Künstliche Intelligenz / KI

Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) bezeichnet die Entwicklung von Computeralgorithmen und Systemen, die menschliche kognitive Fähigkeiten – wie Lernen, Schlussfolgern, Wahrnehmen und Entscheiden – nachbilden oder erweitern. KI umfasst ein breites Spektrum von Techniken, von regelbasierten Expertensystemen bis hin zu tiefen neuronalen Netzen, die große Datenmengen verarbeiten können.

Grundlagen & Teilgebiete

Teilgebiet	Kerndefinition	Typische Methoden
Maschinelles Lernen (ML)	Algorithmen, die aus Daten Muster extrahieren und Vorhersagen treffen, ohne explizit programmiert zu werden.	Entscheidungsbäume, Support‑Vector‑Machines, k‑Nearest‑Neighbour
Deep Learning (DL)	Unterbereich des ML, der mehrschichtige neuronale Netze (Deep Neural Networks) nutzt, um sehr komplexe Muster zu erfassen.	Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), Transformer
Natural Language Processing (NLP)	Verarbeitung und Analyse natürlicher Sprache durch Computer.	Tokenisierung, BERT, GPT, Sentiment‑Analyse
Computer Vision	Bild‑ und Video‑Analyse, Erkennung von Objekten, Szenen und Mustern.	CNN, YOLO, Vision Transformer
Reinforcement Learning (RL)	Agenten lernen durch Belohnung/Strafe, optimale Handlungsstrategien in einer Umgebung zu finden.	Q‑Learning, Deep Q‑Network (DQN), Proximal Policy Optimization (PPO)
Expertensysteme	Regelbasierte Systeme, die Fachwissen in Form von Wenn‑Dann‑Regeln kodieren.	Produktionssysteme, Inferenz‑Engine
Robotics & Autonomous Systems	Kombination aus KI, Sensorik und Aktorik zur Steuerung physischer Systeme.	SLAM, Motion Planning, Sensor Fusion

Wichtige Konzepte

Training / Inferenz – Lernphase (Modelle werden an Daten angepasst) vs. Einsatzphase (Modell liefert Vorhersagen).
Supervised Learning – Trainingsdaten enthalten Eingabe‑Ausgabe‑Paare (Label).
Unsupervised Learning – Modell findet Strukturen ohne vorgegebene Labels (Clustering, Dimensionality Reduction).
Transfer Learning – Vortrainiertes Modell wird für neue, verwandte Aufgaben finetuned.
Bias‑Variance Trade‑off – Balance zwischen Unter‑ und Überanpassung.
Explainability (XAI) – Erklärbarkeit von KI‑Entscheidungen für Vertrauen und Compliance.

Anwendungsfelder

Branche	KI‑Beispiel
Gesundheitswesen	Bildbasierte Diagnose (Radiologie), Medikamenten‑Entdeckung, Patienten‑Triage.
Finanzen	Kredit‑Scoring, Betrugserkennung, algorithmischer Handel, Robo‑Advisor.
Industrie 4.0	Predictive Maintenance, Qualitätsprüfung, Optimierung von Produktionslinien.
Handel & Marketing	Personalisierte Empfehlungen, Chatbots, Preisoptimierung.
Transport	Autonome Fahrzeuge, Routen‑Optimierung, Flotten‑Management.
Unterhaltung	Content‑Generierung (Text, Bild, Musik), Spiel‑KI, virtuelle Assistenten.
Umwelt	Klimamodellierung, Arten‑Erkennung, Optimierung von Energiesystemen.

Aktuelle Trends (2024‑2025)

Foundation Models – Sehr große, generalistische Modelle (z. B. GPT‑4, LLaMA, PaLM) die durch feines Tuning für diverse Aufgaben angepasst werden.
Multimodale KI – Kombination von Text, Bild, Audio und Video in einem einzigen Modell (z. B. CLIP, Gemini).
Edge‑AI – KI‑Inference direkt auf Geräten (Smartphones, IoT) zur Reduktion von Latenz und Datenschutzrisiken.
Responsible AI – Fokus auf Fairness, Transparenz, Datenschutz (EU AI Act, ISO/IEC 42001).
Self‑Supervised Learning – Modelle lernen aus unlabelten Daten, verringern den Bedarf an annotierten Datensätzen.

Risiken & ethische Aspekte

Bias und Diskriminierung – Trainingsdaten können Vorurteile reproduzieren.
Datenschutz – Verarbeitung personenbezogener Daten erfordert Einhaltung von DSGVO/GDPR.
Arbeitsmarkt‑Auswirkungen – Automatisierung kann Jobs verändern; Umschulung ist nötig.
Sicherheitsaspekte – Adversarial Attacks, Model‑Stealing, Data‑Poisoning.
Transparenz – Black‑Box‑Modelle erschweren Nachvollziehbarkeit von Entscheidungen.

Schlüsselbegriffe (Glossar)

Neuronales Netzwerk – Netzwerk von künstlichen Neuronen, das Informationen verarbeitet.
Layer – Schicht von Neuronen; Eingabe‑, versteckte‑ und Ausgabeschicht.
Activation Function – Nichtlineare Funktion (ReLU, Sigmoid) zur Modellierung komplexer Zusammenhänge.
Loss Function – Maß für den Unterschied zwischen Vorhersage und Ziel (z. B. Cross‑Entropy, MSE).
Optimizer – Algorithmus zur Anpassung von Gewichten (SGD, Adam, RMSprop).
Epoch – Vollständiger Durchlauf durch den gesamten Trainingsdatensatz.
Embedding – Dichte Vektorrepräsentation von diskreten Daten (Wörter, Items).
Token – Grundeinheit in NLP (Wort, Sub‑Wort, Zeichen).
Prompt Engineering – Gestaltung von Eingabeaufforderungen, um gewünschte Ausgaben von generativen Modellen zu erhalten.

PHNETZ - Internetagentur

Marketing für Ihren Erfolg