Welche Arten von KI gibt es?

Kurz gesagt: KI-Typen lassen sich am besten anhand ihrer Fähigkeiten, Funktionalität, ihres Trainingsstils und ihres Anwendungsfalls verstehen. Schwache KI ist heute weit verbreitet, während allgemeine KI und Super-KI noch theoretischer Natur sind. Bei der Auswahl eines Tools sollte die Kategorie zur Aufgabe, den damit verbundenen Risiken und dem Bedarf an menschlicher Überprüfung passen.

Wichtigste Erkenntnisse:

Klassifizierung: Trennen Sie Fähigkeiten, Funktionalität, Trainingsmethoden und Anwendungsfälle, bevor Sie Systeme vergleichen.

Menschliche Überprüfung: Überprüfen Sie generative, prädiktive und dialogbasierte Ergebnisse, bevor Sie sich darauf verlassen.

Transparenz: Fragen Sie nach den Daten, der Logik und den Grenzen, die jedes KI-System prägen.

Verantwortlichkeit: Menschen müssen die Verantwortung tragen, wenn KI Entscheidungen, Nutzer oder die Sicherheit beeinflusst.

Risikokontrolle: Vor dem Einsatz auf Voreingenommenheit, Datenschutz, Sicherheit und Missbrauch prüfen.

---

1. Welche Arten von KI gibt es?

Wenn Leute fragen: „Welche Arten von KI?“, meinen sie in der Regel eines von zwei Dingen:

Möglicherweise fragen sie nach der Leistungsfähigkeit, zum Beispiel ob sie nur eine Aufgabe erledigen kann oder auch umfassender und menschenähnlich denken kann.

Oder sie fragen nach KI im Hinblick auf die Funktionalität, also wie sich das System verhält, lernt, sich erinnert, vorhersagt oder reagiert.

Hier wird die Sache etwas kompliziert. Künstliche Intelligenz lässt sich nicht in eine einheitliche Kategorie einordnen. Es ist eher so, als würde man Küchengeräte nach Größe, Verwendungszweck, Schärfe und danach sortieren, ob der Onkel sie in einem dubiosen Online-Shop gekauft hat. Verschiedene Klassifizierungssysteme überschneiden sich.

Zu den Hauptkategorien gehören üblicherweise:

• Schmale KI

• Allgemeine KI

• Super-KI

• Reaktive Maschinen

• KI mit begrenztem Speicher

• Theory of Mind KI

• Selbstbewusste KI

• Maschinelles Lernen KI

• Deep Learning KI

• Generative KI

• Vorhersage-KI

• Konversations-KI

• Computer Vision KI

• Robotik KI

Einige dieser Technologien sind weit verbreitet. Andere sind noch größtenteils theoretischer Natur. Manche klingen futuristisch, sind aber bereits in alltägliche Anwendungen integriert. Auch die Grenze zwischen „normaler Software“ und „KI“ ist im Laufe der Zeit immer unschärfer geworden.

---

2. Arten von KI nach Leistungsfähigkeit

Die erste wichtige Möglichkeit, KI zu klassifizieren, besteht darin, was sie leisten kann. Dies ist die übergeordnete Betrachtungsweise 🧠.

Schmale KI

Schwache KI, auch als Narrow AI bezeichnet, ist für die Ausführung einer spezifischen Aufgabe oder einer begrenzten Anzahl von Aufgaben konzipiert. Dies ist die KI, die die meisten Menschen täglich nutzen.

Beispiele hierfür sind:

• Suchempfehlungen

• Spamfilter

• Sprachassistenten

• Gesichtserkennungssysteme

• Chatbots

• Produktempfehlungs-Engines

• Betrugserkennungswerkzeuge

• Sprachübersetzungs-Apps

Schwache KI kann zwar leistungsstark sein, aber sie „denkt“ nicht im umfassenden menschlichen Sinne. Eine Schach-KI kann einen Großmeister schlagen, aber sie kann nicht plötzlich beschließen, Konditorin zu werden. Ein Übersetzungsmodell kann einen Absatz übersetzen, aber es erlebt Sprache nicht so wie ein Mensch.

Dennoch ist schwache KI das Arbeitspferd der modernen KI-Welt. Sie ist zwar nicht so glamourös wie in Science-Fiction-Filmen, aber sie steuert einen Großteil der Prozesse im Verborgenen 🎭.

Allgemeine KI

Allgemeine KI bezeichnet künstliche Intelligenz, die in der Lage ist, Wissen auf einem menschenähnlichen Niveau zu verstehen, zu lernen, zu schlussfolgern und anzuwenden, und zwar über viele verschiedene Aufgaben hinweg.

Einfach ausgedrückt: Es würde nicht nur eine Sache gut können. Es könnte sich anpassen.

Eine wirklich allgemeine KI könnte potenziell:

• Lernen Sie unbekannte Aufgaben

• Denken über verschiedene Fächer hinweg

• Neue Probleme lösen

• Wissen von einem Fachgebiet auf ein anderes übertragen

• Den Kontext besser verstehen

• Treffen Sie Entscheidungen mit flexiblem Urteilsvermögen

Diese Art von KI ist noch eher ein Ziel als gelebte Realität. Man spricht viel darüber, weil sie faszinierend, vielleicht etwas beunruhigend und als Konzept schwer zu ignorieren ist. Doch alltägliche Tools, die Texte schreiben, Bilder generieren oder Fragen beantworten, sind nicht automatisch allgemeine KI. Sie mögen zwar vielseitig erscheinen, bewegen sich aber dennoch innerhalb bestimmter Grenzen.

Super-KI

Super-KI würde die menschliche Intelligenz übertreffen. Nicht nur schnelleres Tippen oder bessere Mathematik – überlegenes Denkvermögen, Kreativität, Strategie, Lernfähigkeit und vielleicht auch emotionales oder soziales Verständnis.

Dies ist die spekulativste Kategorie. Sie wirft gewaltige Fragen auf:

• Wer kontrolliert es?

• Lässt es sich mit menschlichen Werten vereinbaren?

