KI Künstliche Intelligenz - Versionsgeschichte

Chris T. Ludwig: /* Einordnung */

2026-08-29T06:23:55Z

Einordnung

← Nächstältere Version		Version vom 29. August 2026, 08:23 Uhr
Zeile 77:		Zeile 77:


	=~~Einordnung~~=		=Wir bauen uns ein Gehirn!=
	Wenn man davon ausgeht, dass ein perfekter KI-Rebuild (Hardware oder Software) existiert, dann braeuchte dieser in seiner Leistungsfaehigkeit nur der biochemischen Leistung eines Durchschnittshirn zu entsprechen. Der Vorteil waere gewaltig. Dieses SW/HW-Hirn waere relativ leicht in seiner Leistung steigerbar.		Wenn man davon ausgeht, dass ein perfekter KI-Rebuild (Hardware oder Software) existiert, dann braeuchte dieser in seiner Leistungsfaehigkeit nur der biochemischen Leistung eines Durchschnittshirn zu entsprechen. Der Vorteil waere gewaltig. Dieses SW/HW-Hirn waere relativ leicht in seiner Leistung steigerbar.

Chris T. Ludwig: /* Allgemeines */

2026-08-29T06:18:14Z

Allgemeines

← Nächstältere Version		Version vom 29. August 2026, 08:18 Uhr
Zeile 6:		Zeile 6:

	Ich schreibe hier mal einige Stichworte fuer mich auf, um nutzlose von Nutzen stiftenden Informationen besser trennen zu koennen.		Ich schreibe hier mal einige Stichworte fuer mich auf, um nutzlose von Nutzen stiftenden Informationen besser trennen zu koennen.

			Eigentlich geht es erst [[#Einordnung KI \| hier]] richtig los. Das nicht lohnenswerte Video mit Ulrich Walter diente mir nur als Initialzündung zu dieser Zusammenstellung.

	=Der erste Kontakt=		=Der erste Kontakt=

Chris T. Ludwig: /* Deep Learning ist kein eigener Lerntyp */

2026-08-29T06:04:47Z

Deep Learning ist kein eigener Lerntyp

← Nächstältere Version		Version vom 29. August 2026, 08:04 Uhr
Zeile 229:		Zeile 229:
	* Deep + Überwacht: Ein tiefes neuronales Netz lernt mit gelabelten Bildern, Gesichter zu erkennen (z. B. FaceID).		* Deep + Überwacht: Ein tiefes neuronales Netz lernt mit gelabelten Bildern, Gesichter zu erkennen (z. B. FaceID).
	* Deep + Unüberwacht: Ein tiefes neuronales Netz analysiert unstrukturierte Kundendaten, um Muster im Kaufverhalten zu finden.		* Deep + Unüberwacht: Ein tiefes neuronales Netz analysiert unstrukturierte Kundendaten, um Muster im Kaufverhalten zu finden.
	* Deep + Verstärkend (Deep Reinforcement Learning): Ein tiefes neuronales Netz dient als “Gehirn” für einen Software-Agenten, der durch Versuch und Irrtum lernt, autonom Auto zu fahren oder Schach zu spielen.		* Deep + Verstärkend (Deep Reinforcement Learning(Verstärkendes Lernen)): Ein tiefes neuronales Netz dient als “Gehirn” für einen Software-Agenten, der durch Versuch und Irrtum lernt, autonom Auto zu fahren oder Schach zu spielen.

	<span id="warum-sieht-man-diese-falsche-aufzählung-trotzdem-so-oft"></span>		<span id="warum-sieht-man-diese-falsche-aufzählung-trotzdem-so-oft"></span>

	== Warum sieht man diese falsche Aufzählung trotzdem so oft? ==		== Warum sieht man diese falsche Aufzählung trotzdem so oft? ==

Chris T. Ludwig: /* Einordnung KI */

2026-08-29T05:56:46Z

Einordnung KI

← Nächstältere Version		Version vom 29. August 2026, 07:56 Uhr
Zeile 110:		Zeile 110:
	"KI-Schichtenmodell"		"KI-Schichtenmodell"

	Es gibt viele ~~unvollstaendige~~, teilweise auch fehlerhafte, ~~Schichteneinteilungen~~ der KI-Welt.		Es gibt viele unvollständige, teilweise auch fehlerhafte, Einteilungen der KI-Welt in Kategorien, Teilgebiete und Technologien, deren Begriffe sich häufig überschneiden und nicht immer eindeutig voneinander abgrenzen lassen.
	~~Wer auf~~ die ~~Idee gekommen~~ ist die ~~Schichten~~ als ~~Mengen darstellen, weisz ich nicht~~.
			Die Schichtenvorstellung passt vielleicht besser zur chronologischen Entwicklung der KI. Mittlerweile habe ich mich an die Mengendarstellung gewöhnt. Mir ist zwar klar, dass jede Kategorie/Teilgebiet eine Untermenge der
			vorangegangenen Obermenge ist (Matroschka-Prinzip), aber bei der Mengenvorstellung werden die Teilgebiete die (erst einmal) nicht weiter verfolgt wurden selten/gar nicht mit dargestellt (Symbolismus, Decision Trees, Induktive Logische Programmierung, Bayesianische Netzwerke, Hidden Markov Modelle, K-Nächste-Nachbarn, Support Vector Machines, Evolutionismus).

