Was ist künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit eines Computers, menschliche Kognition zu imitieren oder zu duplizieren.

Lernziele

Nach Lektüre dieses Artikels können Sie Folgendes:

  • Künstliche Intelligenz (AI) definieren
  • Zwischen maschinellem Lernen, Deep Learning und generativer KI unterscheiden
  • Einsatzmöglichkeiten von KI beschreiben

Ähnliche Inhalte


Möchten Sie noch mehr erfahren?

Abonnieren Sie theNET, Cloudflares monatliche Zusammenfassung der beliebtesten Einblicke in das Internet!

Lesen Sie die Cloudflare Datenschutzrichtlinie, um zu erfahren, wie wir Ihre persönlichen Daten sammeln und verarbeiten.

Link zum Artikel kopieren

Was ist künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) ist die Fähigkeit einer konstruierten Maschine, z. B. eines Computers, menschliche kognitive Aufgaben zu simulieren oder zu duplizieren. Eine mit KI ausgestattete Maschine kann Berechnungen anstellen, Daten analysieren, um Vorhersagen zu treffen, verschiedene Arten von Zeichen und Symbolen erkennen, sich mit Menschen unterhalten und dabei helfen, Aufgaben ohne manuelle Eingaben auszuführen.

Ein herkömmliches Auto reagiert beispielsweise nur auf die Eingaben seines menschlichen Fahrers: Es beschleunigt, wenn der Fahrer sieht, dass die Ampel grün geworden ist und das Gaspedal betätigt, und es hält an einem Stoppschild an, wenn der Fahrer das Schild sieht und das Bremspedal betätigt. Ein mit KI ausgestattetes Auto könnte in der Lage sein, Stoppschilder und Ampeln selbstständig zu erkennen und ohne Eingaben des Fahrers anzuhalten oder zu beschleunigen.

KI hat ihre Wurzeln in den Anfängen der Computer. Der Mathematiker Alan Turing war einer der Ersten, der beschrieb, wie eine künstlich intelligente Maschine funktionieren könnte. Alle seither gebauten Computer sind in gewisser Weise künstlich intelligent, da sie Berechnungen durchführen können, die früher nur dem Menschen möglich waren. In den letzten Jahrzehnten haben sich die Fähigkeiten, die Geschwindigkeit und die Speicherkapazität von Computern jedoch rasant entwickelt. Heute bezieht sich der Begriff „KI“ auf die fortgeschrittenen kognitiven Aufgaben, die Computer erledigen können.

Wie funktioniert KI?

Die meiste KI basiert auf der Analyse von Big Data, die das groß ist, als dass ein Mensch es in angemessener Zeit allein analysieren könnte. Ein KI-Modell wird entwickelt, um Muster in diesen Datensätzen zu erkennen und diese Muster dann zur Vorhersage zukünftiger oder zusätzlicher Muster zu nutzen. KI-Modelle verwenden dazu Wahrscheinlichkeitsrechnungen und statistische Analysen. Einige KI-Modelle sind gut genug, um menschliches Verhalten zu imitieren.

Theoretisch könnte die KI eines Tages darüber hinausgehen und in der Lage sein, eigenständige Gedanken zu „denken“. Die Frage, wann dieser Punkt erreicht ist, ist in gewisser Hinsicht eher eine philosophische als eine technische Frage.

Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz und bezieht sich auf die Praxis, ein Programm mit strukturierten oder gekennzeichneten Daten zu füttern, um das Programm darauf zu trainieren, diese Daten ohne menschliches Zutun zu identifizieren. Ein maschinelles Lernmodell zum Auffinden von Ketchup-Flaschen in Fotos von offenen Kühlschränken kann beispielsweise anfangs keine Würzsaucen erkennen, geschweige denn Ketchup. Dann wird es mit Millionen von Bildern von Ketchupflaschen in verschiedenen Kühlschränken gefüttert und bekommt gesagt, dass jedes einzelne eine Ketchupflasche darstellt. Schließlich ist es in der Lage, automatisch Ketchupflaschen zu erkennen, selbst auf Fotos, die es noch nie gesehen hat.

Maschinelles Lernen beruht auf der Verwendung vordefinierter Prozesse, die Algorithmen genannt werden. Ein maschinelles Lernprogramm „lernt“ etwas anders, je nachdem, wie der Algorithmus aufgebaut ist.

