In der heutigen digitalen Ära haben Künstliche Intelligenz (KI) und Maschinelles Lernen (ML), nicht nur durch ChatGPT, enorme Aufmerksamkeit erlangt. Diese beiden Begriffe werden oft synonym verwendet, aber sie haben unterschiedliche Bedeutungen und Anwendungen. In diesem Artikel werden wir uns genauer mit den Definitionen von KI und ML befassen und die Unterschiede zwischen ihnen aufzeigen.
Überblick über die folgenden Themen
Was ist Künstliche Intelligenz (KI)?
Künstliche Intelligenz bezieht sich auf die Schaffung von Systemen oder Maschinen, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern. KI zielt darauf ab, Maschinen mit Fähigkeiten auszustatten, die typischerweise mit dem menschlichen Verstand in Verbindung gebracht werden, wie zum Beispiel Lernen, Problemlösung, Spracherkennung, Entscheidungsfindung und Mustererkennung.
KI-Systeme können entweder schwache KI oder starke KI sein.
Schwache KI bezieht sich auf KI-Systeme, die spezifische Aufgaben oder Probleme lösen können, aber keine allgemeine Intelligenz besitzen.
Starke KI hingegen bezieht sich auf Systeme, die eine menschenähnliche Intelligenz aufweisen und in der Lage sind, eine breite Palette von Aufgaben zu bewältigen und vollständig autonom Aufträge auszuführen und zu erledigen. Starke KI entspräche der tatsächlichen Nachbildung des menschlichen Bewusstseins.
Bis zum heutigen Tag ist eine tatsächliche Nachbildung des menschlichen Bewusstseins jedoch nur ein theoretisches Konzept. Dies bedeutet im Umkehrschluss, dass alle bisher erlangten Ergebnisse, wie beispielsweise ChatGPT, auf schwache KIs zurückzuführen sind.
Was ist Maschinelles Lernen (ML)?
Maschinelles Lernen ist eine Teilmenge der Künstlichen Intelligenz und bezieht sich auf die Fähigkeit von Computern, automatisch aus Daten zu lernen und sich weiterzuentwickeln, ohne explizit programmiert zu werden. Es ist ein Ansatz, bei dem Algorithmen entwickelt werden, die es Maschinen ermöglichen, aus Erfahrungen zu lernen und Vorhersagen oder Entscheidungen zu treffen, basierend auf den gelernten Mustern.
Im Wesentlichen ermöglicht ML den Computern, Muster in großen Datenmengen zu erkennen und daraus Schlussfolgerungen zu ziehen, ohne dass spezifische Anweisungen für jede Situation erforderlich sind. Dabei werden verschiedene Arten von Algorithmen verwendet, wie beispielsweise überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.
Beispiele für Künstliche Intelligenz
KI-Verfahren sind beispielsweise Bestandteile von Apps und Programmen, die wir mit unseren Smartphones oder Computern nutzen. Sie kommen etwa dann zum Einsatz, wenn wir unser Smartphone mithilfe unseres Gesichts entsperren. Wenn wir in sozialen Netzwerken unterwegs sind, bestimmt KI-basierte Software, welche Inhalte wir sehen. Bei der Entwicklung von Games helfen KI-Systeme dabei, das Spielerlebnis echt und lebendig wirken zu lassen. Aber auch bei Frühwarnsystemen für besondere Wetterereignisse, zum Beispiel Überschwemmungen, setzen Wissenschaftler:innen KI-Software ein. Dadurch können sie genauere Vorhersagen treffen.
ki-campus.org/ – was-ist-ki CC BY SA 4.0
Unterschiede zwischen Künstlicher Intelligenz und Maschinellem Lernen
Der Hauptunterschied zwischen KI und ML liegt darin, dass KI ein übergeordneter Begriff ist, der sich auf die Schaffung von intelligenten Systemen bezieht, während ML ein spezifischer Ansatz ist, der es Computern ermöglicht, aus Daten zu lernen und Muster zu erkennen.
Während KI-Systeme auf verschiedene Weise implementiert werden können, umfassen ML-Anwendungen den Einsatz von Algorithmen und Modellen, um aus Daten zu lernen und Vorhersagen zu treffen.
Ein weiterer Unterschied besteht darin, dass KI-Systeme in der Lage sind, verschiedene Arten von Aufgaben zu lösen, während ML spezifisch auf das Lernen aus Daten und die Verbesserung von Leistung basiert.
Künstliche Intelligenz und Maschinelles Lernen sind eng miteinander verbunden, aber sie haben unterschiedliche Definitionen und Anwendungen. KI bezieht sich auf die Schaffung von intelligenten Systemen, während ML den Ansatz beschreibt, bei dem Maschinen aus Daten lernen und sich weiterentwickeln können. ML ist eine wichtige Technik innerhalb der KI und ermöglicht es Computern, Muster in großen Datenmengen zu erkennen und Vorhersagen zu treffen. Durch das Verständnis der Unterschiede zwischen KI und ML können wir die Technologien besser einordnen und ihre Potenziale und Anwendungen in verschiedenen Bereichen verstehen.
ChatGPT und KI
ChatGPT und Künstliche Intelligenz sind in aller Munde und es fühlt sich an wie eine Revolution. Einerseits zeigt sich, dass Künstliche Intelligenz die Arbeitswelt, welche diesem Wandel aufgeschlossen gegenübersteht, umkrempeln wird. Andererseits gibt es auch Bedenken, inwieweit ChatGPT und vergleichbare Dienste Auswirkungen auf die Lernenden und deren Lernmotivation und Fleiß haben. Infolgedessen ist es die Aufgabe der Hochschulen, Prozesse zu gestalten, um Tools wie ChatGPT sinnvoll in die Lehre zu integrieren. Jedoch hat dieses Thema auch seine Schattenseiten und sorgt damit für viel Diskussionsstoff.
