Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit eines Computers, menschliche Kognition zu imitieren oder zu duplizieren.
Nach Lektüre dieses Artikels können Sie Folgendes:
Ähnliche Inhalte
Abonnieren Sie theNET, Cloudflares monatliche Zusammenfassung der beliebtesten Einblicke in das Internet!
Link zum Artikel kopieren
Künstliche Intelligenz (KI) ist die Fähigkeit einer konstruierten Maschine, z. B. eines Computers, menschliche kognitive Aufgaben zu simulieren oder zu duplizieren. Eine mit KI ausgestattete Maschine kann Berechnungen anstellen, Daten analysieren, um Vorhersagen zu treffen, verschiedene Arten von Zeichen und Symbolen erkennen, sich mit Menschen unterhalten und dabei helfen, Aufgaben ohne manuelle Eingaben auszuführen.
Ein herkömmliches Auto reagiert beispielsweise nur auf die Eingaben seines menschlichen Fahrers: Es beschleunigt, wenn der Fahrer sieht, dass die Ampel grün geworden ist und das Gaspedal betätigt, und es hält an einem Stoppschild an, wenn der Fahrer das Schild sieht und das Bremspedal betätigt. Ein mit KI ausgestattetes Auto könnte in der Lage sein, Stoppschilder und Ampeln selbstständig zu erkennen und ohne Eingaben des Fahrers anzuhalten oder zu beschleunigen.
KI hat ihre Wurzeln in den Anfängen der Computer. Der Mathematiker Alan Turing war einer der Ersten, der beschrieb, wie eine künstlich intelligente Maschine funktionieren könnte. Alle seither gebauten Computer sind in gewisser Weise künstlich intelligent, da sie Berechnungen durchführen können, die früher nur dem Menschen möglich waren. In den letzten Jahrzehnten haben sich die Fähigkeiten, die Geschwindigkeit und die Speicherkapazität von Computern jedoch rasant entwickelt. Heute bezieht sich der Begriff „KI“ auf die fortgeschrittenen kognitiven Aufgaben, die Computer erledigen können.
Die meiste KI basiert auf der Analyse von Big Data, die das groß ist, als dass ein Mensch es in angemessener Zeit allein analysieren könnte. Ein KI-Modell wird entwickelt, um Muster in diesen Datensätzen zu erkennen und diese Muster dann zur Vorhersage zukünftiger oder zusätzlicher Muster zu nutzen. KI-Modelle verwenden dazu Wahrscheinlichkeitsrechnungen und statistische Analysen. Einige KI-Modelle sind gut genug, um menschliches Verhalten zu imitieren.
Theoretisch könnte die KI eines Tages darüber hinausgehen und in der Lage sein, eigenständige Gedanken zu „denken“. Die Frage, wann dieser Punkt erreicht ist, ist in gewisser Hinsicht eher eine philosophische als eine technische Frage.
Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz und bezieht sich auf die Praxis, ein Programm mit strukturierten oder gekennzeichneten Daten zu füttern, um das Programm darauf zu trainieren, diese Daten ohne menschliches Zutun zu identifizieren. Ein maschinelles Lernmodell zum Auffinden von Ketchup-Flaschen in Fotos von offenen Kühlschränken kann beispielsweise anfangs keine Würzsaucen erkennen, geschweige denn Ketchup. Dann wird es mit Millionen von Bildern von Ketchupflaschen in verschiedenen Kühlschränken gefüttert und bekommt gesagt, dass jedes einzelne eine Ketchupflasche darstellt. Schließlich ist es in der Lage, automatisch Ketchupflaschen zu erkennen, selbst auf Fotos, die es noch nie gesehen hat.
Maschinelles Lernen beruht auf der Verwendung vordefinierter Prozesse, die Algorithmen genannt werden. Ein maschinelles Lernprogramm „lernt“ etwas anders, je nachdem, wie der Algorithmus aufgebaut ist.
Maschinelles Lernen ist auch auf den Zugriff auf große Datensätze angewiesen. Ein maschinelles Lernprogramm, dem nur drei oder vier Fotos von Ketchup gezeigt werden, wird mit ziemlicher Sicherheit nicht in der Lage sein, Ketchupflaschen durchgängig richtig zu identifizieren, oder es wird Ketchup auf Fotos erkennen, auf denen er nicht vorhanden ist. Je mehr Daten das Modell erhält, desto genauer ist es.
Eine breite Palette von Software- und Technologielösungen nutzt heute maschinelles Lernen. Von Sicherheitslösungen, die mithilfe von maschinellem Lernen Betrug erkennen und Bots identifizieren, bis hin zu Social-Media-Plattformen, die mit maschinellem Lernen Inhalte oder Accounts empfehlen, hat sich das maschinelle Lernen als äußerst nützliches Entwicklungswerkzeug erwiesen.
