Künstliche Intelligenz (KI) bezieht sich auf die Entwicklung von Computerprogrammen oder Systemen, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern würden. Das Ziel der KI ist es, Maschinen die Fähigkeit zu geben, zu lernen, zu verstehen, zu denken und Entscheidungen zu treffen, ähnlich wie es Menschen tun.
Siehe auch Large language models und Machine learning.
Künstliche Intelligenz kann in zwei Hauptkategorien unterteilt werden:
- Schwache KI (englisch: Narrow AI): Schwache KI bezieht sich auf Systeme, die auf spezifische Aufgaben oder Probleme zugeschnitten sind und in einem begrenzten Bereich menschenähnliche Intelligenz zeigen können. Diese Systeme sind auf eine bestimmte Aufgabe oder einen bestimmten Anwendungsbereich beschränkt. Beispiele für schwache KI sind Spracherkennungssysteme, Bilderkennungssysteme oder Empfehlungsalgorithmen.
- Starke KI (englisch: Artificial General Intelligence, AGI): Starke KI bezieht sich auf Systeme, die eine allgemeine Intelligenz besitzen und in der Lage sind, komplexe Aufgaben zu verstehen und zu lösen, die normalerweise menschliche Intelligenz erfordern. Diese Systeme sollen in der Lage sein, ein breites Spektrum an kognitiven Fähigkeiten zu besitzen, wie zum Beispiel logisches Denken, Lernen, Sprachverständnis und Problemlösung auf einem menschlichen Niveau. Starke KI ist noch nicht erreicht worden und bleibt ein Ziel der Forschung und Entwicklung.
Künstliche Intelligenz nutzt verschiedene Techniken und Ansätze, darunter Machine Learning, Deep Learning, natürliche Sprachverarbeitung, Computer Vision und andere. Sie findet Anwendung in verschiedenen Bereichen wie Medizin, Finanzen, Verkehr, Robotik, Automatisierung, Spieleentwicklung und vielem mehr.
Machine Learning ist ein Ansatz, bei dem Algorithmen entwickelt werden, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen, ohne explizit programmiert zu werden. Bei ML werden Modelle auf Grundlage von Trainingsdaten erstellt, die aus Eingabeattributen und den zugehörigen Zielwerten oder Ergebnissen bestehen. Das Modell wird dann darauf trainiert, Muster und Beziehungen in den Daten zu erkennen und Vorhersagen für neue, nicht gesehene Daten zu machen. ML-Modelle können in verschiedenen Formen auftreten, wie zum Beispiel lineare Regression, Entscheidungsbäume, Random Forests oder Support Vector Machines.
Deep Learning hingegen ist eine spezielle Form des Machine Learnings, die auf künstlichen neuronalen Netzwerken (KNN) basiert. Ein neuronales Netzwerk besteht aus mehreren Schichten von künstlichen Neuronen, die miteinander verbunden sind. Jedes Neuron erhält Eingabedaten, führt eine Berechnung durch und gibt das Ergebnis an die nächsten Neuronen weiter. Deep Learning bezieht sich auf Netzwerke mit vielen Schichten, die „tiefer“ sind als herkömmliche neuronale Netzwerke. Durch diese zusätzlichen Schichten können Deep-Learning-Modelle komplexere und abstraktere Merkmale in den Daten lernen.
Ein wichtiger Unterschied zwischen ML und DL besteht also darin, dass Deep-Learning-Modelle tiefer und komplexer sind und eine größere Fähigkeit zur automatischen Extraktion von Merkmalen besitzen. Dies ermöglicht es ihnen, in vielen Anwendungsbereichen wie Bilderkennung, Spracherkennung, natürlicher Sprachverarbeitung und automatisiertem Fahren beeindruckende Ergebnisse zu erzielen. Allerdings erfordern Deep-Learning-Modelle oft auch mehr Daten und Rechenleistung im Vergleich zu traditionellen Machine-Learning-Methoden.
