Was ist KI? Ein umfassender Leitfaden zur künstlichen Intelligenz

Bei allem aktuellen Hype ist Künstliche Intelligenz (KI) nichts Neues. Tatsächlich ist es Jahrzehnte älter als das World Wide Web. Während das plötzliche und schnelle Aufkommen generativer KI die ganze Aufmerksamkeit auf sich gezogen hat (und das ist wahrscheinlich der Grund, warum Sie diesen Artikel lesen), sind Sie sicherlich schon seit vielen Jahren direkt und indirekt mit KI in Berührung gekommen.

In diesem umfassenden Überblick über KI werden die verschiedenen Funktionsweisen der KI, ihre Möglichkeiten und was nicht sowie ihre Auswirkungen auf die Gegenwart und Zukunft von Wirtschaft und Gesellschaft erläutert. Wir werden auch darauf hinweisen, wie dies mit Grammarly zusammenhängt – es ist Teil dessen, wie wir Menschen seit über einem Jahrzehnt beim Schreiben helfen.

Inhaltsverzeichnis

• KI erklärt
• Wie KI funktioniert
• Geschichte der KI
• Anwendungen von KI
• Vorteile von KI
• Einschränkungen der KI
• Abschluss

Künstliche Intelligenz erklärt

Künstliche Intelligenz ist eine Technologie, die die Art und Weise simuliert, wie der menschliche Geist lernt und arbeitet.

KI unterscheidet sich von Standard-Computerprogrammen dadurch, dass sie Probleme mithilfe von Algorithmen oder logischem Denken lösen kann. Außerdem kann es in den meisten Anwendungen heute ohne menschliches Eingreifen lernen und sich anpassen. Zu den Hauptaspekten des KI-Bereichs gehören maschinelles Lernen (ML), Verarbeitung natürlicher Sprache (NLP) und neuronale Netze.

Wie künstliche Intelligenz funktioniert

Ein Modell ist eine spezifische Instanz von KI. ChatGPT 3.5 und ChatGPT 4 sind beispielsweise zwei KI-Modelle. Um die Hauptbausteine ​​der KI zu verstehen, konzentrieren wir uns auf verschiedene konzeptionelle Ansätze zur Erstellung eines Modells.

Regelbasierte KI oder Expertensysteme

Der einfachere Rahmen ist das sogenannte regelbasierte oder Expertensystem: Menschen schreiben spezifische Anweisungen in einer Form von Logik, die ein Algorithmus verstehen kann. Der typische Kundendienst-Telefonbaum funktioniert folgendermaßen: Er wird angewiesen, auf Eingaben, die mit bestimmten Parametern übereinstimmen, eine bestimmte Antwort zu geben. Der grundlegende PageRank-Algorithmus von Google ist ein weiteres Beispiel, aber viel ausgefeilter.

Maschinelles Lernen

Heutzutage verwendet die meiste KI einen Ansatz namens maschinelles Lernen. Anstatt eine Reihe fest codierter Anweisungen zu erhalten, lernt das Modell die Regeln für sich selbst aus einer großen (oder riesigen) Auswahl an Inhalten – Mustern, Beziehungen und anderen Dynamiken. Dieser Vorgang wird oft als Training des Modells bezeichnet. Es ist auch möglich, Regeln und ML zu kombinieren, und wir werden die jeweiligen Vorteile später besprechen.

Es gibt vier Hauptkategorien von ML: überwachtes, unüberwachtes, halbüberwachtes und selbstüberwachtes Lernen.

1 Überwachtes Lernen verwendet annotierte oder strukturierte Daten, um der Maschine mitzuteilen, was sie lernen muss. Dieser Ansatz basiert auf gekennzeichneten Datensätzen, bei denen die gewünschte Ausgabe bereits bekannt ist, sodass das Modell die Beziehung zwischen Eingaben und Ausgaben lernen kann.

