Beobachtet man die rasanten Entwicklungen der letzten Jahre, ist das eine durchaus berechtigte Frage.
Inhaltsverzeichnis
- Was ist Künstliche Intelligenz (KI)?
- Typische Buzzwords
- Stolperfallen
- ML vs. KI: Was ist „on top“?
- Sauberes ML statt „einfach mal KI machen“
- KI ist kein Zauberstab – sie verstärkt nur, was wir ihr geben
Was ist Künstliche Intelligenz (KI)?
„Künstliche Intelligenz (KI) bezeichnet die Fähigkeit von Maschinen, menschliches Denken, Lernen und Planen zu imitieren. Sie ermöglicht es Systemen, ihre Umwelt zu erfassen, Daten zu verarbeiten und eigenständig Probleme zu lösen. Durch die Analyse früherer Aktionen kann KI ihr Verhalten anpassen und autonom agieren.“
Quelle: https://www.europarl.europa.eu/topics/de/article/20200827STO85804/was-ist-kunstliche-intelligenz-und-wie-wird-sie-genutzt
Typische Buzzwords
- „Wir machen irgendwas mit KI.“
- „Meine 9‑jährige Tochter lernt schon KI.“
- „Wir verfolgen eine AI‑first Strategy.“
- „Unsere KI erkennt automatisch Muster in Daten.“
Stolperfallen
„Wir haben Daten, wir werfen sie in ein neuronales Netz und hoffen, dass was Gutes rauskommt.“ – genau so nicht.
KI ist komplex, voller Tücken und extrem abhängig von sauber vorbereiteten Daten. Es braucht viele Iterationen, Plausibilitätsprüfungen und ein ständiges Bewusstsein für Kausalität vs. Korrelation – plus die Besonderheiten des jeweiligen Anwendungsfalls.
- KI braucht jemanden, der versteht, welche Daten sinnvoll sind – und welche nur rauschen.
- KI liefert Wahrscheinlichkeiten, keine Wahrheiten: Jemand muss beurteilen, ob Ergebnisse sinnvoll sind.
- KI versteht Zusammenhänge nur so gut, wie derjenige, der sie füttert.
- Modelle müssen überwacht werden, damit sie sich nicht in absurden Mustern verlieren.
ML vs. KI: Was ist „on top“?
Machine Learning (ML) ist ein Teilbereich der KI: Ein Modell lernt aus Daten, um z. B. die Wolkendichte (%) vorherzusagen. KI on top beginnt dort, wo die ML‑Ergebnisse in ein entscheidendes oder agierendes System eingebettet werden – das plant, steuert oder autonom handelt.
ML (Feature Selection)
Wolken könnten mit einer Sturmwarnung korrelieren, sind aber nicht kausal dafür verantwortlich.
ML (Klassifikation)
„Das Bild ist mit 85 % Wahrscheinlichkeit bewölkt.“
KI (Autonomes Handeln)
„Weil es bewölkt ist und die Temperatur fällt, schließe ich automatisch das Dachfenster.“
Sauberes ML statt „einfach mal KI machen“
Statt Daten blind in ein neuronales Netz zu kippen, folgt dieser Prozess einem klaren, nachvollziehbaren Ablauf – von Datenqualität über Regeln bis zur Verfeinerung mit ML.
Daten bereinigen
Fehler, Ausreißer, unvollständige Werte entfernen. Beispiel Wettercam: Nachtbilder filtern, fehlerhafte Sensorwerte korrigieren.
Daten verstehen (EDA)
Statistiken, Histogramme, Korrelationen. Beispiel: Wie hängt OpenWeather-Wolkenbedeckung mit dem Blauanteil im Bild zusammen?
Algorithmen anwenden (Regeln & Baselines)
Mit klaren Regeln starten („Wenn Blauanteil > 70 % → klar“). Vorteil: Entscheidungen sind sofort nachvollziehbar.
Feature Selection
Relevante Variablen auswählen. Weniger, aber aussagekräftige Features machen das Modell schneller, robuster und erklärbarer. Dabei gilt: Korrelation ist nicht Kausalität. Irrelevante oder stark korrelierende Features können zu falschen Schlussfolgerungen führen.
Grenzen setzen (Constraints)
Definieren, wo das Modell nicht arbeiten soll. Beispiel: Keine Klassifikation bei Sonnenstand < −6° (Nacht).
Modell trainieren (ML)
Mit ausgewählten Features Modelle wie logistische Regression, Entscheidungsbäume trainieren – und gegen die Baseline vergleichen.
Modell verfeinern (Iterationen)
Hyperparameter anpassen, Features neu bewerten, mehr Daten sammeln. Ziel: Schrittweise verbessern, ohne Erklärbarkeit zu verlieren.
KI “on top”
Autonomes Fahren ist ein gutes Beispiel: ML erkennt Verkehrsschilder („30 km/h“), KI on top entscheidet daraufhin, ob gebremst oder beschleunigt wird. Der ML-Teil liefert also die Analyse, der KI-on-top-Teil die daraus abgeleitete Aktion.
KI ist kein Zauberstab – sie verstärkt nur, was wir ihr geben
Man kann nicht direkt „KI machen“, ohne den Data-Engineering-Teil sauber zu erledigen.
In der öffentlichen Wahrnehmung gilt Künstliche Intelligenz oft als Allheilmittel. Doch ohne saubere, relevante und verstandene Daten ist jedes noch so komplexe Modell nur ein Rauschverstärker. KI kann keine Wunder wirken, wenn die Eingabedaten fehlerhaft, unvollständig oder falsch interpretiert sind. Der wahre Hebel liegt beim Verstehen der Daten, beim Auswählen relevanter Features und beim Treffen der richtigen Annahmen – insbesondere mit dem Bewusstsein, dass Korrelation nicht gleich Kausalität ist. Ebenso wichtig ist das Festlegen klarer Regeln und Grenzen. Erst danach lohnt es sich, Machine Learning oder KI einzusetzen – und selbst dann bleibt die Interpretation der Ergebnisse immer in menschlicher Hand.