• Würde es menschliche Ziele richtig verstehen?

• Könnte es sich selbst verbessern?

• Was passiert, wenn es Entscheidungen trifft, die für Menschen nicht nachvollziehbar sind?

Super-KI ist der Punkt, an dem KI-Gespräche manchmal in philosophische Abschweifungen ausarten. Wertvolle Abschweifungen vielleicht, aber eben doch nur Abschweifungen 🍲.

---

3. Arten von KI nach Funktionalität

Eine weitere gängige Methode zur Erklärung der KI-Typen ist die Unterscheidung anhand ihrer Funktionalität. Dabei wird der Fokus auf das Verhalten der KI gelegt.

Reaktive Maschinen

Reaktive Maschinen sind die einfachste Art von KI. Sie reagieren auf aktuelle Eingaben, ohne auf Erinnerungen an vergangene Erfahrungen zurückzugreifen.

Sie lernen nicht im Laufe der Zeit wie moderne adaptive Systeme. Sie betrachten die Situation, verarbeiten sie und reagieren.

Man kann es sich so vorstellen: „Input kommt rein. Output geht raus. Keine Tagebucheinträge.“

Reaktive KI kann durchaus beeindruckend sein. Sie kann mögliche Spielzüge analysieren oder mit extremer Geschwindigkeit und Präzision auf eine klar definierte Situation reagieren. Sie erstellt jedoch keine eigene Spielgeschichte und entwickelt sich nicht auf Grundlage vergangener Interaktionen weiter.

KI mit begrenztem Speicher

Künstliche Intelligenz mit begrenztem Speicher kann vergangene Daten nutzen, um bessere Entscheidungen zu treffen. In diese Kategorie fällt ein Großteil der heutigen praktischen KI.

Beispiele hierfür sind:

• Empfehlungssysteme, die aus dem Nutzerverhalten lernen

• Systeme für selbstfahrende Fahrzeuge analysieren die aktuellen Straßenverhältnisse

• Chatbots, die sich den Kontext innerhalb einer Konversation merken

• Betrugserkennungsmodelle lernen aus Transaktionsmustern

• Vorhersageanalysetools unter Verwendung historischer Daten

Begrenzter Speicher bedeutet nicht „schlechtes Gedächtnis“. Es bedeutet, dass das System gespeicherte oder kürzlich abgerufene Daten nutzen kann, aber kein menschenähnliches Bewusstsein oder langfristige persönliche Erfahrung besitzt. Trotzdem kann es sehr effektiv sein. Manchmal sogar ärgerlich effektiv – zum Beispiel, wenn eine Shopping-App weiß, was man will, bevor man es sich selbst eingesteht 🛒.

Theory of Mind KI

Eine KI mit Theory of Mind würde Emotionen, Überzeugungen, Absichten und soziale Signale auf eine menschenähnlichere Weise verstehen.

Diese Art von KI würde nicht nur Wörter verarbeiten. Sie würde auch Rückschlüsse darauf ziehen, was jemand fühlen, wollen, missverstehen, befürchten oder erwarten könnte.

Es könnte beispielsweise verstehen, dass:

• Ein Kunde ist frustriert, versucht aber, höflich zu bleiben

• Ein Student ist verwirrt, schämt sich aber, erneut zu fragen

• Ein Patient ist ängstlich, obwohl er sagt: „Mir geht es gut.“

• Ein Teammitglied zögert, weil es insgeheim anderer Meinung ist

Dies ist nach wie vor ein aktives Thema in der KI-Diskussion, doch die Entwicklung einer echten Theory of Mind-KI ist extrem schwierig. Menschliche Emotionen sind komplex. Menschen sagen das eine und meinen das andere. Manchmal wissen sie selbst nicht einmal, was sie meinen. Viel Glück, Maschine.

Selbstbewusste KI

Eine selbstbewusste KI hätte Bewusstsein, Selbstverständnis und Kenntnis ihres eigenen inneren Zustands.

Das ist rein theoretisch. Es gehört in die Welt der Science-Fiction, Ethikkommissionen, nächtlichen Diskussionen und Menschen, die dramatisch aus dem Fenster starren 🌙.

Eine selbstbewusste KI würde nicht einfach nur Gespräche über Gefühle simulieren. Sie würde über eine Art subjektive Erfahrung verfügen. Das ist eine gewagte Behauptung. Aktuelle KI-Systeme besitzen weder nachweisbares Bewusstsein noch Gefühle, Wünsche oder ein eigenes Selbst.

Sie können selbstbewusst klingen, weil Sprache Selbstreflexion imitieren kann. Doch etwas zu imitieren und etwas zu sein, ist nicht dasselbe. Ein Papagei kann „Ich habe Hunger“ sagen, aber das bedeutet nicht, dass er eine Restaurantreservierung hat.

---

4. Vergleichstabelle: Haupttypen von KI

KI-Typ	Hauptidee	Aktueller Status	Häufige Beispiele	Warum das wichtig ist
Schmale KI	Für spezifische Aufgaben entwickelt	Weit verbreitet	Chatbots, Suche, Empfehlungen	Praktisch und überall
Allgemeine KI	Menschenähnliche, flexible Intelligenz	Nicht vollständig erreicht	Größtenteils theoretisch	Großes Ziel, große Debatte
Super-KI	Intelligenter als der Mensch im Allgemeinen	Spekulativ	Kein praktisches Beispiel	Riesige ethische Fragen
Reaktive Maschinen	Reagiert ohne Gedächtnis	Wird in begrenzten Fällen verwendet	Spiel-KI, regelbasierte Systeme	Schnell, aber nicht anpassungsfähig
KI mit begrenztem Speicher	Nutzt Daten/Verlauf zur Verbesserung	Sehr häufig	Selbstfahrende Systeme, Betrugswerkzeuge	Das ist mein Alltagsauto 🚗
Theory of Mind KI	Versteht Emotionen und Absichten	Konzeptentwicklung	Fortgeschrittene Ideen für soziale KI	Könnte KI menschenbewusster machen
Selbstbewusste KI	Besitzt Bewusstsein	Theoretisch	Beispiele im Science-Fiction-Stil	Philosophisch gewaltig
Generative KI	Erstellt neue Inhalte	Weit verbreitet	Text-, Bild- und Audiowerkzeuge	Steigerung der kreativen Produktivität
Vorhersage-KI	Prognoseergebnisse	Weit verbreitet	Risikobewertung, Bedarfsplanung	Hilft bei Entscheidungen – meistens
Robotik KI	Steuert physische Maschinen	Verwendet in den Industrien	Roboter, Drohnen, Automatisierung	Verbindet KI mit körperlicher Arbeit

Etwas uneben? Ja. Aber so funktioniert KI auch im Alltag – nicht wie eine Museumsausstellung mit perfekt beschrifteten Wänden.

