Wie unterscheiden sich KI’s voneinander?
Das Thema Künstliche Intelligenz (KI) ist allgegenwärtig und betrifft uns früher oder später alle. Doch was verbirgt sich eigentlich hinter der Faszination KI? Wie funktioniert sie und welche Auswirkungen hat sie auf unser tägliches Leben und die Zukunft unserer Gesellschaft? Mit der neuen e-dynamics Blogbeitragsserie möchten wir ein tieferes Verständnis für KI fördern und dazu einladen, die spannenden Möglichkeiten sowie die damit verbundenen Herausforderungen anhand von Beispielen aus der Praxis kennenzulernen. Begleitet uns in die faszinierende Welt der Künstlichen Intelligenz!
In unserem ersten Blogbeitrag haben wir mit den Basics gestartet: Was ist überhaupt eine KI? Wie wird sie entwickelt? Was kann sie bereits und was noch nicht?
Mit dem zweiten Beitrag der Serie tauchen wir etwas tiefer in die Materie ein und widmen uns der Frage, ob alle KI’s gleich funktionieren oder inwiefern sich KI’s auch voneinander unterscheiden können.
Das KI-Spektrum: Ein Überblick über AI, Machine Learning, Deep Learning und Generative AI
Der Begriff „KI“ umfasst ein breites Spektrum an Technologien und Konzepten, die oft miteinander verwechselt bzw. gleichgesetzt werden. Im Folgenden werfen wir einen genaueren Blick auf die unterschiedlichen Arten von KI und erklären, wie sich Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL) und Generative AI voneinander unterscheiden.
Artificial Intelligence (AI): Der Oberbegriff für intelligente Systeme
Artificial Intelligence (AI) oder einfach KI beschreibt die Fähigkeit von Maschinen, Aufgaben zu übernehmen, die normalerweise menschliche Intelligenz erfordern. Diese Aufgaben umfassen z.B. Problemlösungen, Mustererkennung, Entscheidungsfindung, Sprachverarbeitung uvm. AI ist der breiteste Begriff unter allen hier vorgestellten Technologien. Darunter fallen sämtliche Ansätze, bei denen eine Maschine so programmiert wird, dass sie intelligentes Verhalten aufweist. Hierzu gehören einfache, regelbasierte Systeme, wie z.B. Staubsauger-Roboter ebenso wie hochkomplexe, lernende Maschinen.
AI lässt sich grundsätzlich in zwei Hauptkategorien einteilen: Weak AI und Strong AI. Darauf werden wir später noch genauer eingehen.
Machine Learning (ML): Maschinen lernen aus Daten
Eine spezielle Unterkategorie von AI ist Machine Learning (ML). ML bedeutet, dass Maschinen nicht explizit programmiert werden müssen, um Aufgaben zu erfüllen, sondern aus Daten lernen können. Statt festen Regeln zu folgen, erstellen Machine-Learning-Modelle Vorhersagen oder Entscheidungen, basierend auf den Mustern, die sie aus großen Datenmengen identifizieren können. Genau nach diesem Prinzip funktioniert auch die Anomalie Erkennung mit unserem AI-Tool ed.Detect, welches basierend auf ML-Algorithmen lernt.
Die Maschine erstellt demnach ein mathematisches Modell, das dann mit neuen Daten genutzt wird, um Vorhersagen oder Entscheidungen zu treffen. Es gibt verschiedene Arten von Machine-Learning-Methoden, auf die wir in den nächsten Beiträgen unserer Blogserie im Detail eingehen werden:
- Supervised Learning: Die Maschinen werden mit einem Datensatz trainiert, der Eingaben (Input) und die dazugehörigen richtigen Ausgaben (Output) enthält. Sie lernen, die Eingaben mit den Ausgaben zu verknüpfen, um bei neuen Daten ähnliche Zuordnungen vorzunehmen.
- Unsupervised Learning: Hier gibt es dagegen keine vorgegebenen Ausgaben. Die Maschinen suchen eigenständig nach Mustern oder Ähnlichkeiten in den Daten.
- Reinforcement Learning: Die Maschinen lernen durch Belohnungen oder Bestrafungen für ihre Entscheidungen, um mit der Zeit optimale Strategien zu entwickeln.
Ein klassisches Beispiel für Machine Learning ist der Algorithmus, den der Streaming-Anbieter Netflix verwendet, um basierend auf bisherigen Sehgewohnheiten, personalisierte Film- und Serienempfehlungen zu liefern.
Deep Learning (DL): Lernen mit Neural Networks
Deep Learning ist eine spezielle Form von Machine Learning und bezieht sich auf den Einsatz von Neural Networks mit mehreren Schichten (daher „deep“). Diese Netzwerke sind inspiriert vom Aufbau des menschlichen Gehirns, wobei „Neuronen“ in verschiedenen Schichten miteinander verbunden sind.
