Wie lernt KI?

Einführung

🎯 Lernziele

• Den Unterschied zwischen traditioneller Programmierung und maschinellem Lernen verstehen
• Wissen, wie KI „trainiert” statt „programmiert” wird
• Das Grundprinzip hinter neuronalen Netzen verstehen
• Wissen, warum Daten für die Leistung von KI entscheidend sind

Um zu verstehen, wie KI funktioniert, müssen wir damit beginnen, wie traditionelle Computerprogramme funktionieren – und warum maschinelles Lernen grundlegend anders ist.

Traditionelle Programmierung und maschinelles Lernen basieren auf völlig unterschiedlichen Prinzipien. Der Unterschied bestimmt, welche Probleme überhaupt mit Computern gelöst werden können.

Von Regeln zu Beispielen: Ein fundamentaler Unterschied

Traditionelle Programmierung

Ein Programmierer schreibt genaue Anweisungen:

WENN die Temperatur über 25 Grad ist
  Zeige "Es ist warm draußen"
WENN die Temperatur zwischen 15-25 Grad ist
  Zeige "Es ist angenehm draußen"
WENN die Temperatur unter 15 Grad ist
  Zeige "Es ist kalt draußen"

Jede Regel, jedes Szenario muss im Voraus definiert werden. Das funktioniert hervorragend für Aufgaben mit klaren Regeln.

Aber manche Aufgaben lassen sich nicht mit Regeln programmieren

Versuche, genaue Regeln zu schreiben für:

• Eine Katze auf einem Bild erkennen (hat sie Fell? Spitze Ohren? Aber andere Tiere haben das auch…)
• Entscheiden, ob ein Text positiv oder negativ ist (Ironie macht alles kompliziert…)
• Entscheiden, ob jemand wütend, glücklich oder traurig ist, basierend auf der Stimme

Es gibt keine einfache Regel, die immer funktioniert – zu viele Variationen, zu viele Nuancen. Hier kommt maschinelles Lernen ins Spiel.

Anstatt zu versuchen, Regeln zu schreiben, geben wir dem KI-System Tausende oder Millionen von Beispielen – und lassen es die Muster selbst entdecken.

Maschinelles Lernen: Lernen aus Beispielen statt Regeln

Beispiel: Katzen erkennen

Traditionelle Programmierung (praktisch unmöglich): „Eine Katze hat vier Beine, spitze Ohren, Schnurrhaare…” – Aber wie codiert man „süß”? Wie unterscheidet man Katze von Fuchs?

Maschinelles Lernen:

1. Gib der KI 100.000 Bilder von Katzen (markiert als „Katze”)
2. Gib der KI 100.000 Bilder von anderen Tieren (markiert als „keine Katze”)
3. Lass das System Muster in den Pixeln finden, die Katzen von anderen Tieren unterscheiden
4. Teste mit neuen Bildern, die das System nie gesehen hat – es erkennt Katzen mit hoher Präzision

Kein Mensch hat Regeln geschrieben. Die KI hat Muster selbst entdeckt – durch Beispiele.

Wie läuft der Trainingsprozess in der Praxis ab? Hier gehen wir ihn Schritt für Schritt mit einem alltäglichen Beispiel durch.

So funktioniert Training: Ein konkretes Beispiel

Aufgabe: Trainiere eine KI, Spam-E-Mails von normalen E-Mails zu unterscheiden.

Schritt 1: Daten sammeln

Wir sammeln 10.000 E-Mails, davon 5.000 Spam und 5.000 legitime. Jede E-Mail ist markiert – das nennt sich labeled data.

Schritt 2: Die KI findet Muster

Das System analysiert die E-Mails und entdeckt Muster:

• Spam enthält oft die Wörter „kostenlos”, „gewinne”, „hier klicken”
• Spam hat häufiger Rechtschreibfehler
• Spam kommt häufiger von unbekannten Absendern
• Legitime E-Mails enthalten oft Deinen Namen in der Anrede

Die KI erstellt ein mathematisches Modell basierend auf diesen Mustern.

Schritt 3: Mit neuen E-Mails testen

Wir geben der KI E-Mails, die sie noch nie gesehen hat. Sie nutzt ihr Modell, um zu erraten: Spam oder kein Spam?

Schritt 4: Das Modell verbessern

Wenn die KI falsch rät, wird das Modell angepasst. Das wiederholt sich, bis die KI gut genug ist.

Ergebnis: Eine KI, die neue E-Mails klassifizieren kann, ohne dass jemand Regeln wie „Wenn die E-Mail das Wort ‘kostenlos’ enthält, als Spam markieren” geschrieben hat.

Der leistungsstärkste Typ des maschinellen Lernens verwendet neuronale Netze – lose inspiriert von der Funktionsweise des Gehirns.

Neuronale Netze: Inspiration vom Gehirn

Wie funktioniert das Gehirn?

Dein Gehirn enthält Milliarden von Nervenzellen (Neuronen), die miteinander verbunden sind. Wenn Du eine Katze siehst, senden bestimmte Neuronen Signale aneinander, und zusammen bilden sie das Muster „Katze”. Je öfter Du Katzen siehst, desto stärker werden diese Verbindungen.