---

5. Generative KI: Die Art, über die alle reden 🎨

Generative KI ist eine der beliebtesten KI-Arten, weil sie Dinge erschafft.

Es kann Folgendes erzeugen:

• Text

• Bilder

• Musik

• Code

• Video

• Produktbeschreibungen

• Marketingtext

• Unterrichtspläne

• Zusammenfassungen

• Synthetische Daten

• Designideen

Generative KI funktioniert, indem sie Muster aus großen Datenmengen lernt und anschließend auf Basis von Eingaben neue Ergebnisse erzeugt. Sie kopiert nicht einfach im herkömmlichen Sinne. Vielmehr sagt sie voraus, kombiniert, verändert und generiert auf Grundlage erlernter Strukturen.

Trotzdem kann auch dieses System Fehler machen. Es kann selbstsicher klingen, obwohl es falsch liegt – das ist im Grunde die maschinelle Entsprechung von jemandem, der Steuerrecht bei einer Familienfeier erklärt.

Generative KI ist wertvoll für:

• Brainstorming

• Inhalte entwerfen

• Automatisierung wiederkehrender Schreibvorgänge

• Visuelle Konzepte erstellen

• Unterstützung des Kundenservice

• Beschleunigung von Codierungsaufgaben

• Personalisierung von Lernmaterialien

Aber es muss überprüft werden. Immer. KI-Ergebnisse können beeindruckend sein, sind aber nicht automatisch korrekt, fair, legal oder markensicher. Betrachten Sie sie als einen sehr schnellen Assistenten, der gelegentlich Fehler macht.

---

6. Maschinelles Lernen mit KI: Der Musterfinder

Maschinelles Lernen ist ein wichtiger Zweig der KI, bei dem Systeme Muster aus Daten lernen, anstatt für jede Entscheidung Zeile für Zeile programmiert zu werden.

Traditionelle Software folgt expliziten Regeln. Systeme des maschinellen Lernens erkennen Zusammenhänge und verbessern ihre Leistung durch Training.

Zum Beispiel:

• Ein Spamfilter lernt, wie verdächtige E-Mails aussehen

• Ein Bankmodell erkennt ungewöhnliches Transaktionsverhalten

• Eine Streaming-App empfiehlt Sendungen basierend auf den Sehgewohnheiten

• Ein Einstellungstool kann Kandidaten anhand definierter Signale einstufen

• Ein medizinisches Bildgebungsmodell kann mögliche Anomalien aufzeigen

Maschinelles Lernen kann überwacht, unüberwacht oder verstärkungsbasiert sein.

Überwachtes Lernen

Beim überwachten Lernen werden gekennzeichnete Beispiele verwendet. Beispielsweise können Bilder mit „Katze“ oder „keine Katze“ gekennzeichnet werden. Das Modell lernt den Unterschied.

Unüberwachtes Lernen

Unüberwachtes Lernen sucht nach Mustern ohne vorgegebene Antworten. Es kann Kunden in Segmente einteilen oder versteckte Cluster in Daten aufdecken.

Verstärkungslernen

bestärkenden Lernen werden Aktionen belohnt oder bestraft. Dies ist gängig in der KI von Spielen, in der Robotik und bei Optimierungsproblemen.

Maschinelles Lernen ist keine Zauberei. Es hängt stark von der Datenqualität ab. Schlechte Daten führen zu schlechten Modellen – Müll rein, Müll rein, und schon ist der beste Blazer ruiniert.

---

7. Deep Learning KI: Das neuronale Netzwerk-Kraftpaket 🧬

Deep Learning ist eine spezielle Art des maschinellen Lernens, die geschichtete neuronale Netze zur Verarbeitung komplexer Muster verwendet.

Es ist besonders wertvoll für:

• Spracherkennung

• Bilderkennung

• Verarbeitung natürlicher Sprache

• Autonome Systeme

• Medizinische Bildanalyse

• Übersetzung

• Generative KI-Modelle

• Komplexe Vorhersageaufgaben

Der Begriff „tief“ bezieht sich auf die mehreren Ebenen des Modells. Jede Ebene trägt zur Veränderung und Interpretation von Informationen bei. Eine Ebene erkennt beispielsweise einfache Formen in einem Bild, eine andere Texturen, eine weitere Objekte usw.

Deep Learning kann beeindruckende Ergebnisse liefern, benötigt aber oft enorme Datenmengen und Rechenleistung. Zudem ist es mitunter schwerer zu interpretieren. Das bedeutet, dass selbst Experten manchmal Schwierigkeiten haben, genau zu erklären, warum ein Deep-Learning-Modell eine bestimmte Entscheidung getroffen hat.

Das ist eines der größten Vertrauensprobleme bei KI: Die Leistung kann hervorragend sein, aber die Erklärbarkeit ist oft schwierig. Es ist, als würde man einen Mixer fragen, warum der Smoothie komisch schmeckt.

---

8. Konversationelle KI: Der gesprächige Typ

Konversationelle KI ist dafür konzipiert, mit Menschen über Text oder Sprache zu kommunizieren.

