Kurz zusammengefasst
- KI ist der Oberbegriff und nicht gleichbedeutend mit einem bestimmten Modell oder Verfahren.
- Machine Learning passt Modellparameter anhand von Daten und einem definierten Lernziel an.
- Deep Learning nutzt mehrschichtige neuronale Netze; generative KI erzeugt neue Ausgaben wie Text, Bilder oder Code.
- Reinforcement Learning ist eine Lernart, Reinforcement Learning from Human Feedback (RLHF) ist eine besondere Methode mit menschlichen Präferenzen und AGI ist ein hypothetischer Zukunftsbegriff.
Die Begriffe liegen nicht auf derselben Ebene
Die Begriffe werden häufig wie austauschbare Technologien verwendet. Tatsächlich beschreiben sie unterschiedliche Dinge: KI bezeichnet ein breites Feld und ganze Systeme, Machine Learning und Deep Learning bezeichnen Methoden, generative KI beschreibt die Fähigkeit zur Inhaltserzeugung und AGI eine mögliche zukünftige Fähigkeitsstufe.
Eine vollständig verschachtelte Pyramide wäre trotzdem zu einfach. Moderne generative Sprach- und Bildmodelle beruhen meist auf Deep Learning, doch Deep Learning wird ebenso für nicht generative Aufgaben wie Erkennung, Klassifikation oder Prognosen eingesetzt.
- Künstliche Intelligenz (KI)
- Oberbegriff für maschinenbasierte Systeme, die aus Eingaben beispielsweise Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableiten.
- Machine Learning (ML)
- Methoden, die anhand von Trainingsdaten ein Modell statistischer Muster erzeugen, statt jede Regel einzeln zu programmieren.
- Deep Learning (DL)
- Teilgebiet des Machine Learnings, das neuronale Netze mit mehreren Verarbeitungsebenen nutzt, um komplexe Repräsentationen zu lernen.
- Generative KI (GenAI)
- KI-Modelle, die aus gelernten Strukturen neue Ausgaben wie Text, Bilder, Audio, Video oder Code erzeugen.
- Artificial General Intelligence (AGI)
- Hypothetisches Konzept einer breit einsetzbaren KI mit sehr allgemeinen Fähigkeiten. Definition, Messung und erreichter Status sind nicht einheitlich geklärt.
Auf welche Arten lernen Modelle?
Das Wort «Learning» bezeichnet nicht überall denselben Ablauf. Beim Training werden Modellparameter so angepasst, dass ein definiertes Lernziel auf Beispielen besser erreicht wird. Menschen und Organisationen bestimmen weiterhin Zweck, Daten, Rückmeldungen, Qualitätsmassstab und Einsatzgrenzen.
Reinforcement Learning gehört deshalb in die Einordnung von Machine Learning. Der separate Artikel zu Alignment und Reinforcement Learning from Human Feedback (RLHF) erklärt anschliessend, wie menschliche Präferenzen als spezielles Trainingssignal für Sprachmodelle genutzt werden können.
| Lernart | Vereinfacht erklärt | Typisches Beispiel |
|---|---|---|
| Überwachtes Lernen | Das Modell erhält Beispiele mit einer gewünschten Antwort oder Klasse. | Supportanfragen werden anhand geprüfter Fälle Kategorien zugeordnet. |
| Unüberwachtes Lernen | Das Verfahren sucht Strukturen oder Gruppen, ohne dass für jeden Fall eine richtige Antwort vorgegeben ist. | Ähnliche Transaktionen oder Dokumente werden gruppiert. |
| Selbstüberwachtes Lernen | Das Lernsignal wird aus den Daten selbst erzeugt, etwa indem verdeckte oder nächste Textteile vorhergesagt werden. | Ein Sprachmodell lernt statistische Sprachmuster aus grossen Textbeständen. |
| Reinforcement Learning | Ein System lernt eine Strategie anhand von Belohnungen für Handlungen oder Ergebnisse. | Ein Agent optimiert Entscheidungen in einer simulierten Umgebung. |
| Reinforcement Learning from Human Feedback (RLHF) | Menschliche Präferenzen werden in ein Belohnungs- oder Präferenzsignal für das weitere Modelltraining übersetzt. | Antwortvarianten werden verglichen, damit ein Sprachmodell gewünschte Anweisungen besser befolgt. |
Welche Art von Aufgabe beschreibt der Begriff?
