Was künstliche Intelligenz ist
Eine Erklärung ohne Fachbegriffe: was ein Modell tut, warum es das kann und wo der Unterschied zu klassischer Software liegt.
Worum es geht
Ein Taschenrechner rechnet, weil jemand aufgeschrieben hat, wie man rechnet. Ein Rechtschreibprüfer korrigiert, weil jemand Regeln und ein Wörterbuch hinterlegt hat. Beides ist klassische Software: Menschen schreiben Regeln, der Rechner führt sie aus.
Bei künstlicher Intelligenz ist das anders. Man zeigt einem System sehr viele Beispiele und lässt es selbst herausfinden, welche Muster darin stecken. Was danach im System steht, sind keine Regeln, die man lesen könnte, sondern Milliarden von Zahlen.
Ein Bild, das trägt
Stellen Sie sich jemanden vor, der eine Sprache nie gelernt, aber jeden Text dieser Sprache gelesen hat, den es gibt. Diese Person weiß nicht, was ein Substantiv ist. Sie weiß aber sehr genau, welches Wort nach welchem kommt, und kann deshalb flüssig und meistens sinnvoll schreiben.
Ein Sprachmodell ist genau das. Es sagt bei jedem Schritt vorher, welches Textstück als Nächstes am besten passt, und wiederholt das, bis die Antwort fertig ist.
Was es nicht ist
- Kein Bewusstsein und keine Absicht. Ein Modell will nichts.
- Kein Nachschlagewerk. Es hat kein Verzeichnis, in dem steht, was es weiß.
- Keine Suchmaschine. Ohne Anbindung an Quellen antwortet es aus dem, was beim Training hängengeblieben ist.
- Kein Rechner. Zahlen werden als Text behandelt, weshalb Rechnen keine Stärke ist.
Die drei Zutaten
- 01
Sehr viele Beispiele
Text, Bilder oder Messwerte. Die Menge ist der Grund, warum es erst in den letzten Jahren funktioniert: das Internet lieferte sie erstmals in dieser Größenordnung.
- 02
Ein Bauplan mit vielen Stellschrauben
Ein neuronales Netz mit Milliarden von Parametern. Der Bauplan legt fest, wie gerechnet wird, nicht was herauskommt.
- 03
Rechenleistung, um die Schrauben einzustellen
Millionenfach: vorhersagen, Fehler messen, alle Schrauben ein winziges Stück verstellen. Das ist Training, siehe Gradientenabstieg.
Was sich dadurch praktisch ändert
| Klassische Software | Modell | |
|---|---|---|
| Regeln | aufgeschrieben, lesbar | abgeleitet, nicht lesbar |
| Verhalten bei Unbekanntem | Fehlermeldung | plausible Vermutung |
| Ergebnis bei gleicher Eingabe | identisch | meist, nicht garantiert |
| Änderung | Code ändern | neu trainieren oder Prompt ändern |
| Prüfbarkeit | Zeile für Zeile | nur über Stichproben |
Die letzte Zeile ist die folgenreichste. Ein Modell lässt sich nicht Zeile für Zeile prüfen. Es wird an Beispielen gemessen, und das heißt: mit einer Fehlerrate, die man kennt, statt mit einer Garantie, die man hat.
Was „lernen“ formal heißt
Lernen bedeutet, eine Funktion zu suchen, die auf ungesehenen Daten möglichst selten daneben liegt. Da die zugrunde liegende Verteilung unbekannt ist, wird stattdessen der Fehler auf der Stichprobe minimiert. Die Lücke zwischen beidem ist der eigentliche Gegenstand des Fachs, siehe Overfitting, Bias und Varianz.
Was daraus für Governance folgt
- Keine Spezifikation im klassischen Sinn. Es gibt kein Dokument, gegen das man das Verhalten vollständig prüfen könnte. Deshalb tritt an die Stelle der Verifikation die Messung an einem festen Eval-Set.
- Kein Determinismus ohne Zusatzaufwand. Gleitkommarechnungen auf Grafikkarten sind nicht bitgleich reproduzierbar. Protokolliert wird das Ergebnis samt Version, nicht die Reproduzierbarkeit.
- Keine vollständige Erklärung. Verfahren zur Zuschreibung zeigen, welche Eingaben beigetragen haben, nicht warum. Für eine rechtliche Begründung genügt das nicht.
- Änderungen sind Systemänderungen. Ein neues Modell, ein anderer Systemprompt oder ein anderes Zahlenformat ändern das Verhalten und lösen die Pflichten neu aus.
Die Abgrenzung, die im AI Act zählt
Der AI Act definiert ein KI-System über seine Eigenschaft, aus Eingaben Ausgaben abzuleiten, die die Umgebung beeinflussen können, und dabei ein gewisses Maß an Autonomie zu zeigen. Entscheidend ist damit nicht die Technik, sondern der Einsatz. Dieselbe Bibliothek kann in einem Fall unbedenklich und in einem anderen hochriskant sein. Siehe Risikoklassen.
Die Übung, die mehr zeigt als jede Erklärung
KOSTENLOSES KONTO
Übung: Fehler finden
Eine Übung von zwanzig Minuten, mit der Sie an Ihrem eigenen Fachgebiet sehen, wie ein Modell danebenliegt.
Arbeitsblatt2 Elemente
Passende Kurse und Quellen
Elements of AI
Kostenloser Grundlagenkurs der Universität Helsinki, auf Deutsch, ohne Vorwissen. Etwa 30 Stunden, mit Zertifikat.
Wenn Sie nach dem Einsteigerpfad hier weitermachen wollen: das ist der naheliegende nächste Schritt. Deckt sich in Teilen mit unseren Grundlagen, geht aber deutlich tiefer in die Funktionsweise.
Teachable Machine
Im Browser ein Bildklassifikationsmodell trainieren, ohne Code, in zehn Minuten. Zeigt Overfitting schneller als jede Erklärung.
Für die erste Anschauung ohne Code; zeigt Overfitting in zehn Minuten.