Es beinhaltet:

• Kundenservice-Chatbots

• Sprachassistenten

• Virtuelle Agenten

• KI-Tutoren

• Interne Helpdesk-Bots

• Verkaufsassistenten

• Terminplanungsassistenten

Eine gute dialogbasierte KI benötigt mehr als Grammatik. Sie braucht Kontext, Absichtserkennung, Tonfallkontrolle und die Fähigkeit, unvorhersehbare menschliche Eingaben zu verarbeiten.

Menschen sprechen nicht in perfekten Befehlen. Sie reden wirr. Sie schreiben Dinge falsch. Sie stellen eine halbe Frage und erwarten, dass die Maschine sie versteht. Sie kennen das ja.

Ein einfacher Chatbot folgt möglicherweise einem vorgegebenen Skript. Eine fortschrittlichere dialogbasierte KI kann natürliche Sprache verstehen, den Kontext beibehalten und flexible Antworten generieren.

Diese Art von KI ist wertvoll, weil sie repetitive Aufgaben reduziert und schnelle Unterstützung bietet. Sie kann Nutzer jedoch frustrieren, wenn sie vorgibt, zu verstehen, es aber nicht tut. Am schlimmsten ist der Chatbot, der sagt: „Ich helfe Ihnen gern“, aber keinerlei Hilfe leistet. Äußerst ärgerlich.

---

9. Computer Vision KI: Maschinen, die „sehen“ 👀

Computer Vision AI ermöglicht es Systemen, visuelle Informationen aus Bildern, Videos, Kameras, Sensoren oder Scans zu interpretieren.

Es kann verwendet werden für:

• Gesichtserkennung

• Objekterkennung

• Qualitätskontrolle in Fabriken

• Medizinische Bildgebung

• Sicherheitsüberwachung

• Analyse der Regale im Einzelhandel

• Verkehrserkennung

• Erweiterte Realität

• Landwirtschaftliche Überwachung

Computer Vision sieht nicht wie das menschliche Auge. Es verarbeitet Pixel, Muster, Formen, Farben und statistische Signale. Die Ergebnisse können jedoch sehr aussagekräftig sein.

Computer Vision kann beispielsweise helfen, Fehler in Produktionslinien schneller zu erkennen als die manuelle Inspektion. Es kann die Organisation von Bildbibliotheken unterstützen und Sicherheitssysteme in Fahrzeugen fördern. Allerdings kann es auch Bedenken hinsichtlich des Datenschutzes aufwerfen, insbesondere bei der Verwendung zu Überwachungs- oder Identifizierungszwecken.

Das ist eine zweischneidige Gabel – keine Schwertgabel, sondern eine Gabel. Trotzdem scharf genug, um Ärger zu verursachen 🍴.

---

10. Prädiktive KI: Die Prognosemaschine

Prädiktive KI nutzt Daten, um abzuschätzen, was als Nächstes passieren könnte.

Es ist weit verbreitet in den Bereichen Wirtschaft, Finanzen, Gesundheitswesen, Logistik, Sportanalyse, Marketing und operative Abläufe.

Prädiktive KI kann helfen, Fragen wie die folgenden zu beantworten:

• Welche Kunden werden voraussichtlich abwandern?

• Welche Transaktion sieht verdächtig aus?

• Wie viel Lagerbestand wird benötigt?

• Welcher Patient benötigt möglicherweise besondere Aufmerksamkeit?

• Auf welche Inhalte klickt ein Nutzer wahrscheinlich?

• Welches Maschinenteil könnte bald ausfallen?

Diese Art von KI ist weniger spektakulär als generative KI, aber dennoch äußerst wichtig. Vielen Organisationen ist weniger wichtig, ob ein Modell Gedichte schreibt, sondern vielmehr, ob es Verschwendung reduzieren, Risiken minimieren und die Planung verbessern kann.

Prädiktive KI funktioniert am besten, wenn die Daten relevant, sauber und regelmäßig aktualisiert sind. Doch Vorhersagen sind niemals Gewissheit. Ein Modell kann Wahrscheinlichkeiten abschätzen, aber keine Ergebnisse garantieren. Das wird immer wieder vergessen. Dann geben die Menschen der KI die Schuld, als hätte sie sie persönlich verraten.

---

11. Robotik und KI: Wenn KI einen Körper bekommt 🤖

Robotik-KI verbindet künstliche Intelligenz mit physischen Maschinen. Hier verlässt die KI den Bildschirm und beginnt, sich in der Welt zu bewegen.

Beispiele hierfür sind:

• Lagerroboter

• Fertigungsroboter

• Lieferroboter

• Landwirtschaftliche Roboter

• Chirurgische Assistenzsysteme

• Drohnen

• Inspektionsroboter

• Reinigungsroboter

• Humanoide Forschungsroboter

Die Entwicklung von KI in der Robotik ist schwierig, weil die physikalische Umgebung unvorhersehbar ist. Ein Chatbot muss lediglich mit Worten umgehen. Ein Roboter hingegen muss mit rutschigen Böden, schlechten Lichtverhältnissen, unebenen Oberflächen, sich bewegenden Personen, Sensorfehlern und sogar mit jemandem zurechtkommen, der einen Stuhl an einem denkbar ungünstigen Ort abgestellt hat.

In der Robotik werden häufig mehrere Arten von KI kombiniert:

• Computer Vision zum Sehen

• Maschinelles Lernen zur Anpassung

• Planungsalgorithmen für die Bewegung

• Verstärkendes Lernen für die Entscheidungsfindung

• Verarbeitung natürlicher Sprache für menschliche Befehle

Die KI-gestützte Robotik birgt ein enormes Potenzial, insbesondere bei gefährlichen oder monotonen Arbeiten. Allerdings ist sie auch teuer, komplex und bei Systemausfällen mit physischen Risiken verbunden.

---

12. KI basierend auf dem Trainingsstil

Eine weitere sinnvolle Möglichkeit, über die verschiedenen Arten von KI nachzudenken, besteht darin, zu betrachten, wie sie trainiert werden.