ChatGPT bietet viel Diskussionsstoff
Folgendes Streitgespräch bietet einen spannenden Einstieg in das Thema ChatGPT und Künstliche Intelligenz. Lassen Sie es z.B. in einer Gruppe aus Interessierten von zwei Personen vorlesen und starten danach eine Diskussion.
Hier finden Sie ein weiteres sehr ausführliches Streitgespräch zu ChatGPT. Die Vor- und Nachteile von ChatGPT sind in der Graphik des übernächsten Abschnitts zusammengefasst.
Was ist ChatGPT?
ChatGPT ist ein ML-Modell, es optimiert die Antworten basierend auf den Daten die es aus vielen Konversationen und Datenquellen hat. Es ist ein großes generatives Sprachmodell, ein sogenanntes Large Language Model, d.h. ein ML-System, welches mit Hilfe von Datensätzen z.B. aus Wikipedia, Buch- und Artikeldatenbanken, Sozialen Medien und Ähnlichem auf natürliche Sprache trainiert wurde.
ChatGPT (in der verfügbaren Form) ist kein “vollständiges” KI System weil es nicht in der Lage ist (sein kann) selbstständig Fragestellungen (Neugier) zu entwickeln oder kreativ (über das gelernte Maß hinaus) zu sein. Allerdings ist es aufgrund der verwendeten Modelle (und Ressourcen) sehr gut in der Lage menschliche Kommunikation im digitalen Raum abzubilden.
Vor- und Nachteile von ChatGPT
Die ausgearbeiteten Vor- und Nachteile gelten in großen Teilen auch für andere Large Language Modelle (LLM).
- Auf der einen Seite erleichtern Systeme wie ChatGPT den Arbeitsalltag, z.B. durch die schnelle Erstellung von Zusammenfassungen, Inhaltsangaben oder gut gegenderten Texten. Auf der anderen Seite erleichtern sie jedoch zusätzlich die Verschleierung von Plagiaten.
- Texte werden mit solchen LLM-Tools schnell in einem adäquaten Schreibstil, angepasst an unterschiedlichste Anforderungen erarbeitet. Noch sind die Textausgaben jedoch sehr redundant.
- Wenn zukünftig erforderliche Kompetenzen gefördert werden, kann kritisches Denken und Hinterfragen auf Grund der Schwächen der Systeme sogar gefördert und gestärkt werden, da ChatGPT fast ausschließlich erfundene Quellen liefert und sogar halluziniert.
- Das Lehren von strukturellem Arbeiten und die Vermittlung von Kompetenzen tritt mehr und mehr in den Vordergrund. Bietet Inspiration und kann für Ideen-Entwicklungen als Sparring-Partner oder CoPilot dienen. ChatGPT ist jedoch noch nicht in der Lage eigene Verknüpfungen herzustellen. Auch mathematisch ist das Sprachmodell.
- Die DGSVO der einzelnen Plattformen muss beachtet werden. Mit einem selbstgehosteten KI-Sprachmodell und per API kann die Funktionalität DSGVO konform abgebildet werden.
- Es besteht die Befürchtung, dass Schreiben als kreativer und kognitiv wichtiger Prozess verkümmert. Large Language Modelle wie ChatGPT regen jeoch zur Prompt-Erstellung an. Zukünftig werden Künstliche Intelligenzen ein wesentlicher Bestandteil unseres Arbeitsalltags sein.
Weiterführende Links zum Thema Künstliche Intelligenz und ChatGPT
Künstliche Intelligenz in der Hochschulbildung
- Whitepaper – Künstliche Intelligenz in der Hochschulbildung
- Die KI -Frage – Anwendungsorientierten Diskurs in der Hochschulbildung anregen
Didaktische und rechtliche Perspektiven
- Didaktische und rechtliche Perspektiven auf KI-gestütztes Schreiben in der Hochschulbildung
- Urheberrecht und Datenschutz bei ChatGPT & Co. in der Hochschullehre
Ethische Aspekte von KI in der Lehre
Einsatz von ChatGPT in der Lehre
Anwendungsbeispiele von Künstlicher Intelligenz
KI Tools
Artikel und Paper zur Funktionsweise von GPTs
- So funktioniert ChatGPT
- Transformer – Attention Is All You Need (englisch) GPT
- Improving Language Understanding by Generative Pre-Training (englisch)
- GPT2 – Language Models are Unsupervised Multitask Learners (englisch)
- GPT3 – Language Models are Few-Shot Learners (englisch)
Dieser Beitrag ist lizenziert unter einer Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International Lizenz.
Lizenzhinweis: “Künstliche Intelligenz & ChatGPT“, André Schweitzer, Sophie Dishman, Stefan Thomas, Nicole Hagen | HOOU@HAW, CC BY SA 4.0
Weitere spannende Beiträge zum Thema KI
Abbildungen Agile Methoden App Bilder Blended learning CC-Lizenz Challenge Based Learaning ChatGPT Comics Community Creative Commons Datenschutz Datensparsam Digital Literacy DSGVO Etherpad flipped classroom Gamification geschichtenbasiertes Lernen gruppenarbeit H5P HAW Hamburg Hochschullehre HOOU hybrides lernen Illustrationen Inhaltstypen Inverted Classroom KI Kollaborativ Künstliche Intelligenz Large Language Model Lernangebot lernen LLM NC Nicht-kommerziell OER Offenheit Online-Lehre Pingo Recht Storytelling Tools Visualisierung