			Während des sogenannten „KI-Winters“ (70er & 80er Jahre) galten Neuronale Netze als mathematische Sackgasse. (KNN-Druchbruch https://www.image-net.org/challenges/LSVRC/2012/)

	Eine der besseren Darstellungen ist diese (Urheber unbekannt).		Eine der besseren Darstellungen ist diese (Urheber unbekannt).

Chris T. Ludwig: Chris T. Ludwig verschob die Seite Künstliche Intelligenz nach KI Künstliche Intelligenz: Stichwort zu Suche nach KI im Titel eingefügt

2026-08-29T05:34:29Z

Chris T. Ludwig verschob die Seite Künstliche Intelligenz nach KI Künstliche Intelligenz: Stichwort zu Suche nach KI im Titel eingefügt

← Nächstältere Version	Version vom 29. August 2026, 07:34 Uhr
(kein Unterschied)

Chris T. Ludwig am 29. August 2026 um 05:30 Uhr

2026-08-29T05:30:52Z

Änderungen zeigen

Chris T. Ludwig: /* Warum sieht man diese falsche Aufzählung trotzdem so oft? */

2026-08-29T05:28:50Z

Warum sieht man diese falsche Aufzählung trotzdem so oft?

← Nächstältere Version		Version vom 29. August 2026, 07:28 Uhr
Zeile 231:		Zeile 231:

	In der Praxis und im Marketing wird “Deep Learning” oft als eigene Kategorie genannt, weil es historisch der Technologie-Sprung war, der den aktuellen KI-Boom (wie ChatGPT oder Bildgeneratoren) überhaupt erst ausgelöst hat. Oft wollen Autoren damit ausdrücken: “Es gibt klassisches Maschinelles Lernen (mit einfacheren mathematischen Modellen) und es gibt das moderne, mächtige Deep Learning.” Mathematisch und systematisch ist diese Aufteilung jedoch unsauber.		In der Praxis und im Marketing wird “Deep Learning” oft als eigene Kategorie genannt, weil es historisch der Technologie-Sprung war, der den aktuellen KI-Boom (wie ChatGPT oder Bildgeneratoren) überhaupt erst ausgelöst hat. Oft wollen Autoren damit ausdrücken: “Es gibt klassisches Maschinelles Lernen (mit einfacheren mathematischen Modellen) und es gibt das moderne, mächtige Deep Learning.” Mathematisch und systematisch ist diese Aufteilung jedoch unsauber.

			Um den Unterschied zu verstehen, nutzt man gerne ein klassisches Beispiel der KI-Geschichte: Das Erkennen von handgeschriebenen Ziffern (von 0 bis 9) auf einem Pixelbild. Hier sieht man perfekt den Unterschied zwischen einem klassischen, flachen Modell (z. B. Überwachtes Lernen mit Logistischer Regression) und einem Deep-Learning-Modell (Überwachtes Lernen mit einem tiefen neuronalen Netz).


			-----

			<span id="der-entscheidende-unterschied-wer-macht-die-arbeit"></span>
			== Der entscheidende Unterschied: Wer macht die Arbeit? ==

			Der größte Unterschied liegt im sogenannten Feature Engineering (der Merkmalsextraktion). Also der Frage: Wer erklärt der KI, worauf sie im Bild achten muss? ## 1. Der klassische Ansatz (Flaches Modell) Ein klassischer Algorithmus ist blind für komplexe Formen. Er sieht nur isolierte Pixelwerte (z. B. Pixel oben links ist weiß, Pixel in der Mitte ist schwarz).

			* Die Vorarbeit (Mensch): Ein menschlicher Experte muss dem Algorithmus mathematisch beschreiben, was eine „8“ ausmacht. Er muss Code schreiben, der nach bestimmten Merkmalen sucht: „Zähle die Anzahl der geschlossenen Kreise. Wenn es zwei Kreise sind, ist es wahrscheinlich eine 8. Wenn es ein Kreis ist, eine 6 oder 9.“
			* Das Lernen (KI): Das flache Modell bekommt nur diese fertig extrahierten Merkmale (z. B. Kreisanzahl = 2, Symmetrie = hoch) und lernt daraus die finale Entscheidung.
			* Das Problem: Schreibt jemand die 8 unsauber oder offen, bricht das System zusammen.

