Was ist künstliche Intelligenz?

Alexandra Klepper
Alexandra Klepper
GitHub Bluesky

Veröffentlicht am 17. Februar 2024, zuletzt aktualisiert am 22. April 2025

Künstliche Intelligenz (KI) umfasst viele komplexe, neue Technologien, die früher menschliche Eingaben erforderten und jetzt von einem Computer ausgeführt werden können. Im Allgemeinen ist KI ein nicht menschliches Programm, Modell oder Computer, das ein breites Spektrum an Problemlösungs- und Kreativitätsfähigkeiten aufweist. Computer können erweiterte Funktionen ausführen, die früher verwendet wurden, um Informationen zu verstehen und zu empfehlen. Mit generativer KI können Computer sogar neue Inhalte generieren.

Das Akronym KI wird oft austauschbar für verschiedene Arten von Technologien im Bereich der künstlichen Intelligenz verwendet, aber die KI-Funktionen können sehr unterschiedlich sein.

Hier finden Sie eine Reihe von Begriffen und Konzepten für KI in der Praxis im Web. Weitere Informationen zum maschinellen Lernen finden Sie im Glossar zum maschinellen Lernen.

Wie funktioniert KI?

Training ist der erste Schritt für jedes Modell. Dabei entwickeln Machine-Learning-Experten einen Algorithmus, um dem Modell bestimmte Eingaben zu geben und die optimalen Ausgaben zu demonstrieren. Im Allgemeinen müssen Webentwickler diesen Schritt nicht ausführen. Es kann jedoch hilfreich sein, zu verstehen, wie ein bestimmtes Modell trainiert wurde. Es ist zwar möglich, ein Modell abzustimmen, aber es ist besser, wenn Sie sich die Zeit nehmen, das beste Modell für Ihre Aufgabe auszuwählen.

Inferenz ist der Prozess, bei dem ein Modell auf Grundlage neuer Daten Schlussfolgerungen zieht. Je mehr ein Modell in einem bestimmten Bereich trainiert wurde, desto wahrscheinlicher ist es, dass die Inferenz nützliche und korrekte Ergebnisse liefert. Es gibt jedoch keine Garantie für eine perfekte Inferenz, unabhängig davon, wie viel Training ein Modell erhalten hat.

Bei Green Light wird beispielsweise ein KI-Modell verwendet, das mit Daten aus Google Maps trainiert wurde, um Verkehrsmuster zu analysieren. Wenn mehr Daten eingehen, werden Empfehlungen zur Optimierung von Ampeln abgeleitet.

Wo wird KI eingesetzt?

Das KI-Training wird abgeschlossen, bevor ein Modell veröffentlicht wird. Es kann sein, dass weitere Trainings durchgeführt werden, die zu neuen Versionen von Modellen mit mehr Funktionen oder einer höheren Genauigkeit führen.

Webentwickler sollten sich damit befassen, wo die KI-Inferenz durchgeführt wird. Die Kosten für die Nutzung von KI hängen hauptsächlich von der Inferenz ab. Auch der Funktionsumfang eines einzelnen Modells ist stark eingeschränkt.

Clientseitige KI

Während die meisten KI-Funktionen im Web auf Servern ausgeführt werden, wird clientseitige KI im Browser des Nutzers ausgeführt und die Inferenz erfolgt auf dem Gerät des Nutzers. Das bietet eine geringere Latenz, niedrigere serverseitige Kosten, keine API-Schlüssel mehr, einen besseren Datenschutz und Offlinezugriff. Sie können clientseitige KI implementieren, die mit JavaScript-Bibliotheken browserübergreifend funktioniert, darunter Transformers.js, TensorFlow.js und MediaPipe.

Ein kleines, optimiertes clientseitiges Modell kann ein größeres serverseitiges Modell übertreffen, insbesondere wenn es für die Leistung optimiert ist. Prüfen Sie Ihren Anwendungsfall, um die richtige Lösung für Sie zu ermitteln.

Serverseitige KI

Serverseitige KI umfasst cloudbasierte KI-Dienste. Stellen Sie sich Gemini 1.5 Pro in der Cloud vor. Diese Modelle sind in der Regel viel größer und leistungsfähiger. Das gilt insbesondere für Large Language Models.

