Wie lernt KI? – Thema KI

Frage: Wie lernt KI?
- Stichworte:
  Entwicklung,
  KI,
  Lernen,
  Training
Frage gestellt bank32hub am 27 Jun 2025.
- Julia Poerting Beantwortet am 27 Jun 2025:
  
  Künstliche Intelligenz lernt vor allem durch sogenanntes überwachtes Lernen: Sie bekommt viele Beispiele, zu denen die richtige Antwort bekannt ist. Bei Naturschutzprojekten wie Snapshot Serengeti und Chicago Wildlife Watch bedeutet das, dass Millionen Kamerafallen-Fotos zuerst von Menschen beschriftet wurden. Freiwillige Helferinnen und Helfer gaben an, welche Tierarten auf den Bildern zu sehen sind, wie viele Individuen vorkommen und welches Verhalten sie zeigen. Diese Angaben nennt man Labels.
  
  Die KI wertet die Bilder zusammen mit den Labels aus und versucht, Muster zu erkennen – etwa Fellzeichnungen, Körperformen oder typische Umrisse. Während des Trainings vergleicht die KI ständig ihre eigenen Vorhersagen mit den richtigen Antworten und passt es so lange an, bis es die Bilder immer besser richtig einordnen kann.
  
  Im Fall von Snapshot Serengeti konnte die trainierte KI schließlich selbstständig riesige Mengen an Fotos sortieren und bestimmen, ob darauf zum Beispiel Gnus, Zebras oder Löwen zu sehen sind. Bei Chicago Wildlife Watch lernte die KI nicht nur, verschiedene Tiere wie Rehe oder Waschbären zu unterscheiden, sondern auch besondere Merkmale zu erkennen. Ein wichtiger Anwendungsfall war, bei Kojoten Anzeichen von Räude zu identifizieren, also Haarausfall und Hautveränderungen. So konnten Forschende Krankheiten schneller nachverfolgen.
  
  Beide Projekte zeigen, dass Künstliche Intelligenz sehr große Datenmengen nur dann sinnvoll auswerten kann, wenn Menschen vorher die Grundlagen schaffen. Erst durch viele gut beschriftete Beispiele ist die KI in der Lage, neue Fotos zuverlässig zu erkennen und so die Forschung erheblich zu beschleunigen.
  
  Allerdings ist es oft schwierig, ein Modell von einem Gebiet auf ein anderes zu übertragen. Die Kameraeinstellungen, Lichtverhältnisse und Hintergründe sind meist so unterschiedlich, dass die KI verwirrt wird. Deshalb braucht man in vielen Fällen neue Trainingsdaten aus der jeweiligen Umgebung.
- Eva-Maria Weiss Beantwortet am 27 Jun 2025:
  
  Sehr wichtige Frage. KI-Systeme die im Sinne von maschinellen Lernen lernen, geht man so vor:
  Viele Beispiele zeigen
  
  Der Computer bekommt viele Beispiele: z. B. 100 Bilder mit Hunden und 100 Bilder ohne Hunde.
  
  Das KI-System erkennt Muster und merkt sich was typisch ist
  
  Das Training läuft so: Immer wieder probiert die KI: „Ist das jetzt ein Hund?“. Bei den Trainingsdaten ist die richtige Antwort bekannt, und so kann das System lernen, welche Merkmal z.B. wichtig sind, und wir ihre Ausprägung ist.
  
  Um zu sehen, ob das KI-System gut trainiert ist, werden Testdaten verwendet. Dann kann man überprüfen, ob die KI bei der Entscheidung „Es ist ein Hund“ richtig liegt
- Tim Menzner Beantwortet am 27 Jun 2025:
  
  Die heute gängigste Form von KIs, die neuronalen Netze, kann man sich ein bisschen wie ein sehr einfaches Modell eines Gehirns vorstellen. Es gibt sehr viele Zellen, aktuelle Modelle haben mehrere Millionen davon, genannt Neuronen, die in verschiedenen Schichten hintereinander angeordnet sind. Diese Neuronen sind untereinander verbunden, und diese Verbindungen sind zunächst zufällig. Jede Verbindung hat außerdem ein sogenanntes Gewicht, das heißt einen einstellbaren Wert, der entscheidet, wie stark ein Reiz sein muss, damit er von diesem Neuron an das nächste über diese Verbindung weitergeleitet wird.
  
  Bei einer untrainierten Verbindung sind diese Gewichte zunächst einmal zufällig. Zeigt man so einer KI jetzt ein Bild von z.B. einer Katze, wird dieses Bild zunächst in Zahlen umgewandelt (die KI kann nur mit Zahlen umgehen), zum Beispiel die Farbe jedes Pixels des Bildes. Mit diesen Zahlen wird dann die erste Schicht der Neuronen aktiviert, und sie leiten – wie oben beschrieben – diese Aktivierung bis an die letzte Schicht weiter. Wie gesagt: zunächst einmal zufällig, also bekommen wir kein sinnvolles Ergebnis.
  
  Was im Training passiert: Wenn wir der KI beibringen wollen, Katzen zu erkennen, legen wir fest, dass am Ende die Zahl 1 für Katze oder 0 für keine Katze herauskommen muss, da die KI ja nur Zahlen kennt.
  
  Nun bekommt die KI, wann immer sie ein Bild verarbeitet hat, Feedback. War es ein Katzenbild und das Ergebnis lag nahe bei 1, ist das perfekt. War es kein Katzenbild und das Ergebnis nahe bei 0, ist das auch gut. Wenn aber das Ergebnis nicht zum Bild passt, werden mittels eines mathematischen Verfahrens die Gewichte angepasst, also wann welches Neuron was weiterleitet.
  
  Das wird solange gemacht, bis die Wahrscheinlichkeit, dass ein Katzenbild richtig zugeordnet wird, hoch genug ist.
  
  Neben Katzenbildern kann man mit diesem Mechanismus natürlich alles Mögliche trainieren. Wichtig ist immer: Man zeigt der KI den richtigen Output für den richtigen Input, und über Mathe passt die KI sich selbst an, bis sie irgendwann gut darin ist, für einen Input den passenden Output zu erkennen.