Künstliche Intelligenz (KI):
Wer die KI-Typen versteht, trifft bessere Entscheidungen – wer sie ignoriert, riskiert teure Missverständnisse.
Was steckt dahinter – und warum betrifft es uns alle?
Künstliche Intelligenz (KI) ist heute in vielen digitalen Anwendungen präsent: in Suchmaschinen, Navigationssystemen, Chatbots, Übersetzungen, Sprach- und Bilderkennung sowie Empfehlungssystemen. KI ist jedoch kein einheitliches System – verschiedene KI-Typen verfolgen unterschiedliche Ziele, arbeiten mit unterschiedlichen Methoden und haben unterschiedliche Stärken und Schwächen. Dieses Verständnis hilft Nutzer*innen und Unternehmen, den Nutzen richtig einzuschätzen und Risiken zu erkennen.
Kurzfassung für Techniker*innen: Das Wichtigste in 60 Sekunden
- Narrow AI (schwache KI): spezialisiert auf einen klaren Anwendungsfall, heute die einzige real eingesetzte KI-Form.
- AGI (starke KI): hypothetische, menschenähnliche Intelligenz – existiert nicht.
- ASI: rein theoretische Superintelligenz.
- Symbolische KI: regelbasiert, erklärbar.
- Machine Learning (ML): datenbasiertes Lernen.
- Deep Learning (DL): neuronale Netzwerke, stark in Bild/Sprache/Text.
- Generative KI: erzeugt neue Inhalte wie Texte, Bilder, Audio oder Code.
Ausführliche Fassung für Techniker*innen
1. Einteilung nach Intelligenzgrad:
• Narrow AI: KI, die nur eine eng definierte Aufgabe ausführen kann. Beispiele: Spamfilter, Chatbots, Übersetzungssysteme, Bildklassifikatoren.
• AGI: Eine hypothetische KI, die wie ein Mensch lernen, denken und Wissen übertragen kann. Nicht existent.
• ASI: Ein theoretisches Konzept einer KI, die den Menschen übertrifft. Ebenfalls nicht existent.
2. Einteilung nach Funktionsniveau:
• Reactive Machines: Reine Reaktionssysteme ohne Gedächtnis.
• Limited Memory: KI mit Zugriff auf historische Daten – z. B. Deep Learning.
• Theory of Mind: Zukünftiges Konzept – Systeme, die mentale Zustände verstehen.
• Self‑Aware: Theoretische Vision – selbstbewusste KI.
3. Einteilung nach Technologie:
3.1 Symbolische KI:
Arbeitet regelbasiert, nutzt Wissensrepräsentationen und Logik. Vorteil: erklärbar. Nachteil: schlecht skalierbar.
3.2 Machine Learning:
Erkennt Muster aus Daten. Untergruppen:
- Supervised Learning: Lernen anhand gelabelter Daten.
- Unsupervised Learning: Muster ohne Labels, z. B. Clustering.
- Reinforcement Learning: Lernen durch Belohnung/Strafe.
3.3 Deep Learning:
Nutzt tiefe neuronale Netzwerke. Grundlage für moderne Sprachmodelle, Bildverarbeitung und Audioerkennung.
3.4 Generative KI:
Erzeugt neue Inhalte auf Basis statistischer Muster aus Trainingsdaten. Beispiele: Textgeneratoren, Bildgeneratoren, Audio‑Synthese, Code‑Assistenten. Trotz „Kreativität“ ist Generative KI weiterhin Narrow AI.
4. Regulatorische Definitionen:
Institutionen wie OECD oder EU definieren KI als maschinelles System, das über Inferenzoperationen aus Inputs Outputs ableitet, die reale oder virtuelle Umgebungen beeinflussen. Wichtige Parameter sind Autonomiegrad, Adaptivität, Nachvollziehbarkeit und Risikokategorie.
Was bringt mir das als IT‑Administrator?
• KI benötigt Governance, Data‑Policies, Rollen- und Rechteverwaltung und Datenschutzkontrollen.
• Logging, Telemetrie, Nachvollziehbarkeit und Sicherheitsmechanismen werden wichtiger.
• KI-Funktionen in Software (z. B. Copilots) verändern Update‑Prozesse, Monitoring und Integrationsanforderungen.
• KI kann Supportprozesse beschleunigen, Muster erkennen und Automatisierung ermöglichen.
Was habe ich davon als Anwenderin?
• KI hilft bei Routinetätigkeiten wie Schreiben, Formulieren, Übersetzen oder Zusammenfassen.
• Sie erleichtert Recherche und unterstützt bei kreativen Prozessen.
• KI bietet Vorschläge, Ideen, Strukturierungshilfen und spart Zeit im Arbeitsalltag.
So gelingt die Einführung – Empfehlungen aus der Praxis
1. Kleine, klar definierte Use Cases auswählen.
2. Governance und Datenschutz vor technischen Entscheidungen klären.
3. Human-in-the-Loop sicherstellen.
4. Schulungen für Mitarbeitende als festen Bestandteil einplanen.
5. Iterativ einführen statt Großrollout.
6. Regelmäßige Qualitäts- und Sicherheitskontrollen durchführen.
Quellen
https://www.otris.de/wiki/arten-von-ki/
https://www.ibm.com/think/topics/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks
https://learning.nd.edu/resource-library/ai-overview-and-definitions/ https://ischool.syracuse.edu/types-of-ai/ IT-Beratung & Entwicklung | SAP — Salesforce — KI | mindsquare AG
Disclaimer: Dieser Text erhebt keinen Anspruch auf vollständige Korrektheit. Die enthaltenen Informationen dienen ausschließlich als Anregungen und ersetzen keine individuelle Beratung oder weiterführende Recherche. Änderungen in der Sachlage können die dargestellten Inhalte beeinflussen. Bitte ziehe bei konkreten Entscheidungen stets zusätzliche, verlässliche Quellen hinzu. Ruf uns zum Beispiel an. Unsere Consultants helfen gerne: Kontaktdaten unter https://eitieCloud.de