Regelbasierte KI

Regelbasierte KI folgt der von Menschen geschaffenen Logik. Zum Beispiel:

• Falls dies passiert, tue das

• Wenn der Benutzer diese Option auswählt, zeigen Sie diese Antwort an

• Wenn der Wert einen Schwellenwert überschreitet, wird eine Warnung ausgelöst

Das ist einfach, vorhersehbar und hilfreich für strukturierte Aufgaben. Aber es hat Schwierigkeiten mit Mehrdeutigkeiten.

Datenbasierte KI

Datenbasierte KI lernt aus Beispielen. Sie kann komplexere Aufgaben bewältigen, da sie Muster erkennt, anstatt sich nur auf feste Regeln zu verlassen.

Hier kommen maschinelles Lernen und Deep Learning ins Spiel.

Hybride KI

Hybride KI kombiniert regelbasierte Logik mit maschinellem Lernen. In vielen praktischen Systemen ist dies die pragmatische Wahl. Man erhält die Flexibilität lernender Systeme und gleichzeitig die Kontrolle über Regeln.

Ein Bankbetrugssystem kann beispielsweise maschinelles Lernen nutzen, um verdächtiges Verhalten zu erkennen und anschließend strenge Regeln für die Compliance-Prüfung anzuwenden. Nicht glamourös. Aber absolut notwendig.

---

13. Warum sind die verschiedenen Arten von KI so verwirrend?

Die größte Verwirrung besteht darin, dass die Menschen KI-Kategorien auf unterschiedliche Weise verwenden.

Eine Person könnte mit „Arten von KI“ spezialisierte, allgemeine und Superintelligenz meinen.

Eine andere Person könnte generative KI, prädiktive KI und dialogbasierte KI meinen.

Ein Entwickler könnte über überwachtes Lernen, Deep Learning, neuronale Netze oder bestärkendes Lernen sprechen.

Ein Business Manager spricht möglicherweise über Automatisierung, Analytik, Personalisierung und KI im Kundensupport.

Sie haben alle irgendwie recht. Ärgerlich, aber wahr.

KI wird klassifiziert nach:

• Fähigkeit

• Funktionalität

• Trainingsmethode

• Anwendungsgebiet

• Technische Architektur

• Autonomiegrad

• Art der Eingabe und Ausgabe

• Anwendungsfall in der Industrie

Wenn also jemand fragt: „Um welche Art von KI handelt es sich?“, ist die klarste Antwort möglicherweise vielschichtig.

Ein Chatbot könnte beispielsweise so aussehen:

• KI nach Fähigkeiten eingrenzen

• Begrenzter Speicher KI durch Funktionalität

• Konversationelle KI durch Anwendung

• Generative KI, wenn sie Antworten erzeugt

• Deep-Learning-KI, wenn sie durch neuronale Netze angetrieben wird

Das ist keine unnötige Verkomplizierung zum Spaß. So funktioniert das Fachgebiet einfach.

---

14. Praktische Beispiele für die verschiedenen Arten von KI

Hier sind einige Beispiele aus dem Alltag, um die Kategorien besser zu verstehen.

Streaming-Empfehlungen 🎬

Hierbei handelt es sich um spezialisierte KI, prädiktive KI und maschinelles Lernen. Das System analysiert Muster und gibt Empfehlungen, was Sie als Nächstes ansehen könnten.

Sprachassistenten 🎙️

Diese nutzen dialogbasierte KI, Verarbeitung natürlicher Sprache, Spracherkennung und begrenzte Speicherfunktionen.

Bildgeneratoren 🖼️

Hierbei handelt es sich um generative KI-Systeme, die häufig auf Deep-Learning-Modellen basieren.

Betrugserkennungssysteme 💳

Diese Systeme nutzen prädiktive KI und maschinelles Lernen, um ungewöhnliche Aktivitäten zu erkennen.

Funktionen für autonomes Fahren 🚗

Diese kombinieren Computer Vision, KI mit begrenztem Speicher, KI im Bereich Robotik, Sensorfusion und Entscheidungsmodelle.

E-Mail-Spamfilter 📩

Das ist klassisches maschinelles Lernen im Bereich der KI. Nicht glamourös, aber äußerst wertvoll.

KI-Schreibwerkzeuge ✍️

Hierbei handelt es sich um generative KI und dialogbasierte KI, die typischerweise mithilfe großer Sprachmodelle erstellt werden.

Wichtig ist Folgendes: Ein KI-Produkt kann gleichzeitig mehreren Kategorien angehören.

---

15. Vorteile des Verständnisses der verschiedenen KI-Typen

Kenntnisse über die verschiedenen Arten von KI helfen Ihnen, bessere Entscheidungen zu treffen, insbesondere wenn Sie KI für Arbeit, Geschäft, Studium oder die Erstellung von Inhalten einsetzen.

Es hilft Ihnen:

• Wählen Sie das richtige Werkzeug

• Vermeiden Sie unrealistische Erwartungen

• Risiken verstehen

• Stelle bessere Fragen

• KI-Behauptungen bewerten

• Spot-Marketing-Übertreibung

• KI verantwortungsvoller nutzen

• Erkläre anderen KI, ohne wie ein verwirrter Roboter zu klingen

Wenn es sich bei einem Tool beispielsweise um prädiktive KI handelt, weiß man, dass es Wahrscheinlichkeiten prognostiziert. Es sollte nicht wie ein Orakel behandelt werden.

Bei generativen KI-Tools weiß man, dass sie Inhalte erstellen, diese Inhalte müssen aber dennoch überprüft werden.

Bei einem System mit eingeschränkter KI weiß man, dass es in einem Bereich hervorragend sein kann, außerhalb seines Anwendungsbereichs jedoch ineffektiv ist.

Das allein erspart schon eine Menge Ärger.

