KI-Manager:in · Tag 1 · Verstehen · frei
Grundlagen der KI und Maschinelles Lernen
Ein Chatbot ist keine Suchmaschine. Und KI ist mehr als ein Chatbot.
Was KI nach EU AI Act ist und was nicht. Schwache und starke KI, Modell und System, Maschinelles Lernen mit seinen Lernarten. Und warum eine KI überzeugend falsch liegen kann.
Das nimmst du mit
- KI leitet ab Klassische Software rechnet nach festen Regeln.
- Motor und Auto Das Modell ist der Motor, das System das Auto.
- Testdaten entscheiden Ob ein Modell taugt, zeigen Fälle, die es nicht kennt.
- Immer prüfen KI-Ergebnisse sind Vorschläge. Verantwortung bleibt beim Menschen.
Die Begriffe dieses Tages
Künstliche Intelligenz nach AI Act
Ein System, das ableitet, wie es Ausgaben erzeugt.
Ein KI-System leitet aus den Eingaben, die es erhält, ab, wie es Ausgaben erzeugt: Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen.
Beispiel: Dein Spamfilter hat nie eine Liste aller Spam-Wörter bekommen. Er hat aus Millionen markierter Mails abgeleitet, woran man Spam erkennt. Das ist KI.
In der Praxis: Wenn dir jemand ein „KI-Tool“ anbietet, frag: Leitet es ab, oder arbeitet es feste Regeln ab? Davon hängt ab, ob der AI Act greift und wie du das Tool prüfen musst.
Merksatz: Das Schlüsselwort ist ableiten.
Schwache und starke KI
Spezialisten gibt es. Den Alleskönner nicht.
Schwache KI löst eine bestimmte Aufgabe, oft besser als wir. Starke KI, auch AGI genannt, würde allgemein denken, planen und verstehen wie ein Mensch. Sie ist erklärtes Ziel mehrerer KI-Firmen. Ob und wann sie kommt, ist unter Fachleuten umstritten.
Beispiel: ChatGPT schreibt dir in Sekunden einen Geschäftsbrief. Einen Kaffee kochen oder merken, dass du heute schlecht gelaunt bist, kann es nicht.
In der Praxis: Alles, was du im Job einsetzt, ist schwache KI. Plane mit Spezialisten für einzelne Aufgaben, nicht mit einem Alleskönner.
Merksatz: Schwache KI ist Alltag. Starke KI ist eine Wette.
70 Jahre KI: Menschen und Meilensteine
Von Turing bis ChatGPT in sechs Stationen.
KI ist kein neues Thema. Der Begriff „Künstliche Intelligenz“ stammt von 1956. Dazwischen lagen große Hoffnungen, lange Flauten und zwei Durchbrüche, die das heutige Tempo erklären: Deep Learning und der Transformer.
Beispiel: Spiel den Turing-Test mit deinem Team: Drei Antworten von euch, zwei von Copilot. Welche zwei sind von der KI?
In der Praxis: Drei Meilensteine gehören in dein Kapitel 1. Nimm die, die du jemandem in einem Satz erklären kannst.
Merksatz: Der Begriff ist 70 Jahre alt. Das Tempo ist neu.
Klassische Software oder KI-System?
Gleiche Eingabe, gleiches Ergebnis. Oder eben nicht.
Klassische Software folgt festen Regeln, die jemand geschrieben hat. Gleiche Eingabe, gleiches Ergebnis. Immer. Ein KI-System hat aus Daten gelernt. Gleiche Frage, andere Antwort ist dort normal.
Beispiel: Excel mit „Rabatt ab 100 €“ ist eine Regel. Jemand hat die WENN-Formel geschrieben. Die Ampel mit fester Zeitschaltung auch. Das Handy, das dich mit Mütze erkennt, ist KI.
In der Praxis: Braucht dein Prozess immer exakt dasselbe Ergebnis, etwa eine Rechnung? Dann nimm eine Regel. Braucht er Sprache, Bilder oder Einschätzung? Dann kann KI helfen, muss aber geprüft werden.
Merksatz: Regel für Rechnungen. KI für Unklares.
KI-Modell und KI-System
Das Modell ist der Motor, das System das Auto.
Das Modell ist das trainierte Kernstück, das rechnet. Das System ist das fertige Produkt drumherum: Oberfläche, Websuche, Dateien, Sicherheitsfilter, Regeln. Der AI Act regelt vor allem Systeme, also das, was im Unternehmen tatsächlich läuft.
Beispiel: Copilot und ChatGPT nutzen teils dieselben Modelle. Trotzdem antworten sie anders, weil das System drumherum andere Regeln, Daten und Filter hat.
In der Praxis: Wenn du Tools vergleichst, vergleichst du Systeme. Notiere immer beides: welches Produkt und, falls angezeigt, welches Modell dahinter lief.
Merksatz: Der AI Act regelt vor allem Systeme.
Maschinelles Lernen
Aus Beispielen ein Muster lernen und auf neue Fälle anwenden.
Maschinelles Lernen heißt: aus Beispielen ein Muster lernen und es auf neue Fälle anwenden. Statt Regeln zu schreiben, zeigst du dem System viele Beispiele. Die drei Grundarten: überwacht mit richtiger Antwort, unüberwacht ohne Antwort, bestärkend mit Belohnung.
Beispiel: Regel: WENN Betreff enthält „Gewinn“ DANN Spam. „Sie haben einen G3winn!“ rutscht durch. Ein Modell, das aus 10.000 markierten Mails gelernt hat, erkennt ihn trotzdem.
In der Praxis: Regeln sind erklärbar und billig, brauchen aber für jede neue Masche eine neue Regel. Lernen ist flexibel, braucht aber Daten und ist schwerer zu erklären. Beides hat seinen Platz.
Merksatz: Regeln schreiben oder aus Beispielen lernen.
Training, Test, Inferenz, Overfitting
Üben, Klausur schreiben, im Beruf anwenden.
Beim Training übt das Modell mit rund 80 Prozent der Daten. Beim Test schreibt es mit den restlichen 20 Prozent eine Klausur mit Aufgaben, die es nie gesehen hat. In der Anwendung (Fachwort: Inferenz) arbeitet es mit echten neuen Fällen und lernt meist nicht weiter. Overfitting heißt: auswendig gelernt statt verstanden.
Beispiel: Bei Teachable Machine hast du es selbst erlebt: Anderer Hintergrund, anderes Licht, und das Modell rät plötzlich daneben. Es hatte den Hintergrund gelernt.
In der Praxis: Bevor ein Unternehmen ein Modell einsetzt, muss es mit Fällen testen, die anders aussehen als das Training. Andere Region, andere Kamera, andere Kundschaft.
Merksatz: Auswendiglernen ist kein Verstehen.
Generative KI und der Prompt
Erzeugt Neues, Wort für Wort.
Generative KI erzeugt neue Inhalte: Text, Bild, Stimme, Video. Ein Sprachmodell wählt dabei Stück für Stück das wahrscheinliche nächste Wort, hängt es an und rechnet neu. Der Prompt ist deine Anweisung, mit der alles beginnt.
Beispiel: Für dein Kursbuch-Deckblatt hast du ein Bild erzeugt: Motiv, Stil, Farben, Format. Gleicher Prompt, anderes Tool, anderes Bild.
In der Praxis: Ein KI-Text ist ein Entwurf, kein Ergebnis. Er klingt sofort fertig. Genau deshalb musst du ihn prüfen, bevor er rausgeht.
Merksatz: Wahrscheinlich heißt nicht wahr.
Halluzination
Erfundene Fakten, überzeugend formuliert.
Eine Halluzination ist eine Antwort, die plausibel klingt, aber falsch oder erfunden ist. Das Modell vervollständigt Muster, es schlägt nicht nach. Ohne Websuche endet sein Wissen beim Trainingsstichtag. Und ein Chatbot schreibt einen neuen Text, statt dir vorhandene Quellen zu zeigen wie eine Suchmaschine.
Beispiel: Frag einen Chatbot nach drei Studien zu KI im Handwerk mit Autor, Jahr und Titel. Oft klingt alles perfekt, und eine Studie gibt es nicht. Genau das prüfst du heute im Faktencheck.
In der Praxis: Jede Zahl, jede Quelle und jedes Zitat aus einer KI prüfst du in der Originalquelle, bevor es in einen Bericht, eine Mail oder eine Präsentation geht. Perplexity und Chats mit Websuche verlinken Quellen. Anklicken musst du trotzdem.
Merksatz: Ein Chatbot ist keine Suchmaschine.
Weiter im Kurs
Im Lernpfad wartet Tag 1 interaktiv auf dich: 4 Aufgaben, ein Quiz mit 9 Fragen und deine Checkliste. Dein Fortschritt bleibt in deinem Browser gespeichert.
Tag 1 und das Glossar sind frei. Den ganzen Kurs kannst du bald kaufen. Bis dahin trägst du dich auf die Warteliste ein, dann sagen wir dir Bescheid. Alle Kurse ansehen oder im Glossar nachschlagen.