TLDR: Künstliche Intelligenz ist keine einzelne Technologie. Es gibt KI, die Regeln befolgt, Muster erkennt, aus Daten lernt, Inhalte erzeugt oder Aufgaben ausführt. Diese Verfahren unterscheiden sich grundlegend und werden zunehmend kombiniert. Wer KI sinnvoll einsetzen will, muss verstehen, welche Technologie welches Problem lösen kann.
Von Regeln über Lernen bis zum Handeln
Wenn wir heute von KI sprechen, denken viele automatisch an ChatGPT. Doch künstliche Intelligenz ist viel älter und vielfältiger als moderne Chatbots. Ihre Entwicklung verlief nicht geradlinig. Stattdessen entstanden über Jahrzehnte unterschiedliche Ansätze, die bis heute nebeneinander existieren.
Wir können fünf grundlegende Richtungen unterscheiden:
1. Regelbasierte KI: Wissen anwenden
Die frühen Systeme arbeiteten mit festgelegten Regeln und logischen Zusammenhängen. Dazu gehören die symbolische KI, Expertensysteme and probabilistische Verfahren, die auch Unsicherheit berücksichtigen.
Beispiel: Ein medizinisches Expertensystem prüft Symptome anhand hinterlegter Fachregeln. Ein anderes System berechnet die Wahrscheinlichkeit eines Maschinenausfalls.
2. Neuronale KI: Muster erkennen
Neuronale Netze lernen Zusammenhänge aus Trainingsdaten, statt ausschliesslich vorgegebenen Regeln zu folgen. Dazu gehören Feedforward-Netze, Convolutional Neural Networks (CNN) für räumliche Muster sowie Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) für zeitliche Abläufe.
Beispiel: CNN erkennen beschädigte Bauteile auf Produktionsbildern. LSTM können historische Verkaufszahlen analysieren und zur Absatzprognose eingesetzt werden.
3. Generative KI: Inhalte erzeugen
Generative Modelle erstellen Texte, Bilder, Videos oder Code. Transformer bilden die technische Grundlage vieler Large Language Models (LLM) wie GPT. Diffusionsmodelle erzeugen beispielsweise Bilder, während Generative Adversarial Networks (GAN) durch das Zusammenspiel zweier Modelle lernen.
Beispiel: Ein Sprachmodell formuliert ein Angebot, ein Bildgenerator erstellt eine Werbevisualisierung.
4. Lernende und vorausschauende KI: Folgen berücksichtigen
Beim Reinforcement Learning verbessern Systeme ihre Strategien durch Rückmeldungen. World Models bilden Zusammenhänge einer Umgebung ab, um mögliche Entwicklungen vorherzusagen. Multimodale KI verbindet Informationen aus Text, Bild, Audio und Video.
Beispiel: Ein Roboter lernt durch Rückmeldungen, Gegenstände besser zu greifen. Ein multimodales System analysiert gleichzeitig ein Foto und eine gesprochene Anweisung.
5. Hybride KI und Agenten: Fähigkeiten verbinden
Moderne KI-Anwendungen kombinieren zunehmend mehrere Ansätze. Neuro-symbolische Systeme verbinden beispielsweise neuronale Netze mit logischen Regeln. KI-Agenten nutzen Modelle, Daten und Softwarewerkzeuge, um mehrstufige Aufgaben auszuführen.
Beispiel: Ein Agent liest eine Kundenanfrage, sucht Informationen im CRM, erstellt einen Antwortentwurf und legt ihn zur Freigabe vor.
What does this mean for businesses?
Das eigentliche Problem ist nicht, dass Unternehmen zu wenig KI einsetzen. Es ist die Vorstellung, ein einziges KI-System könne sämtliche Aufgaben gleich gut übernehmen.
Für Qualitätskontrollen braucht es andere Verfahren als für Textgenerierung, Prognosen oder automatisierte Prozesse. Hinzu kommt, dass die genannten Kategorien unterschiedliche Dinge beschreiben: CNN und Transformer sind Architekturen, Reinforcement Learning ist ein Lernverfahren, Multimodalität eine Fähigkeit und Agenten sind ganze Softwaresysteme.
Die passende KI ergibt sich deshalb nicht aus dem bekanntesten Produkt, sondern aus der Aufgabe, den vorhandenen Daten und den Anforderungen an Verlässlichkeit und Kontrolle.
Wir brauchen nicht überall mehr KI, sondern ein besseres Verständnis dafür, welche Form von Intelligenz wir wo einsetzen.
Quellen und weiter Informationen
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539
Russell, S. J., & Norvig, P. (2022). Artificial intelligence: A modern approach (4th ed.). Pearson.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press. https://mitpress.mit.edu/9780262039246/
Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://arxiv.org/abs/1706.03762
Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, 33, 6840–6851. https://arxiv.org/abs/2006.11239