Künstliche neuronale Netze machen etwas Ähnliches – das System besteht aus Schichten künstlicher „Neuronen” (mathematischen Funktionen), die miteinander verbunden sind.

Vereinfachtes Beispiel – Bilderkennung:

1. Erste Schicht: Erkennt einfache Details (Kanten, Linien, Farbunterschiede)
2. Zweite Schicht: Kombiniert diese zu Formen (Kreise, Dreiecke)
3. Dritte Schicht: Kombiniert Formen zu Teilen (Ohren, Nase, Pfote)
4. Letzte Schicht: Kombiniert Teile zu Objekten („das ist eine Katze”)

Jede Schicht lernt zunehmend komplexere Muster, indem sie die Ergebnisse der vorherigen Schicht kombiniert.

Tiefe neuronale Netze haben viele Schichten (daher „tiefes” Lernen – deep learning auf Englisch). Das ermöglicht es ihnen, extrem komplexe Muster zu lernen.

Die vielleicht wichtigste Erkenntnis über maschinelles Lernen betrifft nicht Algorithmen oder Hardware – sondern Daten.

Daten sind der Schlüssel – Garbage in, garbage out

Eine KI ist nur so gut wie die Daten, mit denen sie trainiert wurde.

• Wenn Du eine KI trainierst, Hunde zu erkennen, aber nur Bilder von Golden Retrievern zeigst, erkennt sie möglicherweise keinen Dackel oder Schäferhund
• Wenn Du eine KI mit Texten voller Fehler trainierst, lernt sie, fehlerhaft zu schreiben
• Wenn Du eine KI mit voreingenommenen Daten trainierst, lernt die KI diese Vorurteile

Beispiele aus der Realität:

• Eine KI für Bewerbungen, trainiert auf historischen Daten (wo die meisten Führungskräfte Männer waren), lernte, weibliche Bewerberinnen zu diskriminieren
• Eine KI zum Erkennen von Gesichtern auf Bildern, hauptsächlich von hellhäutigen Personen, funktionierte schlechter bei Menschen mit dunkler Haut
• Eine KI, die auf medizinischen Studien mit überwiegend männlichen Teilnehmern trainiert wurde, wurde schlechter bei der Diagnose von Frauenkrankheiten

Das liegt nicht daran, dass die KI „böse” ist – sie lernt nur Muster aus den Daten. Wenn die Daten verzerrt sind, wird die KI verzerrt. Das nennt sich Bias (Verzerrung) und ist eines der größten Probleme der KI.

Maschinelles Lernen ist keine einzelne Technik – es gibt verschiedene Ansätze, je nachdem, welche Art von Problem gelöst werden soll.

Drei Arten des maschinellen Lernens

Überwachtes Lernen (Supervised Learning)

Die KI lernt aus Beispielen mit richtigen Antworten.

• Gib ihr 10.000 Bilder, markiert als „Katze” oder „Hund”
• Sie lernt den Unterschied und kann dann neue Bilder klassifizieren

Verwendung für: Bilderkennung, Spamfilter, Diagnoseunterstützung

Unüberwachtes Lernen (Unsupervised Learning)

Die KI erhält Daten ohne Antworten und findet selbst Muster.

• Gib ihr 10.000 Kundenprofile ohne Markierung
• Sie findet Gruppen ähnlicher Kunden – Segmente, die Du vielleicht nicht kanntest

Verwendung für: Musterfindung, Kundensegmentierung, Anomalieerkennung

Bestärkendes Lernen (Reinforcement Learning)

Die KI lernt durch Ausprobieren und Feedback – wie einen Hund zu trainieren.

• Das System probiert verschiedene Dinge
• Erhält „Belohnung” für gute Entscheidungen, „Strafe” für schlechte
• Lernt, welche Handlungen zu den besten Ergebnissen führen

Verwendung für: Spiel-KI, Robotik, selbstfahrende Autos

Zusammenfassung

Hier fassen wir die wichtigsten Erkenntnisse aus dem Abschnitt zusammen, bevor Du zum Quiz weitergehst.

• Traditionelle Programmierung basiert auf genauen Regeln. Maschinelles Lernen lässt die KI stattdessen Muster aus Beispielen lernen
• KI wird trainiert, indem sie Tausende oder Millionen von Beispielen erhält und statistische Muster findet – niemand schreibt Regeln, das System entdeckt sie selbst
• Neuronale Netze sind vom Gehirn inspiriert und bestehen aus Schichten, die zunehmend komplexere Muster lernen. Deep Learning bedeutet viele Schichten und die Fähigkeit, extrem komplexe Zusammenhänge zu lernen
• Daten sind entscheidend: Eine KI ist nur so gut wie die Daten, mit denen sie trainiert wurde – schlechte oder verzerrte Daten ergeben schlechte oder verzerrte KI (Bias)

Wissen testen

4 Fragen · 100 % richtig zum Bestehen · Antworten nach Abschluss prüfen

Quiz starten →