Deep Learning ist besonders leistungsstark, wenn es um große und komplexe Datensätze geht. Es wird u.a. in Bereichen wie Sprachverarbeitung, Bilderkennung oder autonomem Fahren eingesetzt. Ein gängiges Beispiel ist die Gesichtserkennung auf Facebook oder Smartphones, die auf Deep Learning basiert.
Im Gegensatz zu herkömmlichen ML-Modellen, kann Deep Learning Daten direkt verarbeiten, ohne dass sie vorher manuell aufbereitet werden müssen. Es lernt eigenständig, welche konkreten Merkmale der Daten relevant sind, was wiederum zu genaueren Ergebnissen führt. Das macht DL sehr mächtig, erfordert jedoch große Rechenleistung und sehr umfangreiche Datenmengen.
Generative AI: Erstellen neuer Inhalte
Generative AI ist eine relativ neue und besonders spannende Art der KI. Sie gehört zur Klasse der Machine-Learning-Modelle, die in der Lage sind, neue Inhalte zu erstellen – seien es Texte, Bilder, Musik oder sogar Videos. Das bedeutet, dass Generative AI nicht nur bestehende Daten analysieren, sondern auch neue, kreative Daten erzeugen kann.
Ein sehr bekanntes Beispiel für Generative AI ist GPT (Generative Pretrained Transformer), wie es u.a. von OpenAI entwickelt wurde und in ChatGPT eingesetzt wird. GPT kann menschenähnliche Texte verfassen und auf eine Vielzahl von Fragen antworten. Weitere Beispiele sind sogenannte GANs (Generative Adversarial Networks), die in der Lage sind, realistisch wirkende Bilder oder Videos zu erzeugen.
Generative AI hat bereits in vielen Bereichen Anwendung gefunden:
- Texterzeugung: KI-Modelle wie GPT-3 oder GPT-4, die Texte schreiben, Blogs verfassen oder sogar Codes generieren können.
- Kunst & Design: KI-generierte Kunstwerke oder Designs.
- Musik & Video: KI kann neue Musikstücke komponieren oder Videos erzeugen und bearbeiten.
Klassifizierung von KI
Das KI-Spektrum umfasst unterschiedliche Formen von Künstlicher Intelligenz, die sich anhand ihrer Fähigkeiten und Entwicklungsmöglichkeiten voneinander unterscheiden. Diese lassen sich wiederum in zwei Hauptkategorien einteilen: Realized AI (realisierbare KI) und Theoretical AI (theoretische KI). Innerhalb dieser Kategorien gibt es weitere Differenzierungen, die ihre Fähigkeiten und Grenzen beschreiben.
Realized AI
Realized AI bezeichnet die Formen von Künstlicher Intelligenz, die bereits heute existieren und auch aktiv genutzt werden. Diese KI’s sind auf konkrete Aufgaben spezialisiert und werden unter dem Begriff Weak AI (oder: Narrow AI) zusammengefasst. Realized AI ist in der Lage, Probleme zu lösen, auf dessen Lösung sie explizit trainiert wurde, kann jedoch außerhalb ihres engen Aufgabenbereichs nicht agieren.
A. Reactive Machine AI
Reactive Machine AI ist die gängigste Form der KI, die uns im Alltag begegnet. Sie wird anhand von vergangenen Daten trainiert und ist so in der Lage, auch aktuelle Informationen zu analysieren oder Prognosen zu stellen. Sie hat jedoch kein Gedächtnis und ist nicht in der Lage, ihre Entscheidungen anhand von Erfahrungswerten, die über das Wissen aus den Trainingsdaten hinausgehen, anzupassen.
Beispiele für Reactive Machine AI sind u.a. ed.Detect oder Schachcomputer. Sie analysieren riesige Menge an Daten und Erkennen so Muster, Regeln und Zusammenhänge. Dadurch sind sie in der Lage, einen neuen Zustand zu erfassen und anschließend entsprechend auszuwerten, bspw. zur Erkennung von Anomalien in Datenströmen oder für den nächsten Zug der Schachpartie. Was sie nicht können, ist aus aktuellen Daten und Entscheidungen zu lernen. Es sei denn, diese Daten werden in einen neuen Trainingssatz integriert, sodass das zugrunde liegende Modell aktualisiert werden kann.
Für klar definierte Aufgaben in einem festen Rahmen ist Reactive Machine AI sehr effektiv, präzise und schnell in der Entscheidungsfindung. Allerdings verringert sich ihre Funktionalität außerhalb dieses festgelegten Aufgabenbereichs, da sie sich an neue Anforderungen nicht automatisch anpasst.