Maschinelles Lernen ist auch auf den Zugriff auf große Datensätze angewiesen. Ein maschinelles Lernprogramm, dem nur drei oder vier Fotos von Ketchup gezeigt werden, wird mit ziemlicher Sicherheit nicht in der Lage sein, Ketchupflaschen durchgängig richtig zu identifizieren, oder es wird Ketchup auf Fotos erkennen, auf denen er nicht vorhanden ist. Je mehr Daten das Modell erhält, desto genauer ist es.

Eine breite Palette von Software- und Technologielösungen nutzt heute maschinelles Lernen. Von Sicherheitslösungen, die mithilfe von maschinellem Lernen Betrug erkennen und Bots identifizieren, bis hin zu Social-Media-Plattformen, die mit maschinellem Lernen Inhalte oder Accounts empfehlen, hat sich das maschinelle Lernen als äußerst nützliches Entwicklungswerkzeug erwiesen.

Was ist Deep Learning?

Genauso wie maschinelles Lernen eine Form der KI ist, ist Deep Learning eine Form des maschinellen Lernens. Deep-Learning-Modelle sind in der Lage, probabilistische Analysen zu verwenden, um Unterschiede in Rohdaten zu erkennen. Ein Deep-Learning-Modell könnte allein anhand von Fotos von geöffneten Kühlschränken lernen, was eine Flasche Ketchup ist und wie man sie von anderen Saucen unterscheidet, ohne erklärt zu bekommen, was eine Flasche Ketchup ist.

Wie andere Arten des maschinellen Lernens erfordert auch Deep Learning den Zugriff auf große Datensätze. Selbst ein fortgeschrittenes Deep-Learning-Modell müsste wahrscheinlich Millionen von Fotos von offenen Kühlschränken analysieren, um Ketchup zu erkennen.

Was ist generative KI?

Generative KI ist eine Art von KI-Modell, das Inhalt erstellen kann, einschließlich Text, Bilder, Audio und Video. Ein generatives KI-Modell könnte zum Beispiel ein Foto eines leeren Kühlschranks erhalten und es mit wahrscheinlichem Inhalt füllen, basierend auf Fotos, die ihm in der Vergangenheit gezeigt wurden. Der von einem solchen Modell erzeugte Inhalt kann zwar als „neu“ betrachtet werden, aber er basiert auf Inhalt, mit dem das Modell zuvor gefüttert wurde.

Generative KI-Tools werden immer beliebter. Vor allem das große Sprachmodell (LLM) ChatGPT und die Bildgeneratoren DALL-E und Midjourney haben die Phantasie der Öffentlichkeit und die Aufmerksamkeit der Wirtschaft geweckt. Andere populäre generative KI-Tools sind Bard, Bing Chat und Llama.

Wie wird KI eingesetzt?

Die Anwendungsfälle für KI werden immer vielfältiger. Hier sind einige der realen Anwendungen, die bereits erforscht werden:

  • Chatbot: KI-basierte Programme können menschlich klingende Antworten geben und oft realistisch auf unvorhersehbare Eingaben von menschlichen Nutzern antworten. Mit anderen Worten: Einige KI-Modelle können sich auf natürliche Weise unterhalten, was die Fähigkeiten von Chatbots verbessert.
  • Autonomes Fahren: Da die KI in der Lage ist, Vorhersagen zu treffen, kann sie auf reale Straßenverhältnisse reagieren, auch wenn diese noch nie zuvor aufgetreten sind.
  • Empfehlungsalgorithmen: Wie sie beispielsweise von Streaming-Plattformen und Apps für soziale Medien verwendet werden.
  • Gesundheitswesen: KI kann bei der Diagnose von Erkrankungen sowie bei anderen sich wiederholenden Aufgaben im Gesundheitswesen eingesetzt werden.
  • Finanzen: Viele Finanzunternehmen haben bereits KI eingesetzt, um Markttrends zu erkennen oder vorherzusagen, welche Aktien sich gut entwickeln werden.
  • Coding: LLMs bieten die Möglichkeit, schnell Code für neue Funktionen zu generieren, Dokumentation zu erstellen und vorhandenen Code auf Sicherheitslücken zu scannen.
  • Erstellung von Content: Generative KI-Modelle können Text, Bilder, Videos usw. generieren.
  • Berichterstellung: Das Parsen und Zusammenfassen von Daten ist eine sich repetitive Aufgabe, die mit Hilfe von maschinellem Lernen oft automatisiert werden kann.
  • Experimentelle Anwendungen: Es werden immer noch weitere Einsatzmöglichkeiten für KI entdeckt, und die Anwendungsfälle werden mit den wachsenden KI-Fähigkeiten weiter zunehmen.