2 Beim unüberwachten Lernen gibt es keine expliziten Anweisungen, daher muss die Maschine selbst entscheiden, was sie sieht, und dann Vorhersagen treffen. Diese Art des Lernens wird verwendet, um versteckte Muster oder intrinsische Strukturen in Eingabedaten zu finden.

3 Halbüberwachtes Lernen ist ein hybrider Ansatz, bei dem das Modell anhand einer kleinen Menge gekennzeichneter Daten trainiert wird, die durch eine große Menge unbeschrifteter Daten ergänzt wird. Diese Methode nutzt die Vorteile des überwachten und unüberwachten Lernens und verbessert die Lerneffizienz und -genauigkeit, wenn gekennzeichnete Daten knapp sind.

4 Selbstüberwachtes Lernen ist ein Ansatz, bei dem das Modell aus den Eingabedaten seine eigenen Etiketten generiert. Dies ist besonders nützlich in Szenarien, in denen gekennzeichnete Daten begrenzt oder nicht verfügbar sind. Das Modell verwendet einen Teil der Eingabedaten, um andere Teile vorherzusagen, und erzeugt so effektiv seine eigenen überwachten Signale.

Das Lernen muss nicht mit der Erstausbildung aufhören. Beim Reinforcement Learning verbessert sich das Modell kontinuierlich auf der Grundlage von Rückmeldungen zur Qualität seiner Ausgabe. Diese Auswertung kann von Menschen durchgeführt werden, es gibt aber auch viele Techniken und Algorithmen für automatisiertes Reinforcement Learning.

Sobald das Modell trainiert wurde, ist es einsatzbereit. Eine Eingabe wird durch das Modell geleitet und gibt eine Ausgabe aus, sei es eine Antwort auf eine Frage, die Klassifizierung eines Bildes, das Zeichnen einer Grafik usw. Einige KI (insbesondere regelbasierte Modelle) sind deterministisch, was bedeutet, dass eine bestimmte Eingabe immer zu einer bestimmten Ausgabe führt. Allerdings sind die meisten modernen Modelle probabilistisch und führen zu einem gewissen Grad an Zufälligkeit, was erklärt, warum es unwahrscheinlich ist, dass Sie die gleiche Antwort erhalten, wenn Sie genau dieselbe Frage zweimal in ChatGPT eingeben.

Neuronale Netze und Deep Learning

Okay, aber wiefunktioniertKI eigentlich? Hier wird es sehr schnell sehr technisch. Wir werden uns auf den Ansatz konzentrieren, der hinter vielen der bahnbrechenden KI-Innovationen von heute steckt: neuronale Netze.

Diese vereinfachten Darstellungen der Neuronen eines Gehirns beginnen mit zufälligen Vermutungen, vergleichen diese Vermutungen mit den richtigen Antworten und nehmen immer wieder kleine Anpassungen vor, um ihre Genauigkeit kontinuierlich zu verbessern.

Neuronale Netze bestehen aus Schichten. „Unten“ ist die Eingabe, oben die Ausgabe und dazwischen liegen die sogenannten versteckten Ebenen. Von unten nach oben werden die Fähigkeiten immer abstrakter. Beispielsweise könnten in einem Bilderkennungssystem niedrigere Schichten Farben oder Kanten erkennen, während höhere Schichten bestimmte Objekte wahrnehmen.

Wenn neuronale Netze über mehrere verborgene Schichten verfügen, spricht man von Deep Learning. Heutige tiefe neuronale Netze bestehen typischerweise aus vielen Schichten, und oft gibt es Unterschichten mit spezifischen Funktionen. Verbesserungen der Rechenleistung haben eine Explosion der Innovationen ausgelöst.

