KI wird bleiben, also informieren Sie sich über diese 7 KI-Begriffe

Quicklinks

Künstliche Intelligenz (KI) vs. AGI (Künstliche Allgemeine Intelligenz)

KI-Halluzination

Neuronale Netze

Maschinelles Lernen vs. Deep Learning

Verarbeitung natürlicher Sprache (NLP)

Transformatormodelle

Große Sprachmodelle

Die KI schreitet mit rasender Geschwindigkeit voran. Wenn Sie mit der Zeit gehen wollen, ist es wichtig, dass Sie den Jargon kennen, der von KI-Unternehmen und Vermarktern verwendet wird. Hier sind sieben KI-Begriffe, die im alltäglichen Diskurs häufig verwendet werden, um Ihnen zu helfen, ein informierter Teilnehmer zu werden.

1 Künstliche Intelligenz (KI) vs. AGI (Künstliche Allgemeine Intelligenz)

KI-Unternehmen sprechen oft davon, AGI zu erreichen. Was ist das und wie unterscheidet es sich von der heutigen KI?

Die Lehrbuchdefinition von KI sind Computersysteme, die Aufgaben ausführen können, die menschenähnliche Intelligenz erfordern. Aktuelle KI-Tools erfüllen diese Definition jedoch nicht vollständig. Sie zeigen nur flüchtige Einblicke in eine menschenähnliche Intelligenz, die sich auf bestimmte Aufgaben konzentriert.

ChatGPT kann beispielsweise mit DALL-E Text schreiben, Code schreiben und Bilder generieren. Aber es kann keine Musik erzeugen. Udio kann Musik erstellen, aber keinen Text schreiben. Es verwendet tatsächlich GPT-4o für Texte. Echte KI sollte all diese Dinge und noch mehr tun, genau wie Menschen es können.

Hier kommt AGI ins Spiel. AGI bezieht sich auf Computer, die bei mehreren Aufgaben menschenähnliche Intelligenz zeigen können. Mit AGI zu interagieren wäre, als würde man mit Commander Data von Star Trek sprechen.

Obwohl wir wissen, was AGI tun soll, wissen wir nicht, wie es funktionieren würde. Die meisten KI-Forscher, darunter auch der KI-Chef von Meta, glauben, dass AGI noch Jahrzehnte entfernt ist.

2 KI-Halluzination

Haben Sie ChatGPT eine Frage gestellt und eine perfekt klingende Antwort erhalten - bis Ihnen klar wurde, dass sie erfunden war? Das ist KI-Halluzination.

KI-Systeme generieren manchmal mit Expertensicherheit falsche Informationen. Sie könnten behaupten, Shakespeare habe „Der große Gatsby“ so überzeugend geschrieben, dass man es fast glaubt.

Diese Probleme traten häufig auf, als ChatGPT zum ersten Mal mit GPT-3.5 gestartet wurde. Halluzinationen sind mit GPT-4 und GPT-4o zurückgegangen, kommen aber immer noch vor. Aber warum?

Nun, KI-Modelle verstehen Informationen nicht so gut wie wir. Sie sagen Wörter basierend auf erlernten Mustern voraus. Dadurch entstehen grammatikalisch korrekte, logische Sätze. Allerdings kann es manchmal passieren, dass sie Daten und Fakten fabrizieren.

Forscher arbeiten daran, Halluzinationen zu reduzieren, aber es ist immer noch ein Problem. So wie es aussieht, sind Sie die beste Verteidigung gegen Halluzinationen. Gehen Sie beim Einsatz von KI immer mit der gebotenen Sorgfalt vor und überprüfen Sie alle Fakten, die sie generiert, noch einmal, insbesondere wenn sie zu gut oder seltsam klingen, um wahr zu sein.

3 Neuronale Netze

Neuronale Netze sind Computersysteme, die von der Organisation von Neuronen im Gehirn von Tieren inspiriert sind - daher der Name. Die Idee besteht darin, Computermodelle zu erstellen, die Informationen verarbeiten und auf eine Weise lernen können, die von biologischen neuronalen Systemen inspiriert ist (nicht unbedingt mit diesen identisch ist).

