Wie funktioniert KI eigentlich? Kurz gesagt: Eine künstliche Intelligenz „denkt“ nicht wie ein Mensch, sondern erkennt Muster in riesigen Datenmengen und rät darauf basierend die wahrscheinlichste Antwort. Klingt simpel, ist aber erstaunlich mächtig.
In diesem Guide bekommst du in rund 10 Minuten ein solides Bild davon, wie KI lernt, wo der Unterschied zwischen KI, Machine Learning und Deep Learning liegt, was beim „Training“ passiert und warum dein Chatbot manchmal selbstbewusst Unsinn erzählt. Ohne Mathe-Vorlesung, dafür mit Beispielen aus deinem Alltag.
⚡ Das Wichtigste in Kürze
- KI lernt aus Beispielen, nicht aus festen Regeln, die ein Mensch programmiert.
- Training ist das Lernen aus Daten, Inferenz ist das spätere Anwenden auf deine Frage.
- KI rechnet mit Wahrscheinlichkeiten – sie „weiß“ nichts, sie schätzt.
- Deshalb kann sie halluzinieren: flüssig klingende, aber falsche Antworten.
KI, Machine Learning, Deep Learning – wer ist was?
Die drei Begriffe werden oft durcheinandergeworfen, aber sie sind ineinander verschachtelt wie russische Matrjoschka-Puppen. Künstliche Intelligenz ist der Oberbegriff für alles, was Maschinen „intelligent“ wirken lässt. Machine Learning (ML) ist ein Teilbereich davon, und Deep Learning wiederum ein Teilbereich von ML.
| Begriff | Was es bedeutet | Alltagsbeispiel |
|---|---|---|
| Künstliche Intelligenz | Sammelbegriff für Systeme, die Aufgaben lösen, die „Intelligenz“ erfordern | Schach-Computer, Navi-Routenplaner |
| Machine Learning | Das System lernt Regeln selbst aus Beispieldaten, statt sie vorgegeben zu bekommen | Spam-Filter, Produktempfehlungen |
| Deep Learning | ML mit künstlichen neuronalen Netzen und sehr vielen Schichten | Gesichtserkennung, ChatGPT, Sprachassistenten |
Merksatz: Jedes Deep Learning ist Machine Learning, und jedes Machine Learning ist KI – aber nicht umgekehrt. Ein simpler, von Hand programmierter Taschenrechner-Algorithmus ist auch „KI“ im weiten Sinn, lernt aber nichts.
Wie lernt ein KI-Modell aus Daten?
Der Kern der Frage „wie funktioniert KI“ ist die Mustererkennung. Stell dir vor, du willst einem Kind beibringen, Katzen von Hunden zu unterscheiden. Du erklärst keine Regeln wie „Schnurrhaare = Katze“. Stattdessen zeigst du tausende Bilder und sagst jeweils „Katze“ oder „Hund“. Irgendwann erkennt das Kind das Muster von allein.
Genau so lernt ein KI-Modell – nur mit Millionen statt tausenden Beispielen. Es sucht nach statistischen Zusammenhängen: Welche Pixel-Anordnungen tauchen typischerweise bei „Katze“ auf? Welche Wörter folgen häufig auf welche anderen? Diese Zusammenhänge speichert es in Form von Millionen kleiner Zahlenwerte, den sogenannten Parametern oder Gewichten.