Genauso wie maschinelles Lernen eine Form der KI ist, ist Deep Learning eine Form des maschinellen Lernens. Deep-Learning-Modelle sind in der Lage, probabilistische Analysen zu verwenden, um Unterschiede in Rohdaten zu erkennen. Ein Deep-Learning-Modell könnte allein anhand von Fotos von geöffneten Kühlschränken lernen, was eine Flasche Ketchup ist und wie man sie von anderen Saucen unterscheidet, ohne erklärt zu bekommen, was eine Flasche Ketchup ist.
Wie andere Arten des maschinellen Lernens erfordert auch Deep Learning den Zugriff auf große Datensätze. Selbst ein fortgeschrittenes Deep-Learning-Modell müsste wahrscheinlich Millionen von Fotos von offenen Kühlschränken analysieren, um Ketchup zu erkennen.
Generative KI ist eine Art von KI-Modell, das Inhalt erstellen kann, einschließlich Text, Bilder, Audio und Video. Ein generatives KI-Modell könnte zum Beispiel ein Foto eines leeren Kühlschranks erhalten und es mit wahrscheinlichem Inhalt füllen, basierend auf Fotos, die ihm in der Vergangenheit gezeigt wurden. Der von einem solchen Modell erzeugte Inhalt kann zwar als „neu“ betrachtet werden, aber er basiert auf Inhalt, mit dem das Modell zuvor gefüttert wurde.
Generative KI-Tools werden immer beliebter. Vor allem das große Sprachmodell (LLM) ChatGPT und die Bildgeneratoren DALL-E und Midjourney haben die Phantasie der Öffentlichkeit und die Aufmerksamkeit der Wirtschaft geweckt. Andere populäre generative KI-Tools sind Bard, Bing Chat und Llama.
Die Anwendungsfälle für KI werden immer vielfältiger. Hier sind einige der realen Anwendungen, die bereits erforscht werden:
Datenlecks: KI-Dienste verwenden Inputs, um ihre Modelle weiter zu trainieren; sie sind nicht als sichere Tresore für Daten gedacht. Aber viele Menschen nutzen LLMs auf eine Art und Weise, die das Risiko der Datenpreisgabe erhöht, einschließlich der Verarbeitung vertraulicher Informationen oder Closed-Source-Code. Solche Daten können in weiteren Reaktionen dieser LLMs reproduziert oder nachgeahmt werden.
Verlust der Kontrolle über die Daten: Die Daten entziehen sich der eigenen Kontrolle, sobald sie in ein LLM hochgeladen werden, und die Nutzer können möglicherweise nicht mehr nachvollziehen, was mit den eingegebenen Daten geschieht. Wenn z. B. ein Bäcker sein neues Geheimrezept für Focaccia in einen LLM eingibt und diesen bittet, eine aussagekräftige Beschreibung für die Website seiner Bäckerei zu verfassen, erhält er vielleicht eine solche Beschreibung zurück – aber das Rezept des Bäckers ist nicht mehr geheim, da es anderen Nutzern des LLMs oder den Betreibern des LLMs offengelegt werden könnte.
Verstöße gegen gesetzliche Bestimmungen: Die Verwendung externer KI-Tools birgt oft ein gewisses Datenrisiko. Infolgedessen kann KI dazu führen, dass ein Unternehmen die gesetzlichen Bestimmungen wie die DSGVO nicht einhält.
Halluzinationen: Der Fachbegriff für dieses Phänomen lautet „Halluzinationen“. Der Fachbegriff für dieses Phänomen lautet „Halluzinationen“. Wenn Unternehmen solche Informationen unkritisch in ihren Inhalt einfließen lassen, können sie ihre Marken schädigen.
Übermäßiges Vertrauen in die KI bei der Entscheidungsfindung: Da die von KI-Modellen gelieferten Informationen nicht immer zuverlässig sind, kann die übermäßige Verwendung von KI bei der Entscheidungsfindung zu Entscheidungen führen, die sich negativ auf ein Unternehmen auswirken.
Der Schutz vor Datenverlusten (DLP) von Cloudflare kann Unternehmen dabei helfen, die Nutzung von KI durch ihre Mitarbeiter in den Griff zu bekommen. DLP kann Uploads, Kopieren und Einfügen sowie Tastatureingaben einschränken, um zu verhindern, dass vertrauliche Daten geschützte Umgebungen verlassen. Erfahren Sie mehr über die Funktionsweise von DLP.
Cloudflare for AI ermöglicht es Entwicklern, neue KI-Apps auf dem globalen Netzwerk von Cloudflare zu entwickeln und bereitzustellen. Erfahren Sie mehr über Cloudflare for AI.