B. Limited Memory AI
Limited Memory AI kann, im Gegensatz zu Reactive Machine AI, auch anhand von aktuellen Daten lernen und sich weiterentwickeln. Dazu passt sie ihr initiales Modell ständig den neuen Anforderungen und Gegebenheiten an, sodass ein stetiger Lernfortschritt erreicht wird. Diese Form der KI wird in vielen modernen Anwendungen verwendet, für die es notwendig ist, neben dem Verständnis des Grunddatensatzes auch neue Daten zu interpretieren und sich bei Bedarf anzupassen.
Klassische Beispiele für Limited Memory AI sind autonome Fahrzeuge oder Sprachassistenten. Autonome Fahrzeuge können Sensordaten wie Geschwindigkeiten, Distanzen zu anderen Fahrzeugen oder Verkehrszeichen speichern und in Echtzeit analysieren, um sicher und effizient zu navigieren. Sprachassistenten wie z.B. Siri oder Alexa nutzen vergangene Anfragen oder Interaktionen, um Anfragen in einen synthetischen Gesprächskontext einzuordnen und anschließend personalisierte Antworten geben zu können. Dabei wird sichergestellt, dass die Antworten der AI über den gesamten Interaktionsverlauf konsistent bleiben.
Aufgrund der Flexibilität und Anpassungsfähigkeit besteht bei Limited Memory AI die Möglichkeit, aus Fehlern oder neuen Informationen zu lernen, allerdings zu Lasten von stark höheren Ansprüchen an die Rechen- und Speicherleistung des Systems. Außerdem ist das Gedächtnis begrenzt: Die gespeicherten Daten sind oft nur vorübergehend und haben auch nur einen begrenzten Einfluss auf zukünftige Handlungen und Entscheidungen.
Theoretical AI
Die Theoretical AI bezieht sich dagegen auf KI’s, die aktuell noch nicht existieren, aber in der Zukunft entwickelt werden könnten. Sie beschreibt das Ziel der Forschung, eine KI zu schaffen, die intelligenter und flexibler ist als Weak AI und sogar den menschlichen Intellekt übertreffen könnte. Zwei Hauptkategorien innerhalb der Theoretical AI sind AGI (Artificial General Intelligence) und Super AI (Superintelligente KI).
A. AGI / Strong AI
AGI, auch Strong AI genannt, bezeichnet eine KI, die das gleiche Verständnis und die gleiche Denkfähigkeit wie ein Mensch besitzt. Im Gegensatz zu Weak AI kann AGI flexibel auf eine Vielzahl von Aufgaben reagieren und selbstständig dazu lernen, ohne dass sie auf spezifische Programme oder Algorithmen angewiesen ist. AGI könnte eine menschliche „Theory of Mind“ entwickeln, also die Fähigkeit, das Verhalten, die Emotionen und die Gedanken anderer zu verstehen und darauf basierend Entscheidungen zu treffen.
AGI befindet sich aktuell noch in der Entwicklungsphase, aber das Ziel ist eine Künstliche Intelligenz, die als allgemeiner Problemlöser agiert – ähnlich wie Menschen, die in der Lage sind, in unterschiedlichen Disziplinen zu denken und zu handeln.
B. Super AI
Super AI geht sogar noch einen Schritt weiter als AGI und beschreibt eine KI, die nicht nur die Fähigkeiten des Menschen nachahmt, sondern diese übertrifft. Diese Form von KI wäre in der Lage, eigenständige Bewusstseinsprozesse zu entwickeln, was bedeuten würde, dass sie ein Selbstbewusstsein und ein Verständnis ihrer eigenen Existenz hätte („Self Aware“). Super AI könnte demnach weitaus komplexere und intelligentere Entscheidungen treffen als Menschen, sowohl in logischen als auch in kognitiven oder kreativen Bereichen. Außerdem könnte diese KI nicht nur aus der Vergangenheit lernen, sondern auch langfristige Strategien entwickeln und Probleme lösen, die weit über menschliche Fähigkeiten hinausgehen.
Super AI existiert bisher nur in der Theorie und in Science-Fiction-Darstellungen, wie etwa in Filmen wie z.B. „Ex Machina“ oder „Her“, in denen KI’s ein eigenständiges Bewusstsein sowie überlegene Intelligenz entwickeln.