Verarbeitung natürlicher Sprache

Wenn Computer versuchen zu verstehen, wie Menschen schreiben und sprechen, spricht man von der Verarbeitung natürlicher Sprache. Während eine einfache Rechtschreibprüfung lediglich Wörter hervorhebt, die nicht zum Wörterbuch passen, verwendet Grammarly NLP, um Ihre Schrift zu verstehen und Vorschläge zu machen, die zum Kontext passen.

Im letzten Jahrzehnt oder so hat NLP eine Revolution durchgemacht, die Sie sicherlich bei der Arbeit in der maschinellen Übersetzung, Textgenerierung und automatischen Transkription erlebt haben. Techniken wie die Erhöhung der Aufmerksamkeit (wie viel das Modell zu einem bestimmten Zeitpunkt „im Gedächtnis behalten“ kann, anstatt nur Wort für Wort zu verarbeiten) und vorab trainierte Modelle (damit sie nicht neu lernen müssen, wie die menschliche Sprache funktioniert). Scratch) haben es Maschinen ermöglicht, in vielen Kontexten Menschen zu verstehen und so zu klingen.

Generative KI

Generative KI ist eine Teilmenge der künstlichen Intelligenz, die auf der Grundlage ihrer Trainingsdaten neue Inhalte wie Texte, Bilder, Musik und sogar Code produzieren kann.

Im Gegensatz zu herkömmlichen KI-Systemen, die auf bestimmte Aufgaben oder Datenanalysen zugeschnitten sind, sind generative KI-Modelle in der Lage, Originalausgaben zu generieren, die häufig von Menschen geschaffene Arbeit nachahmen. Diese auf tiefen neuronalen Netzen basierenden Modelle erkennen Muster, Stile oder Logik aus umfangreichen Datensätzen. Anschließend nutzen sie dieses Wissen, um neue, einzigartige Inhalte zu erstellen, die es zuvor nicht gab.

Der Einsatz generativer KI erstreckt sich über verschiedene Bereiche, darunter Unterhaltung, Kunst, Literatur und Softwareentwicklung. Dies zeigt die Vielseitigkeit der KI und ihre wachsenden Fähigkeiten.

Zur Überprüfung: KI kann auf Regeln oder ML basieren. Maschinelles Lernen kann überwacht oder unbeaufsichtigt erfolgen und wird mit der Zeit durch verstärkendes Lernen besser. Viele der heutigen KI-Modelle sind neuronale Netze, die Deep Learning über viele Schichten hinweg nutzen. Die Verarbeitung natürlicher Sprache ist eine glänzende Erfolgsgeschichte für tiefe neuronale Netze, und Modelle, die Text, Bilder, Code und mehr erstellen, werden als generative KI bezeichnet.

Geschichte der KI

Hier geben wir einen kurzen Überblick über die Geschichte der KI. Der Kürze halber und um uns ausschließlich auf den Entwicklungszeitplan zu konzentrieren, werden wir die Personen, die hinter diesen Innovationen stehen, nicht erwähnen.

1950er–1980er: GOFAI-Frühling, dann Winter

Der Begriffkünstliche Intelligenzwurde 1956 geprägt. Im selben Jahr bewies das erste laufende KI-Softwareprogramm erfolgreich verschiedene mathematische Theoreme, von denen einer „eleganter“ war als der Beweis des ursprünglichen Autors.

Das erste neuronale Netzwerk wurde 1967 gebaut, aber der Großteil der KI-Forschung zu dieser Zeit wurde mit symbolischer Darstellung und Logik durchgeführt, um den rationalen Geist zu simulieren. (Vielleicht stoßen Sie auf das augenzwinkernde Akronym GOFAI, was„gute, altmodische KI“bedeutet.) Eine Kombination aus unerfüllten Erwartungen und begrenzter Rechenleistung führte jedoch zum sogenanntenKI-Winter, in dem sich Finanzierung und Forschung verlangsamten 1970er Jahre und darüber hinaus.