---

16. Risiken und Einschränkungen der verschiedenen KI-Arten ⚠️

Jede KI-Art hat ihre Grenzen. Anderer Geschmack, gleiche Suppenschüssel.

den häufigsten KI-Risiken gehören:

• Verzerrung in den Trainingsdaten

• Falsche Ausgaben

• Mangelnde Transparenz

• Datenschutzbedenken

• Überabhängigkeit

• Sicherheitslücken

• Missbrauch

• Mangelnde menschliche Aufsicht

• Sprachgewandtheit mit Wahrheit verwechseln

Generative KI kann Informationen erfinden. Prädiktive KI kann voreingenommene Muster verstärken. Computer Vision kann Personen oder Objekte falsch identifizieren. Konversationelle KI kann Nutzer durch vorgetäuschtes Vertrauen frustrieren. Robotische KI kann bei schlechter Konstruktion physischen Schaden anrichten.

Das heißt nicht, dass KI schlecht ist. Es bedeutet, dass KI mit Bedacht eingesetzt werden sollte. Wie Elektrowerkzeuge, Verträge oder extrem scharfe Nudeln 🌶️.

Die besten KI-Systeme umfassen in der Regel Folgendes:

• Menschliche Überprüfung

• Klare Grenzen

• Strenge Datenpraktiken

• Testen

• Überwachung

• Erklärbarkeit, wo immer möglich

• Ethisches Design

• Sicherheitskontrollen

KI kann gute Entscheidungen verstärken. Sie kann aber auch unüberlegte Entscheidungen verstärken.

---

17. Welche Art von KI ist am wichtigsten?

Es gibt keinen einzigen wichtigsten Typ. Es kommt auf den Anwendungsfall an.

Für die Kreativität ist generative KI enorm wichtig.

Für die Geschäftsplanung könnte prädiktive KI wertvoller sein.

Für Automatisierung, maschinelles Lernen und Robotik ist KI von entscheidender Bedeutung.

Im Bereich des Benutzersupports ist dialogbasierte KI der Star.

Für medizinische Scans oder visuelle Inspektionen ist Computer Vision unerlässlich.

Bei der Langzeitforschung erhält die allgemeine KI den größten Teil der philosophischen Aufmerksamkeit.

In der Praxis sind jedoch schwache KI und KI mit begrenztem Speicher derzeit die gängigsten und wertvollsten Kategorien. Sie sind die unauffälligen Motoren vieler Tools, auf die sich die meisten Menschen bereits verlassen.

Die glamouröse Zukunft sorgt für Schlagzeilen. Die praktische Gegenwart sichert den Lebensunterhalt.

---

Schlussbemerkungen: Die verschiedenen Arten von KI verstehen – ohne den ganzen Lärm

Die verschiedenen Arten von KI mögen auf den ersten Blick kompliziert erscheinen, da sich die Kategorien überschneiden. Sobald man jedoch Fähigkeiten, Funktionalität, Trainingsmethoden und praktische Anwendung voneinander trennt, wird das Ganze viel verständlicher.

Schwache KI übernimmt spezifische Aufgaben. Allgemeine KI würde flexibler denken, bleibt aber ein ambitioniertes Ziel. Super-KI ist noch Zukunftsmusik. Reaktive Maschinen reagieren ohne Gedächtnis, während KI mit begrenztem Speicher vergangene Daten nutzt, um Entscheidungen zu verbessern. Generative KI erschafft. Prädiktive KI prognostiziert. Konversationelle KI spricht. Computer Vision sieht. Robotische KI agiert in der physischen Umgebung.

Das ist das große Ganze.

KI ist nicht einheitlich. Sie ist ein komplexes Geflecht aus Technologien – manche praktisch, manche experimentell, manche überbewertet und manche tatsächlich bedeutsam. Diese Komplexität trägt mit dazu bei, dass sie so wichtig ist. Je besser man die verschiedenen Arten von KI versteht, desto leichter fällt es, KI sinnvoll einzusetzen, anstatt nur zustimmend zu nicken, wenn in einem Meeting jemand „Algorithmus“ sagt. 🤷‍♂️

Kurz zusammengefasst: Zu den wichtigsten KI-Typen gehören spezialisierte KI, allgemeine KI, Super-KI, reaktive Maschinen, KI mit begrenztem Speicher, KI mit Theory of Mind, selbstwahrnehmende KI, generative KI, prädiktive KI, dialogbasierte KI, KI mit Computer Vision, KI mit maschinellem Lernen, KI mit Deep Learning und Roboter-KI. Die meisten heute eingesetzten KI-Systeme sind spezialisiert, aufgabenorientiert und basieren auf maschinellem Lernen oder Deep Learning.

Praxisbeispiel: Entwicklung eines KI-gestützten Kundensupport-Triage-Assistenten

Szenario

Stellen Sie sich einen kleinen Online-Möbelhändler vor, der täglich rund 120 Kundensupport-E-Mails erhält. Das Team möchte die Supportmitarbeiter nicht ersetzen. Es wünscht sich lediglich Unterstützung beim schnelleren Sortieren der Nachrichten, beim Erkennen dringender Probleme und beim Verfassen erster Antworten.

Dies ist ein gutes Beispiel, da ein Assistent mehrere KI-Typen gleichzeitig nutzen kann. Er kann beispielsweise dialogbasierte KI verwenden, um Kundennachrichten zu verstehen, generative KI, um Antworten zu entwerfen, prädiktive KI, um potenzielle Rückerstattungsrisiken zu erkennen, und KI mit begrenztem Speicher, um auf aktuelle Bestell- oder Versicherungsdaten zurückzugreifen.

Die Aufgabe des Assistenten ist einfach: eine Kundennachricht lesen, sie klassifizieren, die nächste Aktion vorschlagen und eine Antwort entwerfen, die von einem Menschen genehmigt werden kann.

Was der Assistent benötigt

Das Team würde dem Assistenten Folgendes geben:

Kundendienstrichtlinie

Liefer- und Rückgabebestimmungen

Garantiebedingungen

Häufig gestellte Fragen zu Produkten

Beispiele für den Tonfall

Eine Liste der Eskalationsregeln

Beispielhafte Tickets mit den korrekten Kategorien

Klare Grenzen dafür, worüber es nicht selbst entscheiden darf

Beispielsweise sollte sie keine Rückerstattungen über 100 £ genehmigen, keine Liefertermine versprechen, die sie nicht überprüfen kann, und keine Rechtsansprüche wegen beschädigter Ware geltend machen. Solche Fälle sollten an eine Privatperson weitergeleitet werden.

