruktur gebildet, die Daten in verschieden Kategorien unterteilt. Dieser Entscheidungsbaum kann dann auch auf neue Daten angewendet werden, um diese zu kategorisieren.
Deep Learning
Eine spezialisierte Form eines lernenden Systems, ist das Deep Learning. Dieses verwendet neuronale Netzwerke, um tiefere und detailliertere Muster in grossen Datenmengen zu erfassen. Neuronale Netzwerke wurden in Anlehnung an die Funktionsweise des menschlichen Gehirns entwickelt. Sie bestehen aus einer Vielzahl von Knoten (Neuronen), die logisch miteinander verbunden sind. Aufgrund der Grösse und Komplexität dieser Modelle ist es für Menschen nicht mehr nachvollziehbar, welches Ergebnis das Modell liefert. Diese Modelle sind jedoch in der Lage sehr komplexe Sachverhalte zu erlernen.
Large Language Models
Eine Unterkategorie der neuronalen Netzwerke sind die Large Language Models (LLMs). Diese sind auf natürliche Sprache ausgerichtet und in der Lage, Texte zu erzeugen und zu verstehen. Ein bekanntes Beispiel für ein LLM sind GPTs (Generative Pretrained Transformers). Diese Modelle nutzen sogenannte Transformer-Architekturen, die auf neuronalen Netzen basieren, um umfangreiche Sprachmuster zu lernen und kontextbezogene, präzise Antworten zu generieren.
KI ist ein schwer fassbarer Überbegriff, der oft nicht ganz treffend ist, da eine künstliche allgemeine Intelligenz (AGI – Artificial General Intelligence) noch nicht erreicht wurde und aktuelle Modelle nur in spezifischen Bereichen gute Ergebnisse liefern. Auch Befürchtungen wonach z.B. grosse Sprachmodelle plötzliche Leistungssprünge hin zu einer künstlichen allgemeinen Intelligenz machen könnten, scheinen unbegründet zu sein.
KI in der Bildung
Insbesondere Modelle des maschinellen Lernens und des Deep Learning haben grosses Potenzial für den Einsatz in der Bildung und sogar im Klassenzimmer. Diese Technologien ermöglichen personalisierte Lernumgebungen, in denen Lerninhalte und -geschwindigkeit individuell angepasst werden. Insbesondere «Large Language Models» können den Sprach- und Wissensunterricht effektiv unterstützen, indem sie massgeschneiderte Lernmaterialien erstellen. Auch die Erstellung von Lerninhalten kann durch KI verbessert werden, indem sie Lehrpersonen hilft, interaktive und ansprechende Unterrichtsmaterialien zu entwickeln, die auf die Bedürfnisse der Lernenden zugeschnitten sind.
Darüber hinaus können LLMs administrative Aufgaben in der Bildungsverwaltung übernehmen, wie zum Beispiel die Automatisierung von Berichten und die effiziente Verwaltung von Lernendendaten. Mehr zu möglichen Einsatzgebieten von KI in der Bildung erfahren Sie im Beitrag «Anwendungsfelder und Anwendungsfälle für KI in der Bildung».