Was ist künstliche Intelligenz?

Ein Sammelbegriff statt einer einzigen Maschine

Eine einheitliche Definition, die in jedem Zusammenhang gleich verwendet wird, gibt es nicht. Das britische Forschungslabor Dstl erläutert diese Begriffsvielfalt. Als Orientierung geht es um Systeme, die Aufgaben wie Wahrnehmung, Planung oder sprachliche Verarbeitung bearbeiten. Welche Fähigkeit tatsächlich vorhanden ist, muss an der jeweiligen Aufgabe gezeigt werden.

Es hilft deshalb wenig, nur zu fragen, ob eine Anwendung „wirklich intelligent“ sei. Konkreter sind Fragen wie: Kann sie diese Bilder unter den vorgesehenen Bedingungen richtig zuordnen? Kann sie eine verständliche Zusammenfassung erzeugen, ohne wichtige Angaben zu verändern? Und woran merken wir, dass ihre Antwort falsch ist? Diese Fragen lassen sich eher überprüfen als ein sehr allgemeines Werbeversprechen.

Feste Regeln und gelernte Muster unterscheiden

Nehmen wir ein eigenes Beispiel: Ein Programm soll Nachrichten sortieren. Eine feste Regel könnte lauten: Wenn im Betreff „Vereinstreffen“ steht, lege die Nachricht in den Vereinsordner. Die Person, die das Programm baut, hat diese Bedingung ausdrücklich vorgegeben. Der Computer muss sie nicht erst aus Beispielen entdecken.

Beim maschinellen Lernen wird ein Modell anhand von Daten angepasst. Das Ziel kann etwa sein, neue Eingaben einer Kategorie zuzuordnen. NIST beschreibt maschinelles Lernen als Verfahren, bei denen Systeme aus Daten lernen und sich anpassen. Solche Lernverfahren sind ein Teilgebiet der KI; die Begriffe bezeichnen nicht in jedem Zusammenhang genau dasselbe.

Training ist etwas anderes als die spätere Anwendung

In unserem gedachten Sortierprojekt sammeln wir zunächst Beispielnachrichten, deren richtige Ordner bekannt sind. Ein Lernverfahren passt das Modell so an, dass es passende Zuordnungen erzeugt. Später erhält das fertige Modell eine neue Nachricht und macht einen Vorschlag. Diese Verarbeitung einer neuen Eingabe ist von der vorherigen Anpassung im Training zu unterscheiden.

Nicht jede spätere Nutzung muss das Modell unmittelbar neu trainieren. Außerdem ist eine gute Leistung auf bekannten Übungsbeispielen noch kein Beweis für neue Fälle. Googles Einführung erläutert Lernen, Modelle und Vorhersagen. Für unser Beispiel wäre deshalb eine separate Sammlung bisher nicht verwendeter Nachrichten sinnvoll, an der wir die Zuordnung prüfen.

Generative KI erzeugt Ausgaben statt nur Kategorien

Ein Klassifikationssystem ordnet etwas einer Klasse zu. Generative Systeme können dagegen beispielsweise Text oder Bilder erzeugen. Sie nutzen dafür gelernte Muster und die jeweilige Eingabe. Google unterscheidet in seiner Einführung diese Arten von Ausgaben. „Erzeugen“ ist aber keine Zusage, dass ein Text wahre Aussagen enthält oder ein Bild ein reales Ereignis zeigt.

Du kannst dir zwei verschiedene Aufgaben vorstellen: Ein System markiert unsere Nachricht als „Verein“, ein anderes formuliert daraus eine Einladung. Die zweite Ausgabe lässt sich nicht allein daran beurteilen, ob sie flüssig klingt. Termin, Ort und Zusagen müssen mit dem Ausgangsmaterial übereinstimmen. Unser Beitrag zu ChatGPT zeigt diesen Umgang an einer konkreten Anwendung.

Daten, Ziele und Fehler gehören zur Bewertung

Für unser Sortierprojekt wäre es problematisch, wenn die Übungsnachrichten nur von einem einzigen Absender stammen. Das Modell könnte etwas lernen, das bei anderen Absendern nicht trägt. Auch das Ziel zählt: Ein System, das möglichst viele Nachrichten automatisch ablegt, kann anders arbeiten als eines, das bei Unsicherheit lieber nachfragt. Beides sind Entscheidungen über die Aufgabe, keine unvermeidlichen Eigenschaften von KI.

Notiere deshalb, was ein Fehler bedeutet und wie damit umzugehen ist. Eine falsch abgelegte Vereinsnachricht ist etwas anderes als eine übersehene wichtige Frist. Das NIST-Glossar zeigt die breite Verwendung des KI-Begriffs; aus der Bezeichnung allein lässt sich keine Eignung für einen bestimmten Einsatz ableiten. Für eine solche Entscheidung braucht es aufgabengerechte Prüfungen und menschliche Verantwortung.