Zum Inhalt springen
Zurück zu KI-Grundlagen

KI-Grundlagen · Kapitel 1 von 8

Was KI ist und was nicht

Die meisten KI-Systeme, die heute im Einsatz sind, lernen Muster aus Beispielen und nutzen sie, um für etwas Neues ein Ergebnis abzuleiten. Ein solches System ist kein Verstand, keine Datenbank und keine Suchmaschine, und seine Beispiele prägen jede Antwort.

12 Minuten0 von 4 Zielen erreicht

Ziele

  • Platziere Beispiele zweier Arten und lass den Klassifikator sie lernen.Offen
  • Teste eine neue Frucht und sieh, welche Beispiele entscheiden.Offen
  • Füg eine einseitige Lieferung Beispiele hinzu und sieh zu, wie sich die Grenze verschiebt.Offen
  • Besteh den Check.Offen

Schritt 1 von 4: Der Text

Aus Beispielen lernen

Die meisten KI-Systeme, die heute im Einsatz sind, sind Programme, die Muster aus Beispielen lernen und diese Muster dann nutzen, um für etwas Neues ein Ergebnis zu erzeugen. Die Beispiele heißen Daten. Das Ergebnis kann ein Label wie „Spam“ sein, eine Zahl wie die Verkaufszahlen der nächsten Woche oder das nächste Wort eines Satzes.

Ein Ergebnis auf diese Weise zu ermitteln, heißt Inferenz: Die Antwort kommt aus Mustern, nicht aus dem Nachschlagen.

Erst Training, dann Nutzung

Ein solches System hat zwei Phasen. Im Training bekommt es viele Beispiele gezeigt und stellt sich so ein, dass es zu ihnen passt. In der Nutzung wendet es das Gelernte auf Eingaben an, die es nie gesehen hat. Die Nutzung ändert nicht, was es gelernt hat; dafür braucht es eine weitere Trainingsrunde.

Was es nicht ist

Es ist kein Verstand: Es berechnet Ergebnisse aus Mustern und will nichts. Es ist keine Datenbank: Eine Datenbank gibt nur zurück, was gespeichert wurde, während ein KI-System auch für Eingaben antwortet, die niemand gespeichert hat, und sich irren kann. Es ist keine Suchmaschine: Es ruft keine Seiten ab, auch wenn manche Tools es mit einer verbinden.

Die Beispiele entscheiden

Ein System lernt nur aus seinen Beispielen, also prägen sie jede Antwort. Wenn die Beispiele einseitig sind, also eine Art oder eine Quelle viel häufiger vorkommt als der Rest, neigen die Antworten in dieselbe Richtung. Ein System, das vor allem aus Fotos aus einem einzigen Land gelernt hat, schneidet bei Fotos von anderswo meist schlechter ab.

In der Visualisierung

Du trainierst einen Klassifikator, ein Programm, das Dinge in Arten einteilt, damit er Zitronen anhand von Größe und Farbe von Orangen unterscheidet. Jede Frucht ist ein Punkt auf einer Karte. Um eine neue Frucht zu beurteilen, sucht er die 3 Beispiele, die ihr auf der Karte am nächsten liegen, ihre nächsten Nachbarn, und antwortet mit der Art, zu der die meisten von ihnen gehören. Die Linie, an der seine Antwort von einer Art zur anderen wechselt, ist seine Grenze.

Bei diesem einfachen Klassifikator heißt Training, die Beispiele zu behalten. Große Modelle passen dagegen beim Training eine riesige Zahl interner Werte an und behalten diese Werte statt der Beispiele.

Schritt 2 von 4: Probier es aus: Bring einem winzigen Klassifikator etwas bei

Bring einem winzigen Klassifikator etwas bei

Platziere Zitronen und Orangen auf der Karte, teste eine Frucht, die er nicht gesehen hat, füg dann eine einseitige Lieferung hinzu und sieh zu, wie sich die Grenze verschiebt.

Visualisierung wird geladen…

Modus:EchtEcht: Der Klassifikator läuft auf dieser Seite und lernt nur aus den Früchten auf der Karte. Im letzten Schritt platziert die Seite die neue Zitrone und die Lieferung, und sie legt die Lieferung dorthin, wo sie die Antwort für diese Zitrone ändert.

Schritt 3 von 4: Check

Check

Frage 1 von 3Ein System wurde mit Tausenden Fotos trainiert, die mit „Katze“ oder „Hund“ beschriftet sind. Jetzt beschriftet es ein Foto, das es nie gesehen hat. Was tut es?

Als Nächstes: Frage 2 von 3

Frage 2 von 3Ein Tool, das ein Support-Postfach sortiert, hat aus vielen Nachrichten zu Rechnungen und nur wenigen zum Versand gelernt. Eine neue Nachricht ist unklar: Sie könnte beides sein. Was ist das wahrscheinliche Ergebnis?
Frage 3 von 3Warum hat der Klassifikator in der Visualisierung angefangen, eine typische Zitrone Orange zu nennen?

Schritt 4 von 4: Was du jetzt kannst

Was du jetzt kannst

  • Mit einfachen Worten erklären, dass ein KI-System Ergebnisse aus Mustern in seinen Beispielen ableitet.
  • Training (wenn ein System aus seinen Beispielen lernt) und Nutzung (wenn es das Gelernte anwendet) auseinanderhalten.
  • Sagen, warum ein KI-System kein Verstand, keine Datenbank und keine Suchmaschine ist.
  • Erklären, warum einseitige Beispiele zu einseitigen Antworten führen.