Künstliche Intelligenz ist kein einzelnes Werkzeug, sondern ein Sammelbegriff für viele Methoden. Je nach Aufgabe unterscheidet man verschiedene Arten von KI. Dazu gehören Systeme, die Regeln ausführen, Systeme, die aus Daten lernen, und Systeme, die neue Inhalte erstellen.
Regelbasierte KI (symbolische KI)
Bei regelbasierter KI arbeiten Systeme mit klaren Regeln. Menschen beschreiben, wie Entscheidungen getroffen werden. Die KI nutzt dann diese Regeln, um Ergebnisse zu berechnen.
Typische Merkmale:
- Entscheidungen nach festgelegten Regeln
- Gute Ergebnisse in klar definierten Umgebungen
- Weniger flexibel bei unklaren oder neuen Situationen
Beispiele:
- Regelbasiertes Expertensystem im IT Support
- Wenn dann Logik in der Automatisierung, zum Beispiel bei Statusmeldungen
- Ticket Routing mit festen Bedingungen
Maschinelles Lernen (ML)
Beim maschinellen Lernen lernt die KI aus Daten. Sie sucht Muster und passt ihre Modelle an, um Vorhersagen oder Entscheidungen zu treffen. Dabei muss nicht jede Regel einzeln programmiert werden.
Typische Merkmale:
- Lernen aus Trainingsdaten
- Vorhersagen, Klassifikation oder Mustererkennung
- Leistung hängt stark von Datenqualität und Datenmenge ab
Beispiele:
- E Mail Spam Filter
- Bonitätsbewertung im Finanzbereich
- Preisvorhersagen im Handel
Überwachtes Lernen (Supervised Learning)
Beim überwachten Lernen gibt es richtige Antworten für die Trainingsdaten. Die KI lernt aus Datensätzen, die eine Zielvariable enthalten. So kann sie später ähnliche Aufgaben lösen.
Typische Aufgaben:
- Klassifikation, zum Beispiel Spam oder Nicht Spam
- Regression, zum Beispiel die Vorhersage von Preisen
Beispiele:
- Erkennung von Betrugsfällen anhand von historischen Daten
- Bildanalyse mit gelabelten Beispielen, zum Beispiel Fahrzeugtyp erkennen
Unüberwachtes Lernen (Unsupervised Learning)
Unüberwachtes Lernen kommt ohne gelabelte Ergebnisse aus. Die KI sucht selbst nach Strukturen in den Daten. Das ist hilfreich, wenn Kategorien unbekannt sind oder Muster entdeckt werden sollen.
Typische Aufgaben:
- Clustering, also Gruppierung
- Anomalie Erkennung
- Dimensionalitätsreduktion für bessere Übersicht
Beispiele:
- Kundensegmente finden, ohne vorher bekannte Gruppen
- Erkennen ungewöhnlicher Muster in Sensordaten
Bestärkendes Lernen (Reinforcement Learning)
Bestärkendes Lernen trainiert eine KI durch Interaktion mit einer Umgebung. Die KI erhält Belohnungen oder Strafen. So lernt sie Strategien, die langfristig möglichst gute Ergebnisse bringen.
Typische Merkmale:
- Lernen aus Erfahrung statt aus festen Beispielen
- Aufbau von Strategien über viele Schritte
- Gut für Probleme mit Entscheidungen in Sequenzen
Beispiele:
- Spielagenten, die in einer Simulation trainieren
- Optimierung von Routen und Abläufen, zum Beispiel in Logistikprozessen
Tiefes Lernen (Deep Learning)
Tiefes Lernen ist ein Teilbereich des maschinellen Lernens. Dabei nutzt die KI mehrschichtige neuronale Netze. Diese Methode ist besonders stark bei Bildern, Audio und Sprache, weil sie komplexe Muster direkt aus Rohdaten lernen kann.
