KI Panorama

Suche

Thema: Grundlagen

  • KI-Grundlagen: der vollständige Einstieg

    Dieser Lernpfad vermittelt ein belastbares Grundverständnis künstlicher Intelligenz. Er beginnt ohne technische Vorkenntnisse und führt zu Sprachmodellen, multimodalen Systemen, Fehlerquellen und sicherer Nutzung.

    Für wen ist dieser Lernpfad?

    Für Einsteiger, die nicht nur einzelne Tools bedienen, sondern die wichtigsten Zusammenhänge verstehen möchten. Technische Vorkenntnisse sind nicht erforderlich.

    Lernschritte

    1. Was ist künstliche Intelligenz?
      Begriffe, Abgrenzungen und typische Fähigkeiten einordnen.
    2. Maschinelles Lernen
      Verstehen, wie Systeme aus Beispielen Muster ableiten.
    3. Neuronale Netze und Deep Learning
      Die technische Grundlage vieler heutiger KI-Systeme kennenlernen.
    4. Generative KI
      Einordnen, wie neue Texte, Bilder, Audio- und Videoinhalte entstehen.
    5. Große Sprachmodelle
      Funktionsweise und Grenzen moderner Chat- und Textsysteme verstehen.
    6. Multimodale KI
      Erkennen, wie Text, Bild, Sprache und weitere Datenformen kombiniert werden.
    7. Halluzinationen und Konfabulationen
      Warum überzeugende Antworten trotzdem falsch sein können.
    8. Checkliste für die sichere private Nutzung
      Grundregeln für Datenschutz, Kontrolle und verantwortliche Entscheidungen anwenden.

    Was du danach kannst

    • KI, maschinelles Lernen und generative KI voneinander unterscheiden
    • Sprachmodelle und multimodale Systeme grundsätzlich erklären
    • typische Fehler und übertriebene Versprechen erkennen
    • KI im Alltag kontrollierter und sicherer einsetzen

    Hinweise zur Nutzung

    Die Schritte können einzeln gelesen werden. Für ein zusammenhängendes Verständnis ist die angegebene Reihenfolge sinnvoll.

    Grundlagen für die Lernstruktur

  • Halluzination

    Eine plausible, aber falsche, unbelegte oder zur Quelle widersprüchliche Ausgabe eines generativen Systems. NIST verwendet auch den Begriff Konfabulation.

    Einfach erklärt

    Eine plausible, aber falsche, unbelegte oder zur Quelle widersprüchliche Ausgabe eines generativen Systems. NIST verwendet auch den Begriff Konfabulation.

    Beispiel

    Ein Modell nennt ein überzeugend klingendes Buch, das nicht existiert.

    Technische Bedeutung

    Die Definition hängt von der Aufgabe ab. Gegenmaßnahmen umfassen Retrieval, Verifikation, Kalibrierung und menschliche Prüfung.

    Verwandte Begriffe

    RAG, Quellenprüfung, generative KI

    Quellen

  • Inferenz

    Die Nutzung eines trainierten Modells, um für neue Eingaben eine Ausgabe oder Vorhersage zu berechnen.

    Einfach erklärt

    Die Nutzung eines trainierten Modells, um für neue Eingaben eine Ausgabe oder Vorhersage zu berechnen.

    Beispiel

    Nach dem Training erkennt ein Bildmodell ein neues Foto – dieser Anwendungsschritt ist Inferenz.

    Technische Bedeutung

    Inferenz umfasst den Vorwärtslauf durch das Modell und gegebenenfalls Sampling, Decoding oder Werkzeugaufrufe.

    Verwandte Begriffe

    Training, Modell, Token

    Quellen

  • Kontextfenster

    Die Menge an Token, die ein Modell in einem Verarbeitungsschritt berücksichtigen kann.

    Einfach erklärt

    Die Menge an Token, die ein Modell in einem Verarbeitungsschritt berücksichtigen kann.

    Beispiel

    Ein sehr langes Gespräch kann den verfügbaren Arbeitsbereich überschreiten; ältere Inhalte müssen dann gekürzt oder ausgelagert werden.

    Technische Bedeutung

    Technische Kontextlimits und effektive Nutzung sind verschieden. Auch innerhalb des Limits können relevante Stellen schwach berücksichtigt werden.

    Verwandte Begriffe

    Token, Transformer, RAG

    Quellen

  • Large Language Model (LLM)

    Ein großes Sprachmodell, das Text als Token verarbeitet und Wahrscheinlichkeiten für mögliche Fortsetzungen berechnet.

    Einfach erklärt

    Ein großes Sprachmodell, das Text als Token verarbeitet und Wahrscheinlichkeiten für mögliche Fortsetzungen berechnet.

    Beispiel

    Das Modell setzt einen begonnenen Satz fort und kann daraus Antworten, Zusammenfassungen oder Code erzeugen.

    Technische Bedeutung

    Moderne LLMs sind meist Transformer-basierte Foundation Models und werden durch Vortraining sowie zusätzliche Anpassungsschritte entwickelt.

    Verwandte Begriffe

    Transformer, Token, Foundation Model

    Quellen

  • Multimodal

    Ein KI-System ist multimodal, wenn es mehrere Datentypen wie Text, Bild, Audio oder Video verarbeitet oder erzeugt.

    Einfach erklärt

    Ein KI-System ist multimodal, wenn es mehrere Datentypen wie Text, Bild, Audio oder Video verarbeitet oder erzeugt.

    Beispiel

    Ein System beschreibt ein Foto und beantwortet anschließend eine gesprochene Frage dazu.

    Technische Bedeutung

    Modalitäten können über getrennte Encoder, gemeinsame Repräsentationsräume oder vereinheitlichte Token verbunden werden.