Hybride KI

Hybride KI bezieht sich auf alle Lösungen, die sowohl eine Client- als auch eine Serverkomponente umfassen. Sie könnten beispielsweise ein clientseitiges Modell verwenden, um eine Aufgabe auszuführen, und auf ein serverseitiges Modell zurückgreifen, wenn die Aufgabe nicht auf dem Gerät abgeschlossen werden kann.

Maschinelles Lernen (ML)

Maschinelles Lernen (ML) ist der Prozess, bei dem ein Computer lernt und Aufgaben ohne explizite Programmierung ausführt. Während KI darauf abzielt, Intelligenz zu generieren, besteht ML aus Algorithmen, mit denen Vorhersagen für Datasets getroffen werden.

Angenommen, wir möchten eine Website erstellen, auf der das Wetter an einem bestimmten Tag bewertet wird. Bisher wurde dies in der Regel von einem oder mehreren Meteorologen durchgeführt, die eine Darstellung der Erdatmosphäre und -oberfläche erstellen, Wettervorhersagen berechnen und ein Rating ermitteln konnten, indem sie die aktuellen Daten mit dem historischen Kontext verglichen.

Stattdessen könnten wir einem ML-Modell eine enorme Menge an Wetterdaten zur Verfügung stellen, bis das Modell die mathematische Beziehung zwischen Wettermustern, historischen Daten und Richtlinien dazu lernt, was das Wetter an einem bestimmten Tag gut oder schlecht macht. Tatsächlich haben wir diese Funktion im Web entwickelt.

Generative KI und Large Language Models

Generative KI ist eine Form des maschinellen Lernens, die Nutzern hilft, Inhalte zu erstellen, die sich vertraut anfühlen und menschliche Kreativität nachahmen. Bei generativer KI werden Large Language Models verwendet, um Daten zu organisieren und auf Grundlage des bereitgestellten Kontexts Text, Bilder, Videos und Audio zu erstellen oder zu ändern. Generative KI geht über Mustervergleich und Vorhersagen hinaus.

Ein Large Language Model (LLM) hat zahlreiche (oft Milliarden) Parameter, mit denen Sie eine Vielzahl von Aufgaben ausführen können, z. B. das Generieren, Klassifizieren oder Zusammenfassen von Text oder Bildern.

Chatbots sind unglaublich beliebte Tools für die Nutzung generativer KI geworden, unter anderem für folgende Zwecke:

Mit diesen Tools können Sie Text, Codebeispiele und Grafiken erstellen. Sie können Ihnen bei der Urlaubsplanung helfen, den Ton einer E‑Mail anpassen oder verschiedene Informationen in Kategorien einteilen.

Es gibt unzählige Anwendungsfälle für Entwickler und Nicht-Entwickler.

Deep Learning

Deep Learning (DL) ist eine Klasse von ML-Algorithmen. Ein Beispiel sind neuronale Deep-Learning-Netzwerke (DNNs), die versuchen, die Art und Weise nachzubilden, wie das menschliche Gehirn Informationen verarbeitet.

Ein Deep-Learning-Algorithmus kann so trainiert werden, dass er bestimmte Merkmale in Bildern mit einem bestimmten Label oder einer bestimmten Kategorie verknüpft. Nach dem Training kann der Algorithmus Vorhersagen treffen, die dieselbe Kategorie in neuen Bildern identifizieren. Google Fotos kann beispielsweise den Unterschied zwischen Katzen und Hunden auf einem Foto erkennen.

Natural Language Processing (NLP)

Natural Language Processing (NLP) ist eine Klasse von ML, die sich darauf konzentriert, Computern zu helfen, die menschliche Sprache zu verstehen – von den Regeln einer bestimmten Sprache bis hin zu den Eigenheiten, dem Dialekt und dem Slang, die von Einzelpersonen verwendet werden.

Herausforderungen bei KI

Bei der Entwicklung und Nutzung von KI gibt es mehrere Herausforderungen. Im Folgenden finden Sie einige wichtige Punkte, die Sie berücksichtigen sollten.

