Von Regeln zu lernenden Systemen

Ein Regelsystem, das funktioniert, bis sich die Welt ändert

Eine Firma prüft Rechnungen mit festen Regeln. Über 10.000 Euro braucht es eine zweite Freigabe. Fehlt die Bestellnummer, geht die Rechnung zurück. Stimmen Lieferant und Konto nicht überein, wird sie gesperrt.

So ein regelbasiertes System führt von Menschen festgelegte Regeln aus. Du kannst jede Entscheidung zurückverfolgen. Das ist praktisch. Der Ablauf bleibt aber nur so lange verlässlich, wie seine Regeln zur wirklichen Arbeit passen. Führt die Firma Teilrechnungen ein, ändert sich das Steuersystem oder kommt ein neuer Betrugsfall hinzu, muss jemand das Regelwerk ändern.

Um 2009 schrieb ich selbst einen kleinen Pokerbot. Ein Bot ist ein Programm, das eine Aufgabe automatisch ausführt. Ich hatte zwei Strategiebücher gelesen: Harrington on Online Cash Games: 6-Max No-Limit Hold'em und Ryan Fee's 6 Max NL Strategy Guide. Ihre Empfehlungen übertrug ich in feste Regeln. Hand, Position, vorherige Einsätze und einige Werte zum Gegner bestimmten die nächste Aktion.

Der Bot lernte nicht aus seinen Partien. Auf niedrigen Limits funktionierte er zuverlässig. Wechselten die Bedingungen oder spielte ein Gegner ungewöhnlich, fehlte schnell die passende Regel.

Frühe KI-Forschung beschrieb Wissen und Denken oft mit Symbolen, Regeln und Suche. Andere Forscher setzten auf veränderbare Zahlen, die aus Beispielen lernen. Beide Richtungen existierten lange nebeneinander. Heutige Systeme verbinden sie weiterhin.

Die Geschichte zeigt, welche Aufgaben ein Verfahren gut lösen kann und woran es scheitert.

Frühe Fragen zur Intelligenz von Maschinen

Im Jahr 1950 veröffentlichte der britische Mathematiker Alan Turing den Aufsatz Computing Machinery and Intelligence. Er begann mit der Frage, ob Maschinen denken können. Weil die Wörter „Maschine“ und „denken“ schwer abzugrenzen sind, ersetzte er die Frage durch ein beobachtbares Spiel.

Beim Imitationsspiel schreibt eine fragende Person mit zwei verborgenen Gegenübern. Eines ist ein Mensch. Das andere ist eine Maschine. Die fragende Person soll beide anhand der Antworten unterscheiden. Später wurde daraus der Ausdruck Turing-Test. Turing legte damit keinen allgemeingültigen Nachweis für Bewusstsein fest. Er schlug einen Versuch über sprachliches Verhalten vor.

Der nächste wichtige Text erschien bereits 1955. John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon beantragten ein Forschungsprojekt für den Sommer 1956 am Dartmouth College. Im Antrag stand der Ausdruck Artificial Intelligence. Auf Deutsch heißt das künstliche Intelligenz, kurz KI.

Die Antragsteller nahmen an, Lernen und andere Merkmale von Intelligenz ließen sich so genau beschreiben, dass eine Maschine sie nachbilden könne. Auf ihrer Themenliste standen Sprache, Abstraktion, Problemlösen, neuronale Netze und sich verbessernde Maschinen. Das Feld war also von Anfang an breiter als ein einzelnes Verfahren.

Im Sommer 1956 arbeiteten wechselnde Teilnehmer in Dartmouth an mehreren dieser Fragen. Daraus entstand keine fertige allgemeine Intelligenz. Der Antrag gab dem Forschungsgebiet aber einen Namen und formulierte ein sehr weites Programm. Dieser Unterschied ist wichtig: Ein Forschungsziel ist noch kein erreichter technischer Stand.

Symbolische KI und Expertensysteme

Stell dir einen Kundendienst vor, der jedes Anliegen in Kästchen sortiert. Enthält eine Nachricht das Wort „Rechnung“, fragt das Programm nach der Rechnungsnummer. Das kann ordentlich wirken. Verstehen muss es die Nachricht dafür nicht.

Joseph Weizenbaum beschrieb 1966 ein ähnliches Prinzip in seinem Programm ELIZA. Ein bekanntes Skript darin spielte einen Psychotherapeuten. Ein Skript ist hier eine Sammlung aus Suchmustern und Antwortregeln. ELIZA suchte Schlüsselwörter, zerlegte Sätze nach vorgegebenen Mustern und setzte Teile der Eingabe neu zusammen. Die Antworten klangen nach Gespräch, obwohl das Programm keine allgemeine Darstellung der besprochenen Welt aufbaute.

Der später so genannte ELIZA-Effekt beschreibt, dass Menschen solchen Ausgaben leicht mehr Verständnis zuschreiben, als die Technik belegt. Für deine Arbeit folgt daraus eine einfache Prüfung: Eine passende Formulierung sagt noch nicht, wie die Antwort zustande kam.

ELIZA gehörte zur symbolischen KI. Ein Symbol ist in diesem Zusammenhang ein eindeutig benannter Platzhalter für etwas, beispielsweise „Kunde“, „Rechnung“ oder „Infektion“. Symbolische Systeme verarbeiten solche Symbole mit ausdrücklich programmierten Regeln. Eine Suchmethode kann dann verschiedene erlaubte Schritte durchgehen, bis sie eine Lösung findet.

In den 1970er und 1980er Jahren wurden Expertensysteme zu einer wichtigