Ein Kollege fragte mich, ob „die KI" erkennen könne, wann eine Pumpe ausfällt. Ich fragte zurück, ob er ChatGPT meint. Er meinte ja. Wir haben zehn Minuten aneinander vorbeigeredet, bevor klar war: Er wollte ein Modell, das aus Messwerten eine Vorhersage macht. Das ist etwas völlig anderes als ein Chat, auch wenn beides „KI" heißt.
Kein Programm, sondern eine abgeleitete Funktion
Klassische Software besteht aus Regeln, die jemand hingeschrieben hat. Wenn der Druck unter drei bar fällt, dann Alarm. Wer den Quelltext liest, sieht jede Bedingung.
Ein Modell entsteht anders. Man gibt ihm Beispiele und lässt es selbst herausfinden, welcher Zusammenhang darin steckt. Am Ende steht kein Regelwerk, sondern eine Funktion mit sehr vielen Zahlen darin, den sogenannten Parametern. Diese Zahlen sind das Ergebnis des Trainings. Niemand hat sie einzeln festgelegt, und niemand kann sie einzeln erklären.
Genau deshalb kann ein Modell Dinge, die niemand programmiert hat. Und genau deshalb macht es Fehler, die niemand vorhergesehen hat.
Auch die EU-Verordnung setzt an dieser Stelle an. Sie definiert ein KI-System als etwas, das aus Eingaben ableitet, wie Ausgaben erzeugt werden, und dabei nach der Inbetriebnahme anpassungsfähig sein kann (Verordnung (EU) 2024/1689, Artikel 3). Das Wort „ableiten" trennt sie von gewöhnlicher Software.
Drei Arten zu lernen
Überwachtes Lernen. Man zeigt dem Modell Beispiele mit der richtigen Antwort dazu. Tausend Bilder von Rissen, jedes mit der Angabe, ob es ein Riss ist. Danach kann es neue Bilder einordnen. Das ist die häufigste Art, und sie braucht beschriftete Daten. Genau daran scheitern die meisten Vorhaben: Die Daten liegen vor, die Beschriftung fehlt.
Unüberwachtes Lernen. Man zeigt Beispiele ohne Antwort und lässt das Modell Muster finden. Es gruppiert, was sich ähnelt, oder meldet, was aus der Reihe fällt. Nützlich, wenn man nicht weiß, wonach man suchen soll.
Bestärkendes Lernen. Das Modell probiert etwas und bekommt Rückmeldung, ob es besser oder schlechter geworden ist. So hat DeepMind ein Programm auf Go trainiert, das 2016 einen der besten Spieler der Welt schlug (Silver u. a., Nature 529, 2016). Diese Art braucht keine beschrifteten Daten, dafür eine Umgebung, in der sich Millionen Versuche durchspielen lassen.
Sprachmodelle nutzen alle drei nacheinander: erst riesige Textmengen ohne Beschriftung, dann Beispiele mit gewünschter Antwort, zuletzt Rückmeldung von Menschen, welche Antwort besser war.
Was das praktisch heißt
Bevor jemand fragt, ob KI ein Problem lösen kann, kläre ich drei Dinge:
- Gibt es Beispiele mit richtiger Antwort? Dann ist überwachtes Lernen möglich. Wenn nicht, ist es der teuerste Teil des Vorhabens, sie zu erzeugen.
- Soll etwas gefunden oder etwas erzeugt werden? Einordnen und vorhersagen ist eine andere Aufgabe als Texte schreiben. Für das eine braucht es ein eigenes Modell auf eigenen Daten, für das andere reicht meist ein fertiges.
- Muss die Entscheidung erklärbar sein? Dann ist ein Modell mit Millionen Parametern die falsche Wahl, egal wie gut es trifft.
Bei der Pumpe meines Kollegen war die Antwort: überwachtes Lernen, aber es gab keine beschrifteten Ausfälle. Die Messwerte lagen vor, nur wusste niemand mehr, wann welche Pumpe warum stehen geblieben war. Das Vorhaben scheiterte nicht an der KI. Es scheiterte an der Ablage.