Wie unterscheiden sich beispielsweise ChatGPT und ed.Detect voneinander?
| ChatGPT | ed.Detect |
|---|---|
| Large Language Model (LLM) | Input durch relationale Daten |
| Basierend auf Transformers | Klassicher ML-Algorithmus |
| Limited Memory | Reactive AI |
| Short-Term Wissen | Kann nicht aus vergangenen Erfahrungen lernen |
| ca. 70 Mrd. Parameter | 4 Parameter |
| Blackbox | Explainable AI |
ChatGPT ist ein Large Language Model (LLM). Es wurde mit einer großen Menge an (Text-)Daten trainiert und ist darauf ausgelegt, menschenähnliche Konversationen und Texte zu erzeugen. ed.Detect basiert dagegen auf klassischen ML-Algorithmen und nutzt relationale Daten als Input. Es ist auf konkrete Aufgaben wie z.B. das Erkennen von Mustern und Anomalien spezialisiert.
Außerdem basiert ChatGPT auf einer sogenannten „Transformer-Architektur“, die sich besonders gut für die Verarbeitung und Erzeugung von natürlicher Sprache eignet. ed.Detect verwendet hingegen klassische ML-Algorithmen, die auf statistischen oder regelbasierten Methoden beruhen, um spezifische Muster in Daten zu erkennen, was sich grundlegend von der „Transformer-Architektur“ unterscheidet.
ChatGPT besitzt Limited Memory und kann sich lediglich an den Verlauf einer laufenden Konversation erinnern. Es speichert vorübergehend Daten zur Durchführung von Aufgaben sowie zur Entscheidungsfindung. ed.Detect ist eine Reactive AI, die ebenfalls auf den aktuellen Input reagiert und basierend auf vorab trainierten Regeln, ihre konkreten Aufgaben ausführt.
Zudem verfügt ChatGPT über Short-Term Wissen, was bedeutet, dass es während einer Sitzung den Kontext verarbeiten kann, jedoch nach Beenden der Sitzung alle Informationen wieder vergisst. Es hat ca. 70 Milliarden Parameter, was seine Fähigkeit zur Sprachverarbeitung und -generierung unterstützt. ed.Detect hat hingegen nur vier Parameter, was zeigt, dass es auf klar definierte Aufgabenbereiche optimiert ist.
ChatGPT ist letztendlich eine Blackbox, da es nicht nachvollziehbar ist, wie genau das Modell zu bestimmten Ergebnissen kommt. Die internen Entscheidungsprozesse sind komplex und für Endnutzer:innen oft undurchsichtig. Dagegen ist ed.Detect ein Beispiel für Explainable AI (XAI). Dies bedeutet, dass die Entscheidungen, die das Modell trifft, transparent und nachvollziehbar sind. Benutzer:innen können verstehen, wie das Modell zu seinen Schlussfolgerungen und Handlungen gelangt, was insbesondere in Bereichen wie Compliance oder bei der Erklärung von Entscheidungen sehr relevant ist.
Fazit & Ausblick
Künstliche Intelligenz umfasst zusammenfassend ein sehr breites Spektrum an Technologien, die sich hinsichtlich ihrer Fähigkeiten und ihres Entwicklungsstadiums stark voneinander unterscheiden. Jede der o.g. Technologien trägt auf ihre Weise dazu bei, KI leistungsfähiger zu machen, wobei sie abhängig vom individuellen Anwendungsfall unterschiedliche Stärken und Schwächen besitzen.
Während Realized AI heute bereits in Form von Weakl AI unseren Alltag prägt und Systeme umfasst, die auf konkrete Aufgaben spezialisiert sind, ist Theoretical AI (noch) eine Vision der Zukunft, in der KI’s die Intelligenz des Menschen erreichen oder sogar übertreffen. Die Forschung und Weiterentwicklung dieser KI-Typen wird die Zukunft unserer Gesellschaft sowie Technologie maßgeblich beeinflussen und die Art und Weise, wie wir arbeiten und leben, zunehmend verändern.
In unserem nächsten Blogbeitrag tauchen wir in die spannende Welt des KI-Trainings ein und erklären die verschiedenen Ansätze, mit denen KI’s dazulernen. Dabei unterscheiden wir zwischen Supervised Learning, bei dem KI’s mit gekennzeichneten Daten trainiert werden, Unsupervised Learning, das versteckte Muster in unmarkierten Daten entdeckt sowie Reinforcement Learning, bei dem KI-Systeme durch Belohnung und Bestrafung ihre Entscheidungen optimieren.
Erfahrt, wie diese Methoden im Detail funktionieren und welche Anwendungsbereiche sie revolutionieren werden. Stay Tuned!
STARTET JETZT MIT UNSERER EXPLAINABLE AI-ALLZWECKWAFFE DURCH!
ED.DETECT AUTOMATISIERT EURE PROZESSE & SORGT FÜR DEN MAXIMALEN BUSINESS BOOST.
Findest Du das Thema KI spannend oder hast Du Fragen zu den unterschiedlichen Arten von Künstlicher Intelligenz? Dann melde Dich gerne direkt bei uns.