Welche Risiken birgt KI für Unternehmen?

Sicherheitsrisiken

Datenlecks: KI-Dienste verwenden Inputs, um ihre Modelle weiter zu trainieren; sie sind nicht als sichere Tresore für Daten gedacht. Aber viele Menschen nutzen LLMs auf eine Art und Weise, die das Risiko der Datenpreisgabe erhöht, einschließlich der Verarbeitung vertraulicher Informationen oder Closed-Source-Code. Solche Daten können in weiteren Reaktionen dieser LLMs reproduziert oder nachgeahmt werden.

Verlust der Kontrolle über die Daten: Die Daten entziehen sich der eigenen Kontrolle, sobald sie in ein LLM hochgeladen werden, und die Nutzer können möglicherweise nicht mehr nachvollziehen, was mit den eingegebenen Daten geschieht. Wenn z. B. ein Bäcker sein neues Geheimrezept für Focaccia in einen LLM eingibt und diesen bittet, eine aussagekräftige Beschreibung für die Website seiner Bäckerei zu verfassen, erhält er vielleicht eine solche Beschreibung zurück – aber das Rezept des Bäckers ist nicht mehr geheim, da es anderen Nutzern des LLMs oder den Betreibern des LLMs offengelegt werden könnte.

Verstöße gegen gesetzliche Bestimmungen: Die Verwendung externer KI-Tools birgt oft ein gewisses Datenrisiko. Infolgedessen kann KI dazu führen, dass ein Unternehmen die gesetzlichen Bestimmungen wie die DSGVO nicht einhält.

Sonstige Risiken

Halluzinationen: Der Fachbegriff für dieses Phänomen lautet „Halluzinationen“. Der Fachbegriff für dieses Phänomen lautet „Halluzinationen“. Wenn Unternehmen solche Informationen unkritisch in ihren Inhalt einfließen lassen, können sie ihre Marken schädigen.

Übermäßiges Vertrauen in die KI bei der Entscheidungsfindung: Da die von KI-Modellen gelieferten Informationen nicht immer zuverlässig sind, kann die übermäßige Verwendung von KI bei der Entscheidungsfindung zu Entscheidungen führen, die sich negativ auf ein Unternehmen auswirken.

Welche Risiken birgt KI für Verbraucher?

  • Verlust der Privatsphäre und Leaks von persönlichen Daten: Wenn Personen enthüllende oder vertrauliche Daten in öffentlich zugängliche LLMs eingeben, kann es passieren, dass ihre Daten an andere Nutzer der gleichen Tools weitergegeben werden.
  • Sicherheitslücken in KI-Anwendungen: Wie jede App können auch KI-Tools Sicherheitslücken aufweisen, die zur Preisgabe persönlicher Daten führen.
  • Halluzinationen: Wie oben beschrieben, erfinden generative KI-Tools häufig Informationen, um plausibel klingende Antworten auf Benutzeranfragen zu geben. Dies kann zur Verbreitung von Fehlinformationen führen.
  • Deepfakes bei Phishing- oder Social Engineering-Angriffen: KI-Tools können überzeugende Imitationen des Bildes, der Stimme oder des Schreibstils einer Person erzeugen. Dies kann bei Social-Engineering-Angriffen verwendet werden, um sich als eine bekannte Person auszugeben und das Opfer dazu zu bringen, sein Geld oder seine Daten herauszugeben.

Wie hilft Cloudflare dabei, die Risiken von KI zu reduzieren?

Der Schutz vor Datenverlusten (DLP) von Cloudflare kann Unternehmen dabei helfen, die Nutzung von KI durch ihre Mitarbeiter in den Griff zu bekommen. DLP kann Uploads, Kopieren und Einfügen sowie Tastatureingaben einschränken, um zu verhindern, dass vertrauliche Daten geschützte Umgebungen verlassen. Erfahren Sie mehr über die Funktionsweise von DLP.

Wie hilft Cloudflare Entwicklern beim Aufbau neuer KI-Modelle?

Cloudflare for AI ermöglicht es Entwicklern, neue KI-Apps auf dem globalen Netzwerk von Cloudflare zu entwickeln und bereitzustellen. Erfahren Sie mehr über Cloudflare for AI.