In den 80er Jahren wurden Expertensysteme – die regelbasierten KI-Modelle, die wir bereits kennengelernt hatten – populär und hatten praktische Auswirkungen auf viele Unternehmen. Parallel dazu kehrten die Forscher zu neuronalen Netzen zurück und entwickelten Techniken, mit denen sie sich selbst trainieren konnten.

1990er–2000er: Allgegenwärtig, aber unterschätzt

Mit mehr Rechenleistung und größeren Datensätzen wurde maschinelles Lernen in den 1990er Jahren im Anwendungsmaßstab praxistauglich und die KI erreichte viele Meilensteine. Außerhalb der Filme war der erste weithin bekannte Erfolg der künstlichen Intelligenz wahrscheinlich, als Deep Blue 1997 Garry Kasparov im Schach besiegte. Bald darauf wurde das erste Spracherkennungsprogramm für Verbraucher, Dragon, für Windows verfügbar.

Trotz dieser Fortschritte verschleierten noch im ersten Jahrzehnt dieses Jahrhunderts viele Forscher und Unternehmen ihre KI-Produkte und -Projekte mit anderen Begriffen, weil sie immer noch den Beigeschmack von Übertreibung trugen. Die Ironie besteht darin, dass genau diese Systeme, die alles von Spam-Filtern bis hin zu Roombas antreiben, tatsächlich den praktischen Wert der angewandten KI in den Alltag gebracht haben.

2010er–heute: KI wird zum Mainstream

In den 2010er Jahren begann für KI ein Aufschwung, der bis heute anhält. Anstelle eines einzigen Durchbruchs kamen mehrere Faktoren zusammen:

• GPUs: Trotz ihres NamensGrafikprozessorerweisen sich diese Chips als sehr effizient für das Training tiefer neuronaler Netze. Die Verlagerung hin zur Verwendung von GPUs beschleunigte sowohl die Geschwindigkeit als auch den praktischen Umfang der Entwicklung neuer Modelle.
• Forschungsfortschritte: Neue Formen und Anwendungen neuronaler Netze führten zu großen Fortschritten in der Fähigkeit von Computern, Texte und Bilder zu verstehen und wiederzugeben.
• Big Data: Zu diesem Zeitpunkt gab es das Internet schon so lange, dass Milliarden von Nutzern unvorstellbare Mengen an Inhalten generieren konnten, aus denen Modelle lernen konnten.
• Cloud Computing: Die On-Demand-Plattformen von Amazon, Google, Microsoft und anderen machten es viel einfacher, die nötige Rechenleistung für die Entwicklung von KI-Modellen zu erhalten.

Zu den Innovationen, die in dieser Zeit entweder neu geschaffen oder grundlegend überarbeitet wurden, gehören Google Translate, virtuelle Assistenten wie Siri und Empfehlungsmaschinen für Dienste wie Netflix und Spotify, ganz zu schweigen von vielen wichtigen, aber weniger sichtbaren Auswirkungen auf Sektoren wie Gesundheitswesen, Fertigung und sogar Verteidigung .

Warum nahm der Hype um KI um einiges zu, als die generative KI auf den Plan trat? Der große Unterschied besteht darin, dass Modelle wie ChatGPT und DALL-E nahezu jede Eingabe interpretieren und darauf reagieren können, anstatt auf eine bestimmte Domäne beschränkt zu sein. Dies bedeutet, dass jeder, der über eine Internetverbindung verfügt, ohne spezielle Schulung direkt mit einem KI-Modell interagieren kann und dass KI viel schneller für bestimmte Zwecke eingesetzt werden kann, als wenn man ein neues Modell von Grund auf neu erstellt.

Die Zukunft: AGI und ASI

Trotz all ihrer Fähigkeiten wird das, was wir heute sehen, alsschmaleoderschwache KI bezeichnet.Damit ist Technologie gemeint, die einen Teil, aber nicht das gesamte Spektrum der menschlichen Intelligenz abdeckt. Eine Maschine, die den Fähigkeiten unseres Gehirns ebenbürtig ist, würde manstarke KI oderkünstliche allgemeine Intelligenz (AGI) nennen. Sobald KI die menschliche Intelligenz übertrifft, spricht man von künstlicher Superintelligenz (ASI).