Im menschlichen Gehirn verbinden sich Neuronen in komplexen Mustern. Ihre Aktivierung beeinflusst unsere Erinnerungen, Gedanken und Handlungen. In neuronalen Netzen empfangen künstliche Neuronen (Knoten) Eingaben, verarbeiten diese und senden Ausgaben. Diese Knoten sind in komplizierten Mustern verbunden. Die resultierende Struktur ermöglicht es dem System, ein breites Spektrum an Aufgaben auszuführen, die Intelligenz auf menschlicher Ebene erfordern.

Zu den Anwendungen neuronaler Netze gehören Bild- und Spracherkennung, autonome Fahrzeuge, Finanzprognosen und die Verarbeitung natürlicher Sprache, die es Computern ermöglicht, menschliche Sprache zu verstehen und zu erzeugen.

Allerdings benötigen neuronale Netze, insbesondere solche, die für komplexe Arbeitslasten konzipiert sind, viele hochwertige Trainingsdaten, um Muster zu lernen und neue Situationen zu bewältigen. Es kann schwierig sein, dies zu erreichen.

Außerdem sind einige neuronale Netze - insbesondere Deep-Learning-Modelle (mehr dazu im nächsten Abschnitt) - schwer zu interpretieren. Es kann schwierig sein zu verstehen, wie sie zu Schlussfolgerungen gelangen. Das ist das Black-Box-Problem. Forscher arbeiten an besser interpretierbaren Modellen und Möglichkeiten, KI-Entscheidungen zu erklären.

4 Maschinelles Lernen vs. Deep Learning

Maschinelles Lernen (ML) und Deep Learning (DL) sind zwei der größten Schlagworte im Technologiebereich. Während einige Leute denken, dass maschinelles Lernen und Deep Learning dasselbe sind, gibt es einen subtilen, aber wichtigen Unterschied, den es zu beachten gilt.

Maschinelles Lernen ist ein breiteres Feld der Informatik, bei dem Computer mit vielen Daten gefüttert werden, um selbstständig Muster zu finden. Dies steht im Gegensatz zur herkömmlichen Programmierung, bei der Entwickler jede mögliche Interaktion mit dem Benutzer programmieren müssen.

ML-Programme erfordern nicht so viel Handgriff und können Ausgaben generieren, indem sie auf Muster in Trainingsdaten verweisen - selbst wenn Sie ihnen eine einzigartige Situation präsentieren, die in den Trainingsdaten nicht vorhanden ist. Allerdings benötigen sie während des Trainings menschliche Anleitung, um sicherzustellen, dass sie auf dem richtigen Weg sind. Wir sehen einige Anwendungen von ML-Systemen in der Spam-Erkennung, Produktempfehlungen und Wettervorhersagen.

Nun ist Deep Learning eine Teilmenge des maschinellen Lernens, die mehrschichtige neuronale Netze nutzt - daher der Name „Deep“. Es erfordert weniger menschlichen Input als herkömmliches ML. Der menschliche Input ist hauptsächlich in den frühen Phasen beteiligt, beispielsweise beim Entwurf des Basismodells.

Mit Deep Learning können Sie mit wenig menschlicher Hilfe Muster in Rohdaten finden. Es eignet sich hervorragend für den Umgang mit komplexen Daten wie Bildern oder Texten. Es treibt fortgeschrittene Computeraufgaben wie Bild- und Gesichtserkennung, Sprachverarbeitung und autonome Fahrzeuge voran. Um dies zu ermöglichen, erfordern DL-Modelle jedoch riesige Trainingsdatensätze und viel Rechenleistung.

5 Verarbeitung natürlicher Sprache (NLP)

NLP ist ein Studiengebiet der Informatik, das sich mit der Unterstützung von Computern beim Verstehen, Interpretieren und Erzeugen menschlicher Sprache befasst. Moderne NLP-Aufgaben nutzen Deep Learning, um beeindruckende Ergebnisse zu erzielen.

