Die Schichten der KI

Von aussen nach innen

Was jede Ebene bedeutet

Oberbegriff

Künstliche Intelligenz

Artificial Intelligence (AI)

Alle Verfahren, mit denen Computer Aufgaben lösen, für die wir sonst menschliche Intelligenz brauchen: verstehen, schlussfolgern, planen, erkennen, erzeugen.

Der Begriff stammt von der Dartmouth-Konferenz 1956. KI hat zwei grosse Zweige: symbolische KI und maschinelles Lernen.

Symbolischer ZweigMenschen schreiben Wissen und Regeln explizit auf.

Lernender ZweigDas System leitet Regeln selbst aus Beispielen ab.

Hybride SystemeViele heutige Anwendungen kombinieren beides, etwa ein Sprachmodell mit fest programmierten Prüfregeln oder einer Datenbank.

Zweiter Zweig der KI

Symbolische KI

Symbolic AI, auch Classical AI

Wissen wird als Fakten und Regeln aufgeschrieben, und der Computer zieht daraus logische Schlüsse. Jeder Schritt ist nachvollziehbar. Die Regeln zu pflegen ist aufwendig, und bei unscharfen Daten wie Bildern oder Sprache kommt der Ansatz an seine Grenzen.

Beispiele: Schachprogramme mit Suchbaum, Routenplaner, medizinische Expertensysteme der 1970er und 80er Jahre.

WissensrepräsentationFakten und Beziehungen in maschinenlesbarer Form, etwa Ontologien oder Wissensgraphen.

Logik & SchlussfolgernAus Regeln und Fakten neue Aussagen ableiten.

ExpertensystemeWenn-dann-Regeln, die das Wissen von Fachleuten abbilden.

Suche & PlanungDen besten Weg zu einem Ziel finden, wie ein Routenplaner. Agenten greifen diese Idee wieder auf.

Teilmenge von KI

Maschinelles Lernen

Machine Learning (ML)

Statt Regeln vorzugeben, zeigt man dem System viele Beispiele. Es findet die Muster selbst und wendet sie auf neue Fälle an.

Beispiele: Spamfilter, Betrugserkennung bei Kreditkarten, Produktempfehlungen im Onlineshop.

Überwachtes LernenLernen aus Beispielen mit richtiger Antwort, etwa Mails mit Label «Spam».

Unüberwachtes LernenStruktur in Daten ohne Labels finden, etwa Kundengruppen bilden.

Bestärkendes LernenLernen durch Versuch, Belohnung und Strafe, etwa beim Spielen von Go.

Selbstüberwachtes LernenDie Daten liefern ihr Label selbst, etwa das nächste Wort im Satz. So werden Sprachmodelle vortrainiert.

Aufgaben: Klassifikation, Regression, ClusteringKlassifikation ordnet einer Kategorie zu (Spam oder nicht), Regression schätzt eine Zahl (Preis einer Wohnung), Clustering gruppiert Ähnliches.

Teilmenge von ML

Neuronale Netze

Neural Networks

Eine Familie von ML-Modellen aus vielen einfachen Recheneinheiten, die in Schichten verbunden sind. Jede Verbindung hat ein Gewicht, und Lernen heisst: diese Gewichte so lange anpassen, bis die Ausgabe stimmt.

Die Idee ist lose vom Gehirn inspiriert. Gerechnet wird mit Multiplikationen, Summen und einer Aktivierungsfunktion.

Neuron & PerzeptronDie Grundeinheit. Das Perzeptron von 1958 ist das einfachste neuronale Netz.

SchichtenEingabe, verborgene Schichten (hidden layers) und Ausgabe.

AktivierungsfunktionMacht das Netz nichtlinear, damit es komplexe Muster abbilden kann, etwa ReLU.

VerlustfunktionMisst, wie weit die Ausgabe vom Ziel entfernt ist. Englisch: loss oder cost function.

Backpropagation & GradientenabstiegBackpropagation berechnet, wie stark jedes Gewicht zum Fehler beiträgt. Der Gradientenabstieg passt die Gewichte dann in kleinen Schritten an. Beides zusammen ist das Training.

Teilmenge der neuronalen Netze

Deep Learning

Neuronale Netze mit vielen Schichten. Jede Schicht lernt abstraktere Merkmale: erst Kanten, dann Formen, dann Gesichter. Möglich wurde das durch grosse Datenmengen und Grafikprozessoren (GPUs).

Der Durchbruch kam 2012, als das Netz AlexNet einen Bilderkennungs-Wettbewerb deutlich gewann.

CNNFaltungsnetze für Bilder und Video, etwa Gesichtserkennung im Handy.

RNN & LSTMNetze für Abfolgen wie Sprache oder Messreihen. LSTM ist eine RNN-Variante mit besserem Gedächtnis.

TransformerSeit 2017. Der Attention-Mechanismus betrachtet alle Teile einer Eingabe gleichzeitig. Basis fast aller heutigen Sprachmodelle.

AutoencoderKomprimiert Daten und baut sie wieder auf. Nützlich für Rauschunterdrückung und Anomalien.

Heute fast vollständig Deep Learning

Generative KI

Generative AI

Modelle, die neue Inhalte erzeugen: Text, Bilder, Audio, Video, Code. Sie lernen die Verteilung ihrer Trainingsdaten und ziehen daraus neue, plausible Beispiele.

Was heute generative KI heisst, sind grosse Deep-Learning-Modelle. Darum liegt sie im Bild ganz innen.

LLMsGrosse Sprachmodelle auf Transformer-Basis. Sie sagen Wort für Wort das Wahrscheinlichste voraus. Beispiele: Claude, GPT, Gemini.

DiffusionsmodelleLernen, Bildrauschen schrittweise zu entfernen, bis ein Bild entsteht. Basis vieler Bild- und Videogeneratoren.

GANsZwei Netze im Wettstreit: eines erzeugt, eines prüft. Seit 2014, lange führend bei Bildern.

VAEsDie generative Variante des Autoencoders. Steckt heute oft als Baustein in Bildmodellen.

Multimodale ModelleEin Modell versteht oder erzeugt mehrere Medien, etwa Text und Bild zusammen. Das ist eine Fähigkeit, die mit verschiedenen Bauarten erreicht wird.

System aus Bausteinen

Agentic AI

KI-Agenten

Ein Agent verfolgt ein Ziel über mehrere Schritte. Er nutzt ein generatives Modell (meist ein LLM) als Denkkern, plant, ruft Werkzeuge auf, prüft das Ergebnis und macht weiter, bis die Aufgabe erledigt ist.

Beispiele: ein Agent, der Rechnungen aus dem Postfach liest und in die Buchhaltung überträgt, oder einer, der Code schreibt, testet und korrigiert.

PlanungEin Ziel in Teilschritte zerlegen und die Reihenfolge festlegen.

WerkzeugnutzungSuche, Datenbanken, E-Mail oder Code aufrufen, etwa über Function Calling oder MCP.

GedächtnisKurzzeit im Kontextfenster, Langzeit in Dateien oder einer Wissensdatenbank (RAG).

HandlungsschleifeBeobachten, entscheiden, handeln, Ergebnis prüfen, wiederholen.

Leitplanken & FreigabenGrenzen, Rechte und menschliche Bestätigung vor heiklen Schritten wie Zahlungen oder Löschen. Je selbständiger ein Agent, desto wichtiger.

Die Schichten der KI, von aussen nach innen.

Fünf Beispiele, eingeordnet