Wie weit sind wir von AGI entfernt? Es ist jedermanns Vermutung. Selbst diejenigen, die tief in diesem Bereich tätig sind, haben das Innovationstempo immer wieder völlig falsch eingeschätzt.

Anwendungen und Beispiele von KI

Dies sind nur einige der vielen Möglichkeiten, wie KI heute in realen Anwendungen zum Einsatz kommt.

Den Menschen helfen, Dinge besser zu machen.Wir glauben, dass Grammarly hier ein hervorragendes Beispiel ist: Sie haben die Ideen, das Gespür für das, was Sie sagen möchten, und das Wissen über das Publikum. Wir schlagen Möglichkeiten vor, Ihre Botschaft klarer zu formulieren und die Chance zu erhöhen, dass sie gut ankommt. Erfahren Sie mehr darüber, wie Grammarly generative KI nutzt, um die Kommunikation zu verbessern.

Unterstützung von Menschen mit Behinderungen.Technologien wie Speech-to-Text und Text-to-Speech verändern die Spielregeln für Menschen mit Sinnesbeeinträchtigungen wie Hören oder Sehen. Sie ermöglichen es ihnen, zuvor unzugängliche Live- und aufgezeichnete Inhalte aufzunehmen, sodass sie sich viel intensiver mit dem Reichtum der Welt auseinandersetzen können, ohne auf jemanden angewiesen zu sein, der ihnen als Augen oder Ohren dient.

Autonome Systeme.KI kann Wahrnehmung mit Vorhersagen kombinieren, um so viele Dinge effizienter und sogar sicherer zu erledigen, von selbstfahrenden Autos bis hin zu Sprinkleranlagen, die nicht laufen, wenn es regnet. Waymo, das von Google gegründete Unternehmen für selbstfahrende Autos, meldet etwa 85 Prozent weniger Unfälle mit Personenschäden, als wenn Menschen die gleiche Strecke zurückgelegt hätten.

Empfehlungen.KI-Modelle analysieren das Nutzerverhalten und die Demografie, um fundierte Vermutungen über Dinge wie die nächste Fernsehsendung oder die Art von Mineralwasser anzustellen, die Sie vielleicht probieren möchten.

Audiovisuelle Verarbeitung.Beispiele hierfür sind die Spracherkennung durch einen virtuellen Assistenten, die automatische Mauterhebung auf der Grundlage der Verarbeitung von Bildern von Nummernschildern und das Herausfiltern von Bild- und Tongeräuschen aus einer Aufzeichnung oder einem Stream.

Edge-KI.Dadurch wird die Leistungsfähigkeit der KI direkt auf Geräte in der realen Welt übertragen und nicht auf ein Rechenzentrum. Diese sind in der Regel laserfokussiert auf eine bestimmte Aufgabe für eine schnelle und energiesparende Bearbeitung. Beispiele hierfür sind Face ID auf einem iPhone und intelligente Thermostate.

Vorteile und Nutzen von KI

Verarbeitung im großen Maßstab.Stellen Sie sich vor, eine reale Person müsste jede einzelne Kreditkartentransaktion auf Betrug prüfen oder jede einzelne Zahl aus jedem an das IRS gesendeten Steuerformular eingeben. KI kann viel schneller und oft besser beurteilen oder klassifizieren als Menschen.

Mustererkennung und -vorhersage.KI beginnt, den Menschen in seiner Fähigkeit, Krebs zu erkennen, zu übertreffen; In einem Fall übertraf es die Profis um 13 %. Es eignet sich auch sehr gut zum Erkennen von Abweichungen von einem erkannten Muster, beispielsweise beim Erkennen von Fehlern in Datenbanken. Diese Fähigkeit zur Musterfindung macht KI besonders nützlich für Vorhersagen, von Wettervorhersagen bis hin zu Börsenbewegungen.

