Künstliche Intelligenz Überblick

Dieser Artikel gibt einen kompakten Überblick über Künstliche Intelligenz (KI), ihre Teilbereiche, Einsatzmöglichkeiten, wirtschaftliche Aspekte sowie rechtliche und ethische Rahmenbedingungen (EU-Fokus).

KI vs. ML vs. DL – Unterschiede

• Künstliche Intelligenz (KI) ist der Oberbegriff für alle Verfahren, die „intelligentes“ Verhalten nachbilden.

 Dazu gehören:
 * regelbasierte Systeme (z. B. Expertensysteme mit festen Regeln)
 * lernende Systeme (Machine Learning)

• Maschinelles Lernen (ML) ist ein Teilbereich der KI.

 Hier werden Modelle mit Daten trainiert, um Muster zu erkennen und Vorhersagen zu treffen.  
 Der Ablauf ist typisch:
 * Trainingsdaten → Modell lernt Zusammenhänge → Vorhersage auf neuen Daten  

 Beispiele:
 * Spam-Erkennung  
 * Kreditbewertung  
 * Klassifikation (z. B. „Katze oder Hund“)

• Deep Learning (DL) ist ein Teilbereich des ML.

 Es verwendet künstliche neuronale Netze mit vielen Schichten (deep = tief).  
 Diese Modelle lernen Merkmale automatisch aus großen Datenmengen.

 Beispiele:
 * Bilderkennung (Gesicht, Objekte)  
 * Sprachverarbeitung (Speech-to-Text)  
 * Chatbots und generative KI (z. B. Texte erzeugen)

Wichtiger Unterschied

• KI kann regelbasiert oder lernend sein
• ML ist immer datengetriebenes Lernen
• DL ist eine spezielle ML-Methode mit neuronalen Netzen

Kurzvergleich

Kriterium	KI (gesamt)	ML	DL
Ansatz	Regeln + Lernen	Lernen aus Daten	Neuronale Netze (mehrschichtig)
Beispiele	Expertensystem	Spamfilter	Bilderkennung, ChatGPT
Datenbedarf	gering–hoch	mittel–hoch	sehr hoch
Komplexität	variabel	mittel	hoch
Erklärbarkeit	hoch–mittel	mittel	gering

Prompt und Token

Prompt

Ein Prompt ist die Eingabe, die ein Benutzer an ein KI-System gibt. Er bestimmt maßgeblich die Qualität der Antwort.

Beispiele:

• „Erkläre mir Bubble Sort einfach.“
• „Schreibe einen Java-Code für eine Schleife.“

Je genauer der Prompt, desto besser das Ergebnis.

Token

Ein Token ist eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird. Sie können ein einzelnes Zeichen, ein Wort oder Teile eines Wortes sein.
Englischer Text hat typischerweise etwa 4 Zeichen oder 0,75 Wörter pro Token.
KI-Modelle unterscheiden zwischen Input-Tokens (vom Benutzer eingegebener Text) und Output-Tokens (vom Modell generierte Antworten), wobei die Kosten oft unterschiedlich berechnet werden.

KI-Modelle verarbeiten Text nicht als ganze Sätze, sondern als Token-Folgen.

Bedeutung von Tokens

• bestimmen die maximale Eingabelänge
• beeinflussen Kosten und Performance
• wichtig für Kontext (z. B. „wie viel Text merkt sich das Modell?“)

KI ist der Oberbegriff, ML lernt aus Daten, DL nutzt neuronale Netze. KI arbeitet intern mit Tokens, gesteuert durch Prompts.

Einsatzmöglichkeiten

• Office & Wissensarbeit: Textentwürfe, Übersetzungen, Recherche, Meeting-Notizen, Code-Assistenz
• Kundenservice & Vertrieb: Chatbots, Antwortvorschläge, Lead-Scoring, Personalisierung
• Industrie / IoT: Predictive Maintenance, visuelle Qualitätsprüfung, Supply-Chain-Optimierung
• Finanzen: Betrugserkennung, Kredit-Scoring (unter strengen Compliance-Vorgaben)
• Gesundheit: Bilddiagnostik-Support, Triage-Tools (als Assistenzsysteme)
• Bildung: Adaptive Lernpfade, automatisiertes Feedback, Lern-Analytics
• Öffentlicher Sektor: Dokumentenklassifikation, Entscheidungsunterstützung, Verkehrs- und Energieoptimierung

Wirtschaftliche Betrachtung

• Chancen: Studien schätzen für generative KI ein jährliches Potenzial von mehreren Billionen US-Dollar über viele Anwendungsfelder hinweg.
• Kosten:
  • Daten (Beschaffung, Aufbereitung, Labeling)
  • Technik (Modelle, GPU, Speicher, APIs)
  • Betrieb (MLOps, Monitoring)
  • Compliance & Security (DSGVO, EU-AI-Act)
  • Personal & Change-Management (Schulungen)
• ROI-Hebel: Automatisierung, Qualitätssteigerung, Fehlerreduktion, bessere Entscheidungen, neue Produkte.
• Arbeitsmarkt: Produktivitätsgewinne sind wahrscheinlich, erfordern aber Weiterbildung und Anpassung von Kompetenzen.

Vorteile und Nachteile

Vorteile

• Skalierbare Automatisierung repetitiver Aufgaben
• Schnellere, datenbasierte Entscheidungen
• Personalisierung in Echtzeit
• Entlastung von Routinetätigkeiten

Nachteile und Risiken

• Bias & Fairness: Verzerrte Trainingsdaten können diskriminierende Ergebnisse erzeugen
• Erklärbarkeit: Black-Box-Modelle erschweren Nachvollziehbarkeit
• Sicherheit & Robustheit: Halluzinationen, Prompt- und Datenangriffe
• Betriebsrisiken: Modell-Drift, Compliance- und IP-Risiken
• Abhängigkeiten: Vendor-Lock-in, hohe Rechen- und Energiekosten

Rechtliche und ethische Aspekte (EU-Fokus)

EU-KI-Gesetz (EU AI Act)

Das EU-KI-Gesetz ordnet KI-Systeme in vier Risikoklassen ein:

• Verbotene Systeme (inakzeptables Risiko):
  • Social Scoring,
  • biometrische Echtzeit-Fernidentifizierung im öffentlichen Raum,
  • manipulative Beeinflussung.

• Hochrisiko-Systeme (streng reguliert):
  • Bewerbermanagement,
  • Kredit-Scoring,
  • Gesichtserkennung,
  • kritische Infrastrukturen...
  • Pflichten: Risikomanagement, Dokumentation, Transparenz, menschliche Aufsicht, Monitoring.

• Geringes Risiko (Transparenzpflichten):
  • Chatbots,
  • Emotionserkennung,
  • generative Bild- und Videosysteme.

• Minimales Risiko:
  • Spamfilter,
  • Predictive Maintenance,
  • Videospiel-KI.

Datenschutz (DSGVO)

• Zweckbindung, Datenminimierung, Transparenz und Sicherheit
• Artikel 22: Einschränkungen bei rein automatisierten Entscheidungen mit erheblicher Wirkung
• Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko

Ethik und gute Praxis

• Fairness und Nichtdiskriminierung
• Transparenz und Erklärbarkeit
• Sicherheit und Robustheit
• Menschliche Aufsicht (Human-in-the-Loop)
• Protokollierung und Monitoring
• Kennzeichnung von KI-generierten Inhalten (z. B. Deepfakes)

Kurzmerksatz

KI bietet große Chancen für Effizienz und Innovation, erfordert jedoch verantwortungsvollen Einsatz, klare Regeln und menschliche Kontrolle.