    Verwandte Begriffe

    Embedding, Vision-Language-Modell, Audio

    Quellen

  • Parameter

    Ein während des Trainings angepasster Zahlenwert in einem Modell.

    Einfach erklärt

    Ein während des Trainings angepasster Zahlenwert in einem Modell.

    Beispiel

    Die Verbindungen in einem neuronalen Netz besitzen Gewichte. Das Training verändert diese Gewichte.

    Technische Bedeutung

    Parameter bestimmen gemeinsam die gelernte Funktion. Mehr Parameter bedeuten nicht automatisch bessere oder zuverlässigere Ergebnisse.

    Verwandte Begriffe

    Training, neuronales Netz, Modell

    Quellen

  • Prompt

    Die Eingabe oder Anweisung, mit der ein generatives Modell gesteuert wird.

    Einfach erklärt

    Die Eingabe oder Anweisung, mit der ein generatives Modell gesteuert wird.

    Beispiel

    „Fasse diesen Text in fünf Punkten zusammen“ ist ein einfacher Prompt.

    Technische Bedeutung

    Ein Prompt kann Rollen, Kontext, Daten, Beispiele, Ausgabeformat und Qualitätsregeln enthalten. Er verändert nicht dauerhaft das Basismodell.

    Verwandte Begriffe

    Kontextfenster, LLM, generative KI

    Quellen

  • Retrieval-Augmented Generation (RAG)

    Ein Verfahren, das vor der Textgenerierung passende Informationen aus einer externen Wissensquelle abruft.

    Einfach erklärt

    Ein Verfahren, das vor der Textgenerierung passende Informationen aus einer externen Wissensquelle abruft.

    Beispiel

    Ein Assistent sucht zuerst in Bedienungsanleitungen und beantwortet danach die Frage mit den gefundenen Abschnitten.

    Technische Bedeutung

    RAG kombiniert Retrieval, Kontextaufbereitung und ein generatives Modell. Quellenqualität und Zugriffsrechte sind entscheidend.

    Verwandte Begriffe

    Embedding, Vektorsuche, LLM

    Quellen

  • Was ist künstliche Intelligenz?

    Künstliche Intelligenz ist kein einzelnes Programm und keine denkende Maschine. Der Begriff umfasst Systeme, die aus Daten und Eingaben Muster ableiten und daraus Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugen.

    Einfach erklärt

    Ein KI-System erhält Eingaben – zum Beispiel Text, Bilder, Messwerte oder Sprache – und berechnet daraus eine passende Ausgabe. Ein Spamfilter entscheidet, ob eine E-Mail verdächtig ist. Eine Bilderkennung ordnet einem Foto Begriffe zu. Ein Sprachmodell erzeugt Text.

    Das Wort „Intelligenz“ bedeutet dabei nicht automatisch, dass ein System Bewusstsein, Gefühle oder ein menschliches Verständnis besitzt. Viele KI-Systeme lösen eng begrenzte Aufgaben sehr gut, können ihre Ergebnisse aber außerhalb des gelernten Bereichs nicht zuverlässig beurteilen.

    Anschauliches Beispiel

    Ein klassisches Navigationssystem bewertet viele mögliche Routen. Ein KI-gestütztes System kann zusätzlich aus historischen Verkehrsdaten lernen, zu welchen Zeiten bestimmte Straßen häufig überlastet sind. Es erkennt statistische Zusammenhänge und nutzt sie für eine Prognose.

    Fortgeschrittene Erklärung

    Die OECD beschreibt ein KI-System als maschinenbasiertes System, das für explizite oder implizite Ziele aus Eingaben ableitet, wie es Ausgaben erzeugt. Dazu gehören Vorhersagen, Inhalte, Empfehlungen und Entscheidungen, die virtuelle oder physische Umgebungen beeinflussen können.

    KI umfasst unterschiedliche Ansätze: regelbasierte Systeme, Such- und Optimierungsverfahren, maschinelles Lernen, neuronale Netze und hybride Kombinationen. Moderne generative Systeme beruhen meist auf großen neuronalen Netzen, die aus sehr umfangreichen Datensätzen statistische Repräsentationen lernen.

    Expertenwissen

    Formal lässt sich ein KI-System als Abbildung von Eingaben auf Ausgaben betrachten. Beim maschinellen Lernen wird diese Abbildung nicht vollständig von Hand programmiert, sondern durch Optimierung von Modellparametern anhand einer Zielfunktion gelernt. Je nach System kommen Wahrscheinlichkeitsmodelle, Entscheidungsbäume, Kernelverfahren, neuronale Netze, Suchalgorithmen oder symbolische Regeln zum Einsatz.

    Autonomie und Anpassungsfähigkeit sind keine binären Eigenschaften. Ein System kann lediglich Vorschläge liefern, einzelne Entscheidungen automatisieren oder über längere Abläufe selbstständig Werkzeuge einsetzen. Die technische Leistungsfähigkeit sagt noch nichts darüber aus, ob der Einsatz rechtlich, sicher oder gesellschaftlich sinnvoll ist.

    Möglichkeiten und Grenzen

    • KI kann Muster in großen Datenmengen erkennen, Inhalte erzeugen, Prozesse unterstützen und komplexe Suchräume bearbeiten.
    • Die Qualität hängt von Daten, Zielsetzung, Modell, Einsatzumgebung und Kontrolle ab.
    • Ein plausibles Ergebnis ist nicht automatisch richtig.
    • Systeme können Verzerrungen übernehmen, vertrauliche Daten gefährden oder außerhalb ihres geprüften Bereichs versagen.
    • Bei folgenreichen Entscheidungen bleibt eine fachliche und menschliche Kontrolle erforderlich.

    Quellen