Neuartige Erkenntnisse.Vom allerersten Modell an hat die KI Antworten und Ansätze für alle möglichen Probleme gefunden, die noch kein Mensch jemals konnte. Moderne Beispiele reichen vom Schuhdesign bis zu einem neuen Gesetz der Physik.

Beschleunigung der Medizin.Von COVID-19-Impfstoffen bis hin zur Alzheimer-Erkennung hilft KI Forschern, Diagnosen und Behandlungen schneller zu entwickeln.

Wachsamkeit.KI wird nie müde. Solange es richtig konstruiert ist und über genügend Strom und Rechenleistung verfügt, kann es kontinuierlich große Datenmengen überwachen. Dies trägt wesentlich zur geringeren Unfallrate autonomer Fahrzeuge bei.

Nachteile und Grenzen der KI

Halluzinationen.Generative KI kann Dinge erfinden. Da vieles von dem, was diese Modelle sagen, plausibel ist, denken viele Menschen nicht daran, es noch einmal zu überprüfen. Ein aktuelles Beispiel für dieses Problem ereignete sich, als Michael Cohen, ein ehemaliger Anwalt, Zitate an seinen eigenen Anwalt schickte, in denen es um Rechtsfälle ging, die vollständig von der generativen KI von Google, damals bekannt als Bard (heute Gemini), erfunden wurden.

Deepfakes.Während Halluzinationen zufällig sind, sind Deepfakes beabsichtigt. Böswillige Akteure (oder, noch harmloser, Scherze) können generative KI nutzen, um Bilder, Videos, Audiodateien oder Texte zu erstellen, die der Realität so nahe kommen, dass viele Menschen keinen Unterschied erkennen können.

Konkurrenz mit menschlichen Arbeitsplätzen.Viele Menschen in Positionen wie dem Schreiben und dem Kundenservice sehen generative KI als echte Bedrohung. Fortune berichtet, dass Tausende von Arbeitsplätzen durch KI verloren gegangen sind, was ausdrücklich „definitiv zu wenig“ ist.

Ich weiß nicht, warum es zu einem bestimmten Ergebnis kam.Bei neuronalen Netzen kann man nicht genau wissen, warum oder wie sie eine bestimmte Ausgabe liefern – sie kann beispielsweise nicht direkt auf einen bestimmten Teil des Trainingskorpus zurückgeführt werden. In stark regulierten Branchen wie dem Gesundheitswesen oder dem Finanzwesen basieren einige KIs teilweise oder vollständig auf regelbasierten Algorithmen, die von Menschen ausgewertet werden können.

Energieverbrauch.Es ist schwer, es direkt zu messen, aber eine Studie schätzt, dass die Erstellung eines einzelnen Bildes, beispielsweise mit DALL-E, nahezu die gleiche Energiemenge verbraucht wie der Ladezyklus eines Smartphones, was sich im Laufe der Zeit erheblich summieren kann.

Abschluss

KI ist sowohl alt als auch sehr neu. Obwohl es das Fachgebiet schon seit fast 70 Jahren gibt, sind sich viele von uns erst im letzten Jahrzehnt und insbesondere in den letzten Jahren seiner Kraft und seines Potenzials bewusst geworden. Dank Innovationen wie neuronalen Netzen, Deep Learning, Verarbeitung natürlicher Sprache und generativer KI sind Werkzeuge, die vor nicht allzu langer Zeit wie Science-Fiction geklungen hätten, heute leicht verfügbar und bewirken einen großen Unterschied in der Welt. Möchten Sie gleich etwas Praktisches ausprobieren? Melden Sie sich bei Grammarly an und sehen Sie, wie KI für Sie arbeiten kann.