Typische Einsatzfelder:
- Bild- und Objekterkennung
- Sprachverarbeitung
- Textverarbeitung
Beispiele:
- Gesichtserkennung in Kamerasystemen
- Spracherkennung für Diktierfunktionen
- Übersetzer und automatische Untertitel
Generative KI
Generative KI erstellt neue Inhalte. Sie lernt dabei aus großen Datenmengen und kann darauf basierend Texte, Bilder, Audio oder auch Code erzeugen. Wichtig ist, dass generative Systeme nicht nur vorhersagen, sondern Inhalte neu formulieren oder generieren.
Typische Merkmale:
- Erzeugt neue Ergebnisse statt nur Klassifizierung
- Kann Inhalte aus Eingaben ableiten, zum Beispiel aus Prompts
- Qualität hängt stark von Training und Nutzungsprozess ab
Beispiele:
- Textgeneratoren für Unternehmensdokumente oder Entwürfe
- Bildgeneratoren für Designvarianten oder Visualisierungen
- Audio Systeme für Text zu Sprache oder Musikideen
- Code Generatoren für Beispielskripte und Code Vorschläge
Klassische KI vs. KI mit neuronalen Netzen
Viele nutzen die Wörter KI und maschinelles Lernen als Synonyme. Technisch ist der Unterschied oft klar. Regelbasierte Systeme stützen sich auf festgelegte Regeln. Modelle mit neuronalen Netzen lernen Muster aus Daten und können ohne genaue Regeln bessere Ergebnisse liefern, wenn genug Daten vorhanden sind.
In der Praxis kommen häufig Mischformen vor. Zum Beispiel kann ein System Regeln verwenden und gleichzeitig ein neuronales Modell trainieren, um Erkennungen zu verbessern.
KI nach Einsatzart: Narrow AI und General AI
Eine andere Einteilung betrachtet die Fähigkeiten einer KI. Dabei unterscheidet man häufig zwischen Systemen mit klar begrenzten Aufgaben und Systemen mit breiter Problemlösung.
Narrow AI (schwache KI)
Narrow AI ist auf eine bestimmte Aufgabe spezialisiert. Solche Systeme sind heute im Alltag und in Unternehmen sehr verbreitet.
Beispiele:
- Spam Filter
- Empfehlungssysteme für Produkte oder Videos
- Optimierung in Produktion und Wartungsplanung
General AI (starke KI)
General AI würde viele Aufgaben ähnlich gut lösen wie Menschen. Diese Art wird in der Forschung diskutiert, ist aber heute nicht als alltagstaugliche Technologie verfügbar.
KI nach Daten und Modellaufbau: zum Beispiel NLP und Computer Vision
Manche Arten von KI werden auch nach dem Datentyp unterschieden. Das hilft, die Technik besser einzuordnen.
KI für Sprache (NLP)
Natural Language Processing verarbeitet und versteht Text. Systeme können Inhalte analysieren, Fragen beantworten oder Texte zusammenfassen.
Beispiele:
- Zusammenfassungen von Texten
- Suche in großen Dokumentenbeständen
- Chatbots für Support und Wissensdatenbanken
KI für Bilder und Videos (Computer Vision)
Computer Vision verarbeitet visuelle Informationen. Solche Systeme erkennen Objekte, lesen Inhalte oder verfolgen Bewegungen.
Beispiele:
- Qualitätskontrolle in der Produktion
- Lesen von Text auf Rechnungen und Formularen
- Personen oder Fahrzeuge in Überwachungsvideos erkennen
Welche KI Arten werden am häufigsten eingesetzt?
In vielen Projekten stehen heute Kombinationen im Vordergrund. Typisch sind maschinelles Lernen und Tiefes Lernen für Erkennung und Vorhersage. Für neue Inhalte wird zunehmend generative KI genutzt. Regelbasierte Ansätze spielen weiterhin eine Rolle, vor allem wenn Ziele klar definiert sind oder bestimmte Abläufe zuverlässig eingehalten werden müssen.
Wenn eine Aufgabe später erweitert werden soll, werden oft lernende Modelle bevorzugt, weil sie sich mit passenden Daten besser anpassen können.