Einige Beispiele für NLP-Power-Aufgaben umfassen Spracherkennung, Text-to-Speech, Stimmungsanalyse, Sarkasmuserkennung, Textstilübertragung und mehr.

NLP ist das Rückgrat von Konversationstechnologien wie Alexa, Siri und anderen KI-Chatbots. Es hilft auch bei der Übersetzung, Inhaltsmoderation und automatisch generierten Inhalten. Jüngste NLP-Fortschritte haben das KI-Schreiben menschenähnlicher gemacht. Das ist der Grund, warum ChatGPT so natürlich klingt.

6 Transformatormodelle

Transformatormodelle sind ein neues und revolutionäres Werkzeug im KI-Bereich. Die Idee für Transformatoren wurde 2017 in einem Artikel mit dem Titel „Attention Is All You Need“ von Forschern bei Google Brain vorgeschlagen.

Transformatormodelle sind im Wesentlichen eine neuronale Netzwerkarchitektur, die für die Verarbeitung natürlicher Sprache verwendet wird. Das Grundkonzept besteht darin, zunächst ein breites Spektrum an Eingaben auf einmal (oder parallel) zu analysieren und dann zu bestimmen, welche Elemente am relevantesten sind - ein Prozess, der als „Selbstaufmerksamkeit“ bezeichnet wird.

Sie können es sich wie einen äußerst effizienten Leser vorstellen, der mehrere Absätze sofort liest und aus dem gesamten Kontext die Bedeutung ableitet, anstatt jeden Absatz nacheinander Wort für Wort zu lesen.

Dieser Selbstaufmerksamkeitsmechanismus ermöglicht es Transformer-Modellen, menschliche Eingaben besser zu verstehen und daher bessere Ausgaben zu generieren. Es ermöglicht hochentwickelte Sprachübersetzungsfunktionen, Textzusammenfassung und natürlich die Textgenerierung.

Transformer-Modelle sind die Technologie hinter leistungsstarken Tools wie Googles BERT (Bidirektionale Encoder-Repräsentationen von Transformers) oder ChatGPT (Chat Generative Pre-trained Transformer). Es geht jedoch nicht nur um die Textgenerierung, denn diese Tools sind auch für Computer Vision und Spracherkennung nützlich.

7 Große Sprachmodelle

Large Language Models (LLMs) sind leistungsstarke Transformer-Modelle, die auf riesigen Textdatensätzen trainiert werden. Sie verfügen über Milliarden oder Billionen Parameter und konzentrieren sich hauptsächlich auf sprachspezifische Arbeitslasten. ChatGPT, oder speziell GPT, ist ein LLM. Claude, Gemini und Llama sind Beispiele für LLMs.

Dank LLMs verfügen wir jetzt über fortgeschrittene Textgenerierung, Textzusammenfassung, Übersetzung, Codegenerierung, Aufgabenverständnis und -ausführung und vieles mehr.

LLMs werden ohne spezifische Anweisungen an verschiedenen Datensätzen im Internetmaßstab geschult. Sie erzeugen Muster und Verbindungen in Daten. Manchmal können diese Muster falsch sein, dann kommen Menschen ins Spiel, um die Modelle für bestimmte Aufgaben und Anwendungen zu verfeinern.

Eine der größten Herausforderungen bei LLMs sind derzeit ethische Bedenken und die Möglichkeit von Fehlinformationen. Da der Trainingsdatensatz möglicherweise Fehlinformationen und Voreingenommenheiten enthält, können diese auf das LLM übertragen werden. Dies ist tatsächlich einer der Gründe, warum Googles Search Generative Experience begann, Fehlinformationen für Nutzer zu produzieren.

Sie verfügen jetzt über Kenntnisse über sieben wichtige KI-Begriffe. Wenn Sie das nächste Mal über die neuesten KI-Neuigkeiten chatten, können Sie diese Begriffe wie ein Profi fallen lassen. Denken Sie daran, dass sich die KI-Welt schnell bewegt, also lernen Sie weiter und bleiben Sie neugierig!