Hast du dir schon mal die Frage gestellt, wie Künstliche Intelligenz funktioniert? In den kommenden Wochen laden wir dich ein, jeden Freitag mit uns auf Entdeckungstour zu gehen und das Mysterium zu entschlüsseln. Heute beginnen wir mit einem kompakten Vergleich zweier Ansätze aus dem Bereich der Künstlichen Intelligenz und beleuchten, warum sich einer davon erst jetzt durchsetzen konnte.
Klassische KI: Computer braucht Anweisung
Künstliche Intelligenz ist keine Erfindung des neuen Jahrtausends – der Begriff wurde schon im Jahre 1956 geprägt. Damals lag der Schwerpunkt auf der direkten Nachahmung menschlichen Denkens und Problemlösens durch symbolische Methoden und explizit programmierte Regeln.
Moment – jetzt mal langsam. Was bedeutet das genau? In den Anfangszeiten der Künstlichen Intelligenz lag der Fokus darauf, menschliche Denkprozesse und Problemlösungsfähigkeiten zu imitieren. Hierfür versah man das Computerprogramm mit klaren, festen Anweisungen (explizit programmierte Regeln) und Symbolen (symbolische Methoden). Dieser Ansatz wird auch oft GOFAI genannt (Good Old-Fashioned Artificial Intelligence): Die „gute alte künstliche Intelligenz“.
Ganz salopp gesagt: Früher haben die Menschen versucht, dem Computer genau zu sagen, wie er denken soll, indem sie ihm ganz spezielle Anweisungen und Zeichen gaben, damit er bestimmte Dinge tut. Sie wollten, dass der Computer so denkt und Probleme löst wie ein Mensch, indem sie ihm klare Regeln gaben, denen er folgen sollte.
Machine Learning: Computer lernt selbstständig
Im Gegensatz zum sogenannten „regelbasierten“ Ansatz steht der Ansatz der „neuralen Netze“. Statt menschliches Denken direkt nachzubilden, konzentrieren sich moderne Ansätze mehr darauf, Systeme zu entwickeln, die aus Daten lernen und Muster erkennen können, oft auf eine Weise, die nicht direkt von menschlichen Denkprozessen abgeleitet ist.
Wieder einfach erklärt: Heute geben wir dem Computer viele Beispiele und zeigen ihm, wie er Dinge auf eine bestimmte Weise machen soll, anstatt ihm genau zu sagen, was er tun soll. Der Computer schaut sich alle Beispiele an und versucht, daraus zu lernen, sodass er selbst herausfinden kann, wie er neue, ähnliche Aufgaben lösen kann. Er lernt also ein bisschen so wie ein Kind, indem es zuschaut und übt, anstatt dass ihm bei jedem Schritt gesagt wird, was zu tun ist.
Der große Shift in ein neues Zeitalter der Künstlichen Intelligenz
Was ist ein Paradigmenwechsel? Dieser Begriff beschreibt einen Wandel in den Ansichten oder Methoden, die in einem bestimmten Bereich verwendet werden. Man könnte es sich wie einen großen „Aha-Moment“ vorstellen, der dazu führt, dass Menschen Dinge auf eine völlig neue und oft verbesserte Weise sehen oder tun.
Genau so ein Paradigmenwechsel ist im Bereich der Künstlichen Intelligenz passiert. Der Ansatz der traditionellen KI wird durch lernfähige Künstlicher Intelligenz ersetzt. Machine Learning (insbesondere Deep Learning) hat es modernen KI-Systemen ermöglicht, eine beeindruckende Vielfalt und Komplexität von Aufgaben zu bewältigen, die weit über die ursprünglichen Fähigkeiten und Anwendungen hinausgehen.
Obwohl das Konzept der neuronalen Netze bereits Ende der 1950er Jahren im Kontext der künstlichen Intelligenz vorgeschlagen wurde, geriet es in den Hintergrund. Damalige Limitierungen, wie Rechenleistung, Speicherkapazität, Datenverfügbarkeit, Algorithmen und Hardware, machten die Verfolgung dieses Ansatzes unmöglich.
Seitdem hat sich viel getan, und die Limitierungen sind keine mehr. Der rasante Fortschritt in den letzten Jahren hat dazu geführt, dass KI nicht mehr nur ein Thema für Informatiker*innen ist. Sie ist zu einem integralen Bestandteil unseres täglichen Lebens geworden, und es gibt kein Zurück mehr.