			<span id="der-deep-learning-ansatz-tiefes-modell"></span>
			== 2. Der Deep-Learning-Ansatz (Tiefes Modell) ==

			Ein tiefes neuronales Netz braucht keine menschliche Vorarbeit für die Merkmale. Es bekommt einfach das rohe Pixelbild und die richtige Antwort („Das ist eine 8“). Die vielen verborgenen Schichten (Hidden Layers) teilen sich die Arbeit nun automatisch von Schicht zu Schicht auf – von einfach zu komplex:

			* Schicht 1 (Erste verborgene Schicht): Erkennt nur einzelne Pixelkanten, Linien und Kontraste (waagerecht, senkrecht, diagonal).
			* Schicht 2 (Mittlere Schichten): Kombiniert diese Linien zu einfachen Formen (Ecken, Bögen, Schleifen).
			* Schicht 3 (Tiefe Schichten): Kombiniert die Bögen zu komplexen Strukturen (z. B. „Kreis oben“ und „Kreis unten“).
			* Ausgabeschicht: Verknüpft diese tiefen Erkenntnisse und sagt mit hoher Sicherheit: Das ist eine 8.


			-----

			<span id="zusammenfassung-im-vergleich"></span>
			== Zusammenfassung im Vergleich ==

			{\|
			!width="33%"\| Eigenschaft
			!width="33%"\| Klassisches ML (Flach)
			!width="33%"\| Deep Learning (Tief)
			\|-
			\| Merkmalsextraktion
			\| Mensch muss Merkmale definieren.
			\| KI lernt Merkmale komplett selbstständig.
			\|-
			\| Datenmenge
			\| Funktioniert gut mit wenig Daten.
			\| Braucht riesige Datenmengen (Tausende Bilder).
			\|-
			\| Rechenleistung
			\| Läuft schnell auf jedem normalen Laptop.
			\| Braucht starke Grafikkarten (GPUs).
			\|-
			\| Ergebnis bei komplexen Daten
			\| Stößt schnell an Leistungsgrenzen.
			\| Wird immer besser, je mehr Daten es bekommt.
			\|}

			Deep Learning hat die KI-Welt revolutioniert, weil wir Menschen der KI nicht mehr mühsam erklären müssen, wie die Welt aussieht. Das Netz baut sich sein Verständnis durch die vielen Schichten einfach selbst auf.

	=Stichwortliste AI Course Dublin=		=Stichwortliste AI Course Dublin=

Chris T. Ludwig: /* Warum sieht man diese falsche Aufzählung trotzdem so oft? */

2026-08-29T05:24:16Z

Warum sieht man diese falsche Aufzählung trotzdem so oft?

← Nächstältere Version		Version vom 29. August 2026, 07:24 Uhr
Zeile 230:		Zeile 230:
	== Warum sieht man diese falsche Aufzählung trotzdem so oft? ==		== Warum sieht man diese falsche Aufzählung trotzdem so oft? ==

	In der Praxis und im Marketing wird “Deep Learning” oft als eigene Kategorie genannt, weil es historisch der Technologie-Sprung war, der den aktuellen KI-Boom (wie ChatGPT oder Bildgeneratoren) überhaupt erst ausgelöst hat. Oft wollen Autoren damit ausdrücken: “Es gibt klassisches Maschinelles Lernen (mit einfacheren mathematischen Modellen) und es gibt das moderne, mächtige Deep Learning.” Mathematisch und systematisch ist diese Aufteilung jedoch unsauber. Möchtest du ein konkretes Beispiel sehen, wie sich ein klassisches (flaches) Modell und ein Deep-Learning-Modell bei exakt derselben Aufgabe (z. B. der Erkennung von handgeschriebenen Zahlen) unterscheiden?		In der Praxis und im Marketing wird “Deep Learning” oft als eigene Kategorie genannt, weil es historisch der Technologie-Sprung war, der den aktuellen KI-Boom (wie ChatGPT oder Bildgeneratoren) überhaupt erst ausgelöst hat. Oft wollen Autoren damit ausdrücken: “Es gibt klassisches Maschinelles Lernen (mit einfacheren mathematischen Modellen) und es gibt das moderne, mächtige Deep Learning.” Mathematisch und systematisch ist diese Aufteilung jedoch unsauber.