Datenqualität und Aktualität

Große Datasets, die zum Trainieren verschiedener KI-Modelle verwendet werden, sind oft schon kurz nach der Verwendung veraltet. Wenn Sie also die neuesten Informationen benötigen, kann es sinnvoll sein, Prompts zu optimieren, um die Leistung eines KI-Modells bei bestimmten Aufgaben zu verbessern und bessere Ergebnisse zu erzielen.

Datasets können unvollständig oder zu klein sein, um einige Anwendungsfälle effektiv zu unterstützen. Es kann hilfreich sein, mit mehreren Tools zu arbeiten oder das Modell an Ihre Anforderungen anzupassen.

Ethische Bedenken und Bedenken in Bezug auf Bias

KI-Technologie ist spannend und hat viel Potenzial. Letztendlich werden Computer und Algorithmen jedoch von Menschen entwickelt und mit Daten trainiert, die möglicherweise von Menschen erhoben wurden. Daher sind sie mit einigen Herausforderungen verbunden. Modelle können beispielsweise menschliche Vorurteile und schädliche Stereotype lernen und verstärken, was sich direkt auf die Ausgabe auswirkt. Es ist wichtig, die Entwicklung von KI-Technologie mit dem Ziel der Bias-Minimierung anzugehen.

, eine 10-stufige Skala, die das Spektrum der Hauttöne von Menschen besser abdeckt.

Es gibt zahlreiche ethische Erwägungen zum Urheberrecht von KI-generierten Inhalten. Wer besitzt die Rechte an den Ergebnissen, insbesondere wenn sie stark von urheberrechtlich geschütztem Material beeinflusst oder direkt daraus kopiert wurden?

Bevor Sie neue Inhalte und Ideen generieren, sollten Sie sich die bestehenden Richtlinien zur Verwendung der von Ihnen erstellten Materialien ansehen.

Sicherheit und Datenschutz

Viele Webentwickler haben angegeben, dass Datenschutz und Sicherheit bei der Verwendung von KI-Tools für sie oberste Priorität haben. Das gilt insbesondere in geschäftlichen Kontexten mit strengen Datenanforderungen, z. B. bei Behörden und Gesundheitsunternehmen. Die Weitergabe von Nutzerdaten an weitere Drittanbieter über Cloud-APIs ist bedenklich. Es ist wichtig, dass jede Datenübertragung sicher ist und kontinuierlich überwacht wird.

Clientseitige KI kann hier die Lösung sein. Es gibt noch viel zu forschen und zu entwickeln.

Erste Schritte mit KI im Web

Nachdem Sie sich mit den verschiedenen Arten von künstlicher Intelligenz vertraut gemacht haben, können Sie sich überlegen, wie Sie vorhandene Modelle nutzen können, um produktiver zu werden und bessere Websites und Webanwendungen zu erstellen.

Sie können KI für Folgendes verwenden:

Vortrainierte KI-Modelle können eine hervorragende Möglichkeit sein, unsere Websites, Web-Apps und Produktivität zu verbessern, ohne dass wir genau wissen müssen, wie die mathematischen Modelle erstellt und die komplexen Datasets erfasst werden, die die beliebtesten KI-Tools unterstützen.

Die meisten Modelle erfüllen Ihre Anforderungen möglicherweise sofort, ohne dass Sie weitere Anpassungen vornehmen müssen. Abstimmung ist der Prozess, bei dem ein Modell, das bereits mit einem großen Dataset trainiert wurde, weiter trainiert wird, um Ihren spezifischen Anforderungen gerecht zu werden. Es gibt verschiedene Verfahren, um ein Modell abzustimmen:

  • Reinforcement Learning from Human Feedback (RLHF) ist eine Technik, bei der menschliches Feedback verwendet wird, um die Ausrichtung eines Modells an menschlichen Präferenzen und Absichten zu verbessern.
  • Low-Rank Adaption (LoRA) ist eine parametereffiziente Methode für LLMs, die die Anzahl der trainierbaren Parameter reduziert, während die Modellleistung beibehalten wird.