Das Thema KI begleitet uns nun bereits seit einiger Zeit – oder besser gesagt: seit Jahren. Alle nutzen es, alle sprechen darüber und verwenden dabei eine Menge Begriffe – Buzzwords, die einen so manches Mal ein wenig ratlos dastehen lassen.
Hand aufs Herz? Wissen Sie, was sich hinter all den Abkürzungen und Schlagwörtern verbirgt? Nein? Kein Problem. Unser Senior Consultant Marco Hoff nimmt in unserer neusten Blog-Reihe „KI kompakt“ die wichtigsten Begriffe genauer unter die Lupe. In unserem ersten Beitrag starten wir mit den „Basics“.
Was meint KI eigentlich, welche Ausprägungen gibt es und was unterscheidet KI von Machine Learning? Und was hat NLP mit alldem zu tun?
Der Begriff KI, also „künstliche Intelligenz“, wird heute sehr unterschiedlich und oft unscharf verwendet. Um aktuelle Entwicklungen einordnen zu können, lohnt sich eine klare Abgrenzung der wichtigsten Begriffe vorab.
Künstliche Intelligenz (KI) bezeichnet grundsätzlich Systeme, die Aufgaben ausführen, für die menschliche Intelligenz erforderlich wäre. Dazu zählen unter anderem:
- Entscheidungsfindung, z. B. Navigation: Das Navigationssystem gibt mehrere Routen zur Auswahl – die schnellste oder die mit dem besten Verbrauch. Oder auch Streamingdienste: „Wenn Ihnen das gefällt, gefällt Ihnen auch das.“
- Mustererkennung, z. B. das Entsperren des Smartphones mit Gesichtserkennung oder die Autokorrektur auf dem Handy
- Sprachverarbeitung, z. B. gesprochene Texteingabe in Messengern wie WhatsApp oder Sprachassistenten wie Siri oder Alexa
Der Begriff ist bewusst weit gefasst und meint sowohl einfache regelbasierte Systeme als auch komplexe lernende Modelle. Nicht jede KI lernt selbstständig oder passt sich neuen Daten an.
Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Im Unterschied zu klassischen, fest programmierten Systemen werden hier Modelle mit Daten trainiert. Anhand dieser Daten lernen sie Zusammenhänge und können Vorhersagen oder Entscheidungen treffen, ohne dass jede Regel explizit vorgegeben wird. Typische Anwendungsbeispiele sind Bilderkennung, Betrugserkennung oder Empfehlungssysteme.
NLP steht für „Natural Language Processing“ und bezeichnet den Teilbereich der künstlichen Intelligenz, der sich mit der Verarbeitung natürlicher Sprache beschäftigt. Ziel von NLP ist es, menschliche Sprache für Computer verständlich und nutzbar zu machen. Ursprünglich basierte NLP auf regelbasierten Verfahren, etwa auf Grammatikregeln oder Wörterbüchern. Moderne NLP-Systeme nutzen überwiegend Machine-Learning-Methoden, insbesondere neuronale Netze.
Dabei geht es sowohl um das Verstehen von Sprache als auch um deren Erzeugung. Sprache kann in geschriebener oder gesprochener Form zur Anwendung kommen. Beispiele sind Sprachassistenten wie Siri, Alexa oder Google Assistant.
Generative AI (Artificial Intelligence) ist wiederum eine spezielle Ausprägung des Machine Learning. Der Fokus liegt hier nicht auf der Analyse oder Klassifikation vorhandener Daten, sondern auf der Generierung, das heißt Erzeugung neuer Inhalte. Dazu zählen Texte, Bilder, Code oder Audioinhalte. Die aktuell bekanntesten Anwendungen in diesem Bereich basieren auf sehr großen, antrainierten Modellen.
LLM steht für „Large Language Model“ – und ist im Kern nichts anderes als ein leistungsfähiger Textgenerator. LLMs werden mit riesigen Textmengen trainiert und so optimiert, dass sie bei der Formulierung von Sätzen helfen und Vorschläge machen können, mit welchem Wort der Satz fortgeführt werden kann.
Das Ergebnis wirkt häufig durchdacht: LLMs schreiben Texte, beantworten Fragen oder führen Dialoge. Tatsächlich basieren ihre Antworten jedoch nicht auf echtem Wissen oder Verständnis, sondern auf erlernten Mustern und Wahrscheinlichkeiten.
LLMs sind die treibende Kraft hinter vielen aktuellen Anwendungen der Generativen AI, etwa Chatbots wie ChatGPT oder Gemini. Man sollte sich aber bewusst sein: Sie klingen überzeugend – liegen aber nicht immer richtig.
Übrigens unterscheidet man drei Arten von LLMs:
- geschlossene Modelle (Closed Source) wie ChatGPT, Gemini, Claude oder Copilot
- Open-Weight-Modelle wie LLaMA, Mistral oder Gemma
- (selten) vollständig offene Modelle (Open Source), bei denen zusätzlich Trainingsdaten und Details offengelegt sind
Geschlossene Modelle (Closed Source) sind proprietär. Weder der Code noch die Trainingsdaten oder Modellgewichte sind öffentlich zugänglich. Sie können in der Regel nur über bereitgestellte Schnittstellen (APIs) genutzt werden.
Open-Weight-Modelle stellen die Modellgewichte zur Verfügung, jedoch nicht alle Trainingsdaten oder Details. Dadurch sind sie nutzbar und anpassbar, aber nicht vollständig transparent.
Vollständig offene Modelle (Open Source) gehen noch einen Schritt weiter: Hier sind neben den Modellgewichten auch der Code und idealerweise die Trainingsdaten offengelegt. Dadurch sind sie vollständig nachvollziehbar und können frei angepasst oder weiterentwickelt werden.
Mit „Gewicht“ ist hier ein Zahlenwert im Modell gemeint, der festlegt, wie wichtig bestimmte Informationen oder Verbindungen sind. Beim Training werden diese Gewichte ständig angepasst, sodass das Modell lernt, welche Wörter, Muster oder Zusammenhänge stärker berücksichtigt werden sollen. Gewichte sind damit das gespeicherte „Wissen“ des Modells in Zahlenform.
Zusammengefasst lässt sich sagen:
Künstliche Intelligenz ist der Oberbegriff für Systeme, die Aufgaben übernehmen, für die normalerweise menschliche Intelligenz notwendig ist. Machine Learning beschreibt die Methode, mit der diese Systeme aus Daten lernen, statt fest programmiert zu sein. Generative AI geht einen Schritt weiter und erzeugt auf dieser Basis neue Inhalte wie Texte, Bilder oder Code.
NLP bildet dabei die Grundlage für alles, was mit Sprache zu tun hat – also die Schnittstelle zwischen Mensch und Maschine. LLMs sind aktuell die sichtbarste Ausprägung davon: Sie erzeugen Texte, beantworten Fragen und führen Dialoge. Dabei wirken sie oft intelligent, basieren jedoch auf Wahrscheinlichkeiten und nicht auf echtem Verständnis.
In den nächsten Beiträgen unserer Blog-Reihe werden wir Agenten und deren Anwendung sowie Nutzen erklären, auf RAG-Systeme und Datensicherheit im Zusammenhang mit KI eingehen und uns mit der Frage beschäftigen: „Quo vadis KI – wo stehen wir eigentlich in ein bis zwei Jahren?“
Bleiben Sie gespannt.