	=Stichwortliste AI Course Dublin=		=Stichwortliste AI Course Dublin=

Chris T. Ludwig: /* Übersicht der modernen KI-Landschaft und ihrer Schichten */

2026-08-29T05:21:52Z

Übersicht der modernen KI-Landschaft und ihrer Schichten

@@ Zeile 131: / Zeile 131: @@
 <span id="übersicht-der-modernen-ki-landschaft-und-ihrer-schichten"></span>
-= Übersicht der modernen KI-Landschaft und ihrer Schichten =
+<span id="ki-landschaft"></span>
-<span id="zusammenfassung"></span>
+Die moderne KI-Infrastruktur erstreckt sich über eine tief gegliederte Hierarchie. Sie reicht von autonomen, zielgerichteten Softwaresystemen an der Spitze bis hinunter zu hochspezialisierten Sprachmodellen auf der untersten Ebene. Jede Stufe stellt eine '''technologische Untermenge oder Spezialisierung''' der darüberliegenden Schicht dar:
 # '''Von der KI zum Deep Learning:''' Klassisches Maschinelles Lernen findet statistische Muster in strukturierten Daten (Tabellen), während Künstliche Neuronale Netze (Deep Learning) die Funktionsweise biologischer Gehirne nachahmen, um unstrukturierte Daten (Bilder, Audio, freier Text) ohne manuelles Feature Engineering zu verarbeiten.
@@ Zeile 205: / Zeile 203: @@
 | '''JavaScript (ONNX Runtime Web)''' für den Browser
 |}
 =Stichwortliste AI Course Dublin=

Chris T. Ludwig: /* Zusammenfassung */

2026-08-28T18:25:09Z

Zusammenfassung

← Nächstältere Version		Version vom 28. August 2026, 20:25 Uhr
Zeile 140:		Zeile 140:
	# '''Von der KI zum Deep Learning:''' Klassisches Maschinelles Lernen findet statistische Muster in strukturierten Daten (Tabellen), während Künstliche Neuronale Netze (Deep Learning) die Funktionsweise biologischer Gehirne nachahmen, um unstrukturierte Daten (Bilder, Audio, freier Text) ohne manuelles Feature Engineering zu verarbeiten.		# '''Von der KI zum Deep Learning:''' Klassisches Maschinelles Lernen findet statistische Muster in strukturierten Daten (Tabellen), während Künstliche Neuronale Netze (Deep Learning) die Funktionsweise biologischer Gehirne nachahmen, um unstrukturierte Daten (Bilder, Audio, freier Text) ohne manuelles Feature Engineering zu verarbeiten.
	# '''Von Deep Learning zu generativen Sprachmodellen:''' Generative KI erzeugt neue Inhalte, statt Daten nur zu klassifizieren. Large Language Models (LLMs) sind eine Untermenge der GenAI, die auf der ''Transformer-Architektur'' basiert und auf Sprache spezialisiert ist. Small Language Models (SLMs) brechen diese Technologie weiter nach unten auf, um recheneffiziente On-Device-Anwendungen zu ermöglichen.		# '''Von Deep Learning zu generativen Sprachmodellen:''' Generative KI erzeugt neue Inhalte, statt Daten nur zu klassifizieren. Large Language Models (LLMs) sind eine Untermenge der GenAI, die auf der ''Transformer-Architektur'' basiert und auf Sprache spezialisiert ist. Small Language Models (SLMs) brechen diese Technologie weiter nach unten auf, um recheneffiziente On-Device-Anwendungen zu ermöglichen.
	# '''Die übergeordnete Steuerung:''' Über den Modellen stehen agentische Systeme (AI Agents), die KI als Denkwerkzeug nutzen, aber eigenständig handeln und Werkzeuge bedienen können. Um diese massiven KI-Schichten (insbesondere LLMs) zu trainieren oder im großen Stil zu betreiben, ist eine extrem teure VRAM-Infrastruktur (HBM3e-Speicher) nötig~~, die im Petabyte-Bereich aktuell zwischen 200 und 350 Millionen Euro an reiner Hardware kostet~~.		# '''Die übergeordnete Steuerung:''' Über den Modellen stehen agentische Systeme (AI Agents), die KI als Denkwerkzeug nutzen, aber eigenständig handeln und Werkzeuge bedienen können. Um diese massiven KI-Schichten (insbesondere LLMs) zu trainieren oder im großen Stil zu betreiben, ist eine extrem teure VRAM-Infrastruktur (HBM3e-Speicher) nötig.


	-----		-----

	<span id="tabellarische-übersicht-aller-ebenen"></span>		<span id="tabellarische-übersicht-aller-ebenen"></span>

	== Tabellarische Übersicht aller Ebenen ==		== Tabellarische Übersicht aller Ebenen ==