Künstliche Intelligenz – auf Englisch Artificial Intelligence (AI) – bezeichnet Computersysteme, die Aufgaben ausführen können, für die normalerweise menschliche Intelligenz nötig wäre. Dazu gehören Dinge wie Texte verstehen, Bilder erkennen, Entscheidungen treffen oder Sprache übersetzen.

Wichtig: AI «denkt» nicht wie ein Mensch. Sie erkennt Muster in riesigen Datenmengen und leitet daraus Vorhersagen ab. Wenn ChatGPT einen Satz schreibt, «weiss» es nicht, was es sagt – es berechnet, welches Wort am wahrscheinlichsten als nächstes kommt.

Keiner. KI steht für «künstliche Intelligenz» – die deutsche Übersetzung von «Artificial Intelligence» (AI). International hat sich AI als Standardbegriff durchgesetzt, weshalb auch wir bei nuwai diesen verwenden.

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Statt einem Computer Schritt für Schritt zu sagen, was er tun soll (klassische Programmierung), gibt man ihm Daten – und er lernt daraus selbständig Muster und Regeln.

Ein Beispiel: Statt manuell 500 Regeln zu programmieren, um Spam-Mails zu erkennen, zeigt man dem System Tausende E-Mails, die als «Spam» oder «kein Spam» markiert sind. Das System erkennt selbst, welche Merkmale typisch für Spam sind.

Deep Learning ist eine spezielle Form von Machine Learning, die mit sogenannten neuronalen Netzen arbeitet – Strukturen, die lose vom menschlichen Gehirn inspiriert sind. «Deep» bezieht sich auf die vielen Schichten (Layers) in diesen Netzen.

Deep Learning ist die Technologie hinter den grossen Durchbrüchen der letzten Jahre: Spracherkennung, Bildgenerierung, Textverständnis. Alle modernen AI-Systeme wie ChatGPT, Claude oder Gemini basieren auf Deep Learning.

Ein neuronales Netz ist ein mathematisches Modell, das in Schichten organisiert ist. Daten fliessen von der Eingangsschicht durch mehrere versteckte Schichten bis zur Ausgangsschicht. In jeder Schicht werden die Daten transformiert und gewichtet.

Man kann sich das wie einen mehrstufigen Filter vorstellen: Jede Schicht extrahiert etwas abstraktere Merkmale. Bei der Bilderkennung erkennt die erste Schicht Kanten, die nächste Formen, dann Gesichtsteile – und am Ende ein Gesicht.

Training ist der Prozess, bei dem ein AI-Modell aus Daten lernt. Dabei werden dem Modell riesige Mengen an Texten, Bildern oder anderen Daten gezeigt. Das Modell passt dabei schrittweise seine internen Parameter an, um Muster besser zu erkennen.

Das Training moderner Sprachmodelle dauert Wochen bis Monate, erfordert Tausende spezialisierter Grafikprozessoren (GPUs) und kostet Dutzende bis Hunderte Millionen Franken. Deshalb wird dieser Schritt nur von grossen Unternehmen wie OpenAI, Google oder Anthropic durchgeführt.

Ein AI-Modell ist das Ergebnis des Trainings – vergleichbar mit dem «Gehirn» des Systems. Es enthält Milliarden von Parametern (Zahlenwerte), die während des Trainings optimiert wurden.

Bekannte Modelle sind zum Beispiel GPT-4o (von OpenAI), Claude (von Anthropic), Gemini (von Google) oder Llama (von Meta). Jedes Modell hat eigene Stärken: Manche sind besser im Programmieren, andere im kreativen Schreiben oder in der Analyse.

Parameter sind die Zahlenwerte innerhalb eines Modells, die während des Trainings angepasst werden. Man kann sie sich wie Stellschrauben vorstellen: Je mehr Parameter, desto feiner kann das Modell Nuancen erfassen.

GPT-4 hat geschätzt über 1 Billion Parameter. Kleinere Modelle wie Llama 3 haben 8 bis 70 Milliarden. Mehr Parameter bedeuten nicht automatisch «besser» – aber in der Regel mehr Fähigkeiten und Nuancenverständnis.