Im vorhergehenden Blogbeitrag ging es bereits um fünf aus meiner Sicht wichtige KI-Begriffe. Dies waren maschinelles Lernen, große Sprachmodelle, generative KI, GPT und Prompt. Heute geht es mit Teil 2 weiter. Wichtig ist mir, darauf hinzuweisen, dass dies natürlich meine eigene Auswahl ist, der hoffentlich keiner Bias (siehe unten) unterliegt.
KI-Halluzinationen
Bei einer KI-Halluzination nimmt ein Large Language Model (LLM) Muster oder Objekte wahr, die für menschliche Beobachter:innen nicht existieren oder nicht wahrnehmbar sind. Dies führt zu einem unsinnigen oder sehr ungenauen Output. KI-Halluzinationen sind vergleichbar mit dem, was Menschen in den Wolken sehen (z. B. Drachen, Tiere etc.) oder die Gesichter auf der Mondoberfläche. Ursachen für KI-Halluzinationen sind z. B. Ungenauigkeit der Trainingsdaten und hohe Modellkomplexität. Um den Halluzinationen entgegenzuwirken, setzen Entwickler:innen „Erdung“ ein, d. h. sie versorgen die KI mit Informationen aus einer „vertrauenswürdigen“ Quelle.
Bias
Bias in KI tritt auf, wenn Verzerrungen oder Voreingenommenheit in den Vorhersagen eines Modells entstehen. Ursachen sind tief in der KI verankert. Dazu zählen z. B. unausgewogene Trainingsdaten oder das Design der zugrunde liegenden Algorithmen. Zwei Beispiele für Bias sind:
- Bevorzugung von Männern, weil das System mit historischen Männerdaten trainiert wurde und
- Benachteiligung von Patient:innen, weil diese nicht auf repräsentativen Daten basieren.
Copilot
Ein KI-Copilot ist eine Art persönlicher Assistent. Dieser arbeitet in Echtzeit mit den Benutzer:innen bei vielen möglichen digitalen Anwendungen zusammen. Dazu zählen Schreiben, Codieren, Zusammenfassen und Suchen.
Ein KI-Copilot kann helfen, Entscheidungen zu treffen und große Datenmengen zu verstehen. Einige Copilots können bereits die menschliche Sprache verstehen und Antworten geben.
Data Mining
Data Mining beschreibt den Prozess der Analyse großer Datensätze, um Muster, Zusammenhänge oder Trends zu entdecken. Diese Datenmengen sind mit freiem Auge und einfachen Analysen nicht zu erkennen. Beim Data Mining werden verborgene Erkenntnisse „geschürft“. In der KI wird Data Mining verwendet, um Erkenntnisse aus historischen Daten zu gewinnen, die zur Verbesserung von Vorhersagen oder Entscheidungen führen können.
Predictive Analytics
Bei predictive Analytics werden Daten aus der Vergangenheit (historische Daten) verwendet, um zukünftige Ereignisse vorherzusagen. Im Kontext von KI hilft diese Analyse Unternehmen, bessere Entscheidungen zu treffen. So können Trends erkannt und Vorhersagen z. B. Kundenvorlieben, Marktveränderungen oder Maschinenwartung getroffen werden.