KI-Grundlagen: So funktioniert KI — ABXK.AI

Das KI-Universum: wie KI, maschinelles Lernen, Deep Learning und generative KI zusammenhängen

Sun, 18 Oct 2026 00:00:00 +0000

Künstliche Intelligenz, maschinelles Lernen, Deep Learning, generative KI, Agenten: Die Wörter werden oft verwendet, als bedeuteten sie dasselbe. Das tun sie nicht. Sie sind Ringe einer Landkarte, einer im anderen, wie die Schichten einer Zwiebel. Kennen Sie die Landkarte, können Sie jedes KI-System einordnen, von dem Sie lesen, vom Spamfilter bis zum Roboter — und Sie wissen, welche Fragen Sie dazu stellen sollten.

Dies ist Teil 1 von Level 0 in unserem Lernpfad KI-Grundlagen. Sie lernen die sechs Ringe des KI-Universums kennen, was jeder hinzufügt, welche Meilensteine sie markieren und was die Daten zu mehr als tausend bemerkenswerten KI-Modellen darüber zeigen, wohin sich das Feld bewegt hat. Mathematik oder Programmieren brauchen Sie dafür nicht.

Regression: wie ein Modell eine Zahl vorhersagt

Sun, 18 Oct 2026 00:00:00 +0000

Wie viele Stück verkaufen wir nächsten Monat? Wie lange dauert diese Lieferung? Was wird diese Wohnung kosten? Immer wenn die Antwort eine Zahl ist, heißt das passende Werkzeug des maschinellen Lernens Regression. Sie ist das älteste Verfahren in diesem Lernpfad, weit älter als Computer, und sie steckt bis heute überall: in Absatzprognosen, in der Preisgestaltung, in den Planungswerkzeugen fast jedes Unternehmens.

Dies ist Teil 1 von Level 1 in unserem Lernpfad KI-Grundlagen. Statt des üblichen Beispiels mit Wohnungspreisen nutzen wir eine Frage aus der KI-Welt selbst: Lässt sich aus der Zahl der Parameter vorhersagen, wie viel Rechenleistung das Training eines KI-Modells gekostet hat? Sie erfahren, was eine Regressionslinie ist, wie Sie ihre Steigung lesen, was R² aussagt und warum die Punkte, die die Linie verfehlen, oft die interessantesten sind.

Klassifikation: Accuracy, Precision und Recall erklärt

Sun, 18 Oct 2026 00:00:00 +0000

Spam oder nicht, Betrug oder normale Zahlung, welche Abteilung soll dieses Ticket bekommen: Die meisten Entscheidungen, die Unternehmen dem maschinellen Lernen übergeben, sind Klassifikationen, also eine Wahl zwischen wenigen festen Kategorien. Ein Klassifikator ist schnell gebaut. Zu wissen, ob er gut ist, ist schwerer — denn eine einzelne Zahl wie „96 % richtig“ kann genau die Fehler verbergen, auf die es ankommt.

Dies ist Teil 2 von Level 1 in unserem Lernpfad KI-Grundlagen. Wir nehmen die Ziffernerkennung aus Level 0, eine logistische Regression, trainiert auf handgeschriebenen Ziffern, und betrachten ihre Ergebnisse so, wie es Fachleute tun: mit Genauigkeit, Konfusionsmatrix, Precision und Recall — und der Schwelle, die zwischen beiden entscheidet.

Wie Maschinen lernen: ein Experiment mit handgeschriebenen Ziffern

Sun, 18 Oct 2026 00:00:00 +0000

„Das Modell lernt aus Daten“ ist schnell gesagt. Was heißt das in der Praxis? Wie viele Beispiele braucht ein Modell, was passiert, wenn ihm niemand die richtigen Antworten sagt, und wie lernt eine Maschine durch Versuch und Irrtum? Statt Lehrbuchbehauptungen zu wiederholen, haben wir die Experimente selbst durchgeführt — mit einem öffentlichen Datensatz, den jeder nutzen kann, und mit Code, der bei jedem Lauf dieselben Zahlen liefert.

Dies ist Teil 2 von Level 0 in unserem Lernpfad KI-Grundlagen. Sie lernen die drei Arten kennen, wie Maschinen lernen — überwacht, unüberwacht und bestärkend — und sehen, was jede davon in unserem Experiment erreicht hat. Code müssen Sie dafür nicht ausführen.

Entscheidungsbäume und Überanpassung: wenn ein Modell auswendig lernt

Sun, 18 Oct 2026 00:00:00 +0000

Ein Entscheidungsbaum funktioniert wie ein Ratespiel mit zwanzig Fragen. „Ist der Pixel in der Mitte dunkel? Wenn ja: Ist auch der Pixel oben links dunkel?“ Nach ein paar solchen Fragen kommt der Baum zu einer Antwort. Bäume sind in Unternehmen beliebt, weil jeder ihrer Logik folgen kann, und sie sind der Baustein einiger der erfolgreichsten Verfahren für Tabellendaten. Sie zeigen außerdem die wichtigste Falle des maschinellen Lernens deutlicher als jedes andere Modell: die Überanpassung (Overfitting).