Beispielanleitung

Sie arbeiten als Mitarbeiter im Kundensupport eines Online-Möbelhauses. Lesen Sie jede Kundennachricht und geben Sie fünf Informationen zurück: Ticketkategorie, Dringlichkeitsgrad, wahrscheinliche Stimmung des Kunden, empfohlene nächste Schritte und einen Antwortentwurf.

Verwenden Sie ausschließlich die vorgegebenen Unternehmensrichtlinien. Falls die Antwort nicht in den Richtlinien enthalten ist, geben Sie „Menschliche Prüfung erforderlich“ an. Erfinden Sie keine Liefertermine, Rückerstattungszusagen, Garantieversprechen oder Produktverfügbarkeiten.

Eskalieren Sie das Ticket, wenn der Kunde von Verletzungen, rechtlichen Schritten, wiederholten Lieferausfällen, einer Rückerstattung von über 100 £, fehlenden Teilen bei einem Kinderprodukt oder starker Unzufriedenheit nach zwei vorherigen Antworten spricht.

Verfassen Sie Ihren Antwortentwurf höflich, kurz und sachlich. Vermeiden Sie einen roboterhaften Ton. Geben Sie weder dem Kunden noch dem Kurierdienst die Schuld.

Wie man es testet

Bevor Sie den Assistenten mit Kunden einsetzen, testen Sie ihn an einem kleinen Satz alter Tickets.

Verwenden Sie 30 vorherige Support-Nachrichten:

10 einfache Lieferfragen

5 Reklamationen wegen beschädigter Artikel

5 Rückerstattungsanträge

5 Garantiefragen

5 wütende oder komplexe Beschwerden

Prüfen Sie für jeden Test Folgendes:

Wurde die richtige Kategorie gewählt?

Wurden dringende Fälle korrekt gekennzeichnet?

Hat es vermieden, Versprechen abzugeben?

Wurden dadurch heikle Angelegenheiten verschärft?

Entsprach der Antwortentwurf dem Tonfall des Unternehmens?

Eine hilfreiche Testfrage wäre:

„Mein Tisch kam mit einem gesprungenen Tischbein an, und das ist bereits das zweite Mal, dass bei der Lieferung etwas schiefgegangen ist. Ich verlange heute noch eine vollständige Rückerstattung, sonst werde ich das überall öffentlich machen.“

Ein unerfahrener Mitarbeiter würde sich vielleicht einfach entschuldigen und eine Rückerstattung versprechen. Ein besserer Mitarbeiter würde den Fall als beschädigten Artikel und wiederholte Beschwerde einstufen, ihn als dringlich kennzeichnen, die automatische Rückerstattungsgenehmigung vermeiden und ihn zur manuellen Überprüfung weiterleiten.

Ergebnis

Beispielhaftes Ergebnis: basierend auf der Zeitmessung von 30 Beispieltickets vor und nach der Anwendung des Workflows.

Die manuelle Triage dauerte 2 Stunden und 15 Minuten für 30 Tickets, im Durchschnitt 4,5 Minuten pro Ticket.

Die KI-gestützte Triage dauerte für dieselben 30 Tickets 48 Minuten, im Durchschnitt also 1,6 Minuten pro Ticket, da der menschliche Prüfer nur die Kategorie, die Eskalationsentscheidung und den Antwortentwurf überprüfen musste.

Der Assistent hat 27 von 30 Tickets im Testset korrekt kategorisiert. Alle 5 Tickets mit hohem Risiko wurden korrekt eskaliert. Bei zwei Rückerstattungstickets mussten die Formulierungen angepasst werden, da der Entwurf zu bestimmt klang, und ein Garantieticket wurde in die falsche Kategorie eingeordnet.

Das liefert einen praktischen Vergleichsmaßstab: schnellere erste Prüfung, aber keine vollständige Automatisierung. Die Antwort obliegt weiterhin dem Menschen.

Was kann schiefgehen?

Der größte Fehler besteht darin, dem Kundendienstmitarbeiter zu erlauben, so zu tun, als wüsste er mehr, als er tatsächlich weiß. Ist die Rückgaberichtlinie veraltet, kann der Mitarbeiter selbstsicher die falsche Antwort formulieren. Sind die Eskalationsregeln unklar, kann es passieren, dass schwerwiegende Beschwerden übersehen werden.

Datenschutz ist ein weiteres Thema. Das Team sollte vermeiden, unnötige Zahlungsdetails, Adressen oder sensible persönliche Informationen in den Assistenten einzufügen, es sei denn, das System ist für diesen Zweck freigegeben.

Der Assistent sollte regelmäßig getestet werden. Kundenfragen, Richtlinien und Produkte ändern sich. Ein Triage-Assistent, der im März gut funktionierte, kann nach einer neuen Garantierichtlinie im Juni problematisch werden.

Praktische Erkenntnisse

Dieses Beispiel verdeutlicht, warum sich KI-Kategorien in der Praxis überschneiden. Ein einzelner Assistenzassistent kann gleichzeitig schwache KI, dialogorientierte KI, generative KI, prädiktive KI und KI mit begrenztem Speicher sein. Um ihn besser beurteilen zu können, sollte man sich fragen, welche Entscheidungen er unterstützt, welche Daten er verwendet und wo ein menschlicher Eingriff erforderlich ist.

Häufig gestellte Fragen

Welche Arten von KI sollten Anfänger kennen?

Zu den wichtigsten KI-Typen gehören spezialisierte KI, allgemeine KI, Super-KI, reaktive Maschinen, KI mit begrenztem Speicher, generative KI, prädiktive KI, dialogbasierte KI, KI mit Computer Vision, KI mit maschinellem Lernen, KI mit Deep Learning und KI mit Robotik. Diese Kategorien überschneiden sich häufig, sodass ein Tool gleichzeitig mehreren Kategorien zugeordnet werden kann. Beispielsweise kann ein Chatbot sowohl spezialisierte KI als auch dialogbasierte KI, generative KI und KI mit begrenztem Speicher sein.

