Künstliche Intelligenz (KI) ist ein Forschungsgebiet, das sich damit beschäftigt, Maschinen mit Intelligenz auszustatten, die der menschlichen ähnelt oder sie sogar übertrifft.
Die Grundidee ist, Computer so zu programmieren, dass sie in der Lage sind, Aufgaben zu lösen, die normalerweise menschliche Intelligenz erfordern, wie logisches Denken, Lernen, Planen und kreatives Problemlösen.
1. Definition
Es gibt keine allgemeingültige Definition von KI. Die meisten Experten sind sich aber einig, dass ein System als „intelligent" bezeichnet werden kann, wenn es:
- In komplexen, sich verändernden Umgebungen autonom agieren kann
- Aus Erfahrungen lernt und sein Verhalten anpassen kann
- Probleme flexibel und effizient lösen kann
- Menschenähnliche kognitive Fähigkeiten wie Wahrnehmung, Sprachverständnis und logisches Denken zeigt
2. Geschichte der KI
Die Geschichte der künstlichen Intelligenz reicht weiter zurück als viele denken. Von philosophischen Grundlagen über mechanische Automaten bis hin zu den modernen Large Language Models (LLMs) – die Entwicklung der KI ist geprägt von Höhen und Tiefen, revolutionären Durchbrüchen und sogenannten „KI-Wintern".
Die folgende interaktive Timeline zeigt die wichtigsten Meilensteine der KI-Geschichte – von den ersten Rechenmaschinen im 17. Jahrhundert bis zu den bahnbrechenden Sprachmodellen wie ChatGPT und Claude von heute:
Geschichte der Künstlichen Intelligenz
Von den philosophischen Grundlagen bis zur LLM-Revolution
3. Wichtige Teilgebiete der KI
Künstliche Intelligenz ist ein breites Feld, das viele verschiedene Teilgebiete beinhaltet, z. B.:
3.1 Maschinelles Lernen (ML)
Maschinelles Lernen befasst sich mit Algorithmen, die selbstständig aus Daten lernen, ohne explizit programmiert zu werden. Die drei Hauptkategorien sind:
- Überwachtes Lernen: Das System lernt anhand von Beispieldaten, bei denen die gewünschten Ausgaben bekannt sind.
- Unüberwachtes Lernen: Das System findet selbstständig Muster und Strukturen in Daten ohne Vorgaben.
- Bestärkendes Lernen: Das System lernt durch Interaktion mit einer Umgebung, in der Aktionen belohnt oder bestraft werden.
Wichtige ML-Techniken sind unter anderem:
- Künstliche neuronale Netze
- Entscheidungsbäume
- Support Vector Machines
- Clusteranalyse
3.2 Verarbeitung natürlicher Sprache (NLP)
NLP-Systeme ermöglichen es Computern, menschliche Sprache zu verstehen, zu interpretieren und zu generieren. Anwendungen sind z. B.:
- Maschinelle Übersetzung
- Spracherkennung und Sprachsteuerung
- Sentimentanalyse
- Chatbots und digitale Assistenten
3.3 Computer Vision
Computer Vision befasst sich mit der Fähigkeit von Computern, visuelle Informationen aus digitalen Bildern oder Videos zu gewinnen. Typische Aufgaben sind:
- Objekterkennung und -klassifizierung
- Gesichtserkennung
- Szenensegmentierung
- Visuelle Frage-Antwort-Systeme
3.4 Robotik
In der Robotik werden KI-Methoden eingesetzt, um Roboter zu steuern und autonome Systeme zu entwickeln. Herausforderungen sind unter anderem:
- Lokalisierung und Kartierung (SLAM)
- Bewegungsplanung und -steuerung
- Greifplanung und Feinmanipulation
- Mensch-Roboter-Interaktion