Für Unternehmensentscheidungen ist weniger entscheidend, welches Schlagwort ein Anbieter verwendet. Wichtiger ist, welche Ausgabe benötigt wird, wie sie geprüft werden kann und welche Folgen ein Fehler hätte.
| Begriff | Was er beschreibt | Beispiel im Unternehmen |
|---|---|---|
| KI | Das breitere System oder Fachgebiet | Ein System priorisiert Servicefälle und schlägt nächste Schritte vor. |
| Machine Learning | Lernen statistischer Muster aus Beispieldaten | Ein Modell prognostiziert Nachfrage oder erkennt ungewöhnliche Transaktionen. |
| Deep Learning | Machine Learning mit mehrschichtigen neuronalen Netzen | Eine Bildprüfung erkennt Materialfehler; Spracherkennung transkribiert Gespräche. |
| Generative KI | Erzeugen neuer Inhalte aus Modell, Eingabe und Kontext | Ein Assistent fasst Berichte zusammen oder erstellt einen Antwortentwurf. |
| LLM oder SLM | Eine auf Sprache spezialisierte Modellfamilie unterschiedlicher Grösse | Ein Sprachmodell verarbeitet Anweisungen; Anwendung und Plattform ergänzen Daten, Rechte und Prozesse. |
| AGI | Eine hypothetische allgemeine Fähigkeitsstufe statt eines klar abgegrenzten heutigen Produkts | Keine belastbare Beschaffungskategorie: Der konkrete Anwendungsfall muss weiterhin separat getestet werden. |
Was bedeutet Lernen im Unternehmensalltag wirklich?
«Die Maschine lernt selbstständig» ist eine verkürzte Formulierung. Während eines definierten Trainings passt ein Verfahren Modellparameter an. Menschen wählen oder beeinflussen Daten, Modellfamilie, Zielfunktion und Prüfverfahren. Fehlerhafte Daten oder ein unpassendes Lernziel können deshalb systematisch unbrauchbare Ergebnisse erzeugen.
Ein trainiertes Modell lernt im Betrieb zudem nicht automatisch weiter. Viele produktive Modelle bleiben unverändert, bis sie kontrolliert neu trainiert oder ersetzt werden. Fortlaufendes Lernen muss ausdrücklich entworfen, überwacht und geprüft werden.
- Trainingsdaten liefern Beispiele und beobachtete Zusammenhänge.
- Eine Zielfunktion bestimmt, welche Art von Fehler reduziert werden soll.
- Validierungs- und Testdaten prüfen nicht gesehene Fälle.
- Anwendung, Berechtigungen und Prozessregeln entstehen nicht durch Modelltraining.
- Neue Daten verändern ein bereitgestelltes Modell nur mit einem vorgesehenen Aktualisierungsprozess.
AGI ist ein Zukunftsbegriff, keine Beschaffungskategorie
AGI wird häufig als KI mit sehr breiten, menschenähnlichen oder menschenübertreffenden Fähigkeiten beschrieben. Es gibt jedoch weder eine universell akzeptierte Definition noch einen allgemein verbindlichen Test. Einzelne Organisationen verwenden eigene Formulierungen; daraus entsteht noch kein branchenweiter Standard.
Für eine heutige Unternehmensentscheidung ist die Bezeichnung deshalb wenig hilfreich. Auch ein sehr leistungsfähiges allgemeines Modell muss für den konkreten Prozess, die eigenen Daten, Sprachen, Fehlerfolgen und Berechtigungen geprüft werden.
- Schritt 1
Ergebnis definieren
Festlegen, welche Vorhersage, Klassifikation, Zusammenfassung oder Aktion tatsächlich benötigt wird.
- Schritt 2
Einfachsten passenden Ansatz wählen
Regeln, klassisches Machine Learning und generative Modelle anhand der Aufgabe vergleichen.
- Schritt 3
Gesamtsystem betrachten
Modell, Daten, Anwendung, Plattform, Rechte und menschliche Freigaben getrennt beurteilen.
- Schritt 4
Mit eigenen Fällen messen
Qualität, Kosten, Laufzeit und Risiken statt allgemeiner Fähigkeitsversprechen prüfen.
Beispiel: Drei KI-Aufgaben in einem Industrieunternehmen
Ein Machine-Learning-Modell prognostiziert den Ersatzteilbedarf. Ein Deep-Learning-Modell erkennt Schäden auf Produktbildern. Ein generativer Assistent fasst freigegebene Serviceberichte zusammen und erstellt einen Antwortentwurf. Alle drei Lösungen sind KI, aber sie lösen unterschiedliche Aufgaben und benötigen andere Tests. Keine davon muss als AGI bezeichnet werden, um konkreten geschäftlichen Nutzen zu liefern.
Was Sie mitnehmen sollten
Ordnen Sie zuerst Aufgabe, Lernart und gewünschte Ausgabe ein. Wählen und testen Sie danach das einfachste System, das Qualitäts- und Risikogrenzen erfüllt – statt die Entscheidung an Schlagwörtern wie Deep Learning oder AGI auszurichten.
Quellen und Vertiefung
Diese Primärquellen vertiefen Definitionen, technische Grundlagen oder verantwortlichen Einsatz.
Inhaltlich geprüft