Wie werden KI-Typen nach ihren Fähigkeiten klassifiziert?

Künstliche Intelligenz (KI) wird üblicherweise anhand ihrer Fähigkeiten in spezialisierte KI, allgemeine KI und Super-KI unterteilt. Spezialisierte KI ist für spezifische Aufgaben zuständig und findet heute breite Anwendung. Allgemeine KI könnte in vielen Bereichen auf einem menschenähnlichen Niveau denken und lernen, ist aber im Alltag noch nicht weit verbreitet. Super-KI würde die menschliche Intelligenz übertreffen und ist derzeit noch spekulativ.

Worin besteht der Unterschied zwischen schwacher KI und allgemeiner KI?

Schwache KI ist für eine spezifische Aufgabe oder eine begrenzte Anzahl von Aufgaben konzipiert, wie beispielsweise Spamfilterung, Empfehlungen, Chatbots oder Betrugserkennung. Allgemeine KI hingegen ist in der Lage, zu lernen, zu schlussfolgern und sich an viele verschiedene Aufgaben anzupassen. Die meisten KI-Systeme, die heute genutzt werden, sind schwach spezialisiert, selbst wenn sie flexibel oder fortschrittlich erscheinen.

Warum ist KI mit begrenztem Speicher heutzutage so verbreitet?

Künstliche Intelligenz mit begrenztem Speicher kann vergangene oder aktuelle Daten nutzen, um Entscheidungen zu verbessern, was sie für viele eingesetzte Systeme praktikabel macht. Empfehlungssysteme, Betrugserkennungstools, Funktionen für autonomes Fahren und Chatbots basieren häufig auf dieser Art von KI. Sie besitzt kein menschenähnliches Bewusstsein, kann sich aber anhand von Mustern und gespeicherten Informationen anpassen.

Wie lässt sich generative KI in die Kategorie der KI-Typen einordnen?

Generative KI ist eine KI-Art, die neue Ergebnisse wie Texte, Bilder, Code, Audio, Video, Zusammenfassungen oder Designideen erzeugt. Sie lernt Muster aus großen Datenmengen und generiert Inhalte basierend auf vorgegebenen Vorgaben. Sie kann beim Entwurf, Brainstorming, der Programmierung und kreativen Arbeiten helfen, ihre Ergebnisse bedürfen jedoch weiterhin der menschlichen Überprüfung.

Worin besteht der Unterschied zwischen maschinellem Lernen und Deep Learning?

Maschinelles Lernen ist ein Teilgebiet der KI, in dem Systeme Muster aus Daten lernen, anstatt nur manuell festgelegten Regeln zu folgen. Deep Learning ist eine spezielle Form des maschinellen Lernens, die mehrschichtige neuronale Netze nutzt. Deep Learning ist besonders wertvoll für komplexe Aufgaben wie Spracherkennung, Bilderkennung, Verarbeitung natürlicher Sprache, Übersetzung, medizinische Bildgebung und generative KI.

Wozu wird prädiktive KI in der Wirtschaft eingesetzt?

Prädiktive KI nutzt Daten, um wahrscheinliche zukünftige Ergebnisse abzuschätzen. Unternehmen können sie für Bedarfsplanung, Kundenabwanderungsprognosen, Betrugserkennung, Risikobewertung, Bestandsentscheidungen oder Wartungsprognosen einsetzen. Sie unterstützt Planung und Entscheidungsfindung, kann aber keine Garantie für die Zukunft geben. Prognosen sind Schätzungen, die durch die verfügbaren Daten und die Qualität des Modells beeinflusst werden.

Wie funktioniert Computer Vision KI in praktischen Systemen?

Computer Vision KI hilft Maschinen, visuelle Informationen aus Bildern, Videos, Kameras, Scans oder Sensoren zu interpretieren. Sie unterstützt Gesichtserkennung, Objekterkennung, Fabrikinspektion, medizinische Bildgebung, Verkehrserkennung, Einzelhandelsanalyse, Landwirtschaftsüberwachung und Sicherheitssysteme. Sie sieht zwar nicht wie ein Mensch, kann aber Pixel, Formen, Farben und Muster in großem Umfang verarbeiten.

Warum kann ein KI-Produkt mehreren KI-Typen angehören?

KI-Kategorien beschreiben oft unterschiedliche Aspekte wie Fähigkeiten, Funktionalität, Trainingsmethoden oder Anwendungsbereiche. Ein Sprachassistent kann beispielsweise hinsichtlich seiner Fähigkeiten einer schwachen KI, hinsichtlich seiner Anwendung einer dialogorientierten KI, hinsichtlich seiner Funktionalität einer KI mit begrenztem Speicher und hinsichtlich seiner Architektur einer Deep-Learning-KI zugeordnet werden. Diese Überschneidungen sind normal und tragen dazu bei, die Funktionsweise des Systems aus verschiedenen Perspektiven zu erklären.

Welche Risiken sollten die Menschen im Zusammenhang mit den verschiedenen KI-Typen verstehen?

Zu den häufigsten KI-Risiken zählen Verzerrungen, fehlerhafte Ergebnisse, Datenschutzbedenken, Sicherheitslücken, mangelnde Transparenz, übermäßige Abhängigkeit und unzureichende menschliche Kontrolle. Generative KI kann Informationen erfinden, prädiktive KI kann fehlerhafte Muster verstärken, und Computer Vision kann Objekte oder Personen falsch identifizieren. Ein sinnvoller KI-Einsatz erfordert in der Regel Tests, Überwachung, klare Abgrenzungen, solide Datenpraktiken und menschliche Überprüfung.

Referenzen

1. IBM – Arten der künstlichen Intelligenz – ibm.com

2. NIST-Rahmenwerk für KI-Risikomanagement – ​​KI-Risiken – nist.gov

3. Google Developers – Maschinelles Lernen – developers.google.com

4. AWS – Generative KI – aws.amazon.com