Training und Inferenz: wann KI lernt und wann sie antwortet

Sun, 18 Oct 2026 00:00:00 +0000

Jedes KI-Modell lebt zwei Leben. Zuerst lernt es: Im Training sieht es große Datenmengen und passt seine inneren Zahlen an, immer wieder, bis seine Vorhersagen gut sind. Dann arbeitet es: In der Inferenz bekommt das fertige Modell eine neue Eingabe, etwa Ihre Frage, und erzeugt eine Ausgabe, ohne dabei etwas Neues zu lernen. Die beiden Phasen unterscheiden sich in fast allem: wer zahlt, wie lange sie dauern, welche Hardware sie brauchen und was schiefgehen kann.

Parameter, Daten und Rechenaufwand: warum KI-Modelle so schnell wuchsen

Sun, 18 Oct 2026 00:00:00 +0000

Wenn ein neues KI-Modell angekündigt wird, kommen meist drei Zahlen mit: wie viele Parameter es hat, mit wie vielen Daten es trainiert wurde und wie viel Rechenleistung sein Training brauchte. Diese drei Zahlen erklären den größten Teil des Fortschritts der letzten fünfzehn Jahre. Die Ideen hinter den heutigen Modellen sind kaum jünger als der Transformer von 2017; was sich geändert hat, ist der Maßstab.

Dies ist Teil 4 von Level 0 in unserem Lernpfad KI-Grundlagen. Sie erfahren, was jede der drei Zahlen bedeutet, wie schnell jede laut den Daten von Epoch AI zu bemerkenswerten KI-Modellen gewachsen ist und warum größer bisher besser hieß.

Welches Verfahren gewinnt? Sechs klassische Methoden im Vergleich

Sun, 18 Oct 2026 00:00:00 +0000

Maschinelles Lernen bietet Dutzende Verfahren für dieselbe Aufgabe, und jedes hat seine Anhänger. Welches ist das beste? Die ehrliche Antwort lautet: Es hängt von den Daten ab, und das zeigt nur ein Test. Fair zu testen ist allerdings schwerer, als es aussieht, denn ein einzelner Test kann ein Verfahren zufällig besser oder schlechter aussehen lassen, als es ist.

Dies ist Teil 4 von Level 1 in unserem Lernpfad KI-Grundlagen. Wir haben sechs klassische Verfahren auf denselben handgeschriebenen Ziffern laufen lassen und mit Kreuzvalidierung verglichen, dem üblichen Weg, fair zu testen. Sie erfahren, was jedes Verfahren in einem Satz tut, wie Kreuzvalidierung funktioniert, welches Verfahren auf unseren Daten gewann und warum es deshalb nicht allgemein das beste ist.

Clustering und PCA: Struktur finden ohne Labels

Sun, 18 Oct 2026 00:00:00 +0000

Die meisten Daten in einem Unternehmen haben keine Labels. Niemand hat markiert, welche Kunden zusammengehören, welche Messwerte einer Maschine normal sind oder welche Dokumente dasselbe Thema behandeln. Das unüberwachte Lernen arbeitet genau mit solchen Daten. Es lernt nicht, eine bekannte Antwort vorherzusagen, sondern sucht Struktur: Gruppen ähnlicher Dinge oder eine einfachere Art, die Daten zu beschreiben.

Dies ist Teil 5 von Level 1 in unserem Lernpfad KI-Grundlagen. Wir kehren zu den handgeschriebenen Ziffern zurück, verraten den Verfahren diesmal aber nicht, welche Ziffer ein Bild zeigt. Sie erfahren, wie k-Means-Clustering Gruppen findet, warum die schwierigste Frage lautet, nach wie vielen Gruppen man suchen soll, und wie die Hauptkomponentenanalyse (PCA) jedes Bild von 64 Zahlen auf eine Handvoll verdichtet — und was das mit den Gruppen macht.

Neuronale Netze einfach erklärt: Neuronen, Schichten und Gewichte

Sun, 18 Oct 2026 00:00:00 +0000

Neuronale Netze stecken hinter fast jedem KI-Durchbruch der letzten Jahre, von der Bilderkennung bis zu großen Sprachmodellen. Der Name klingt nach Biologie, die Idee ist aber einfache Rechnung: viele kleine Rechenschritte, in Schichten verbunden, mit Zahlen, die das Netz beim Lernen anpasst. Um zu zeigen, was das heißt, haben wir selbst ein kleines Netz gebaut, trainiert und seine Größe Schritt für Schritt verändert.

Dies ist Teil 5, der letzte Teil von Level 0 in unserem Lernpfad KI-Grundlagen. Sie erfahren, was ein einzelnes künstliches Neuron berechnet, wie Neuronen Schichten bilden, was die Gewichte sind und was mit der Genauigkeit unseres Netzes geschah, als wir ihm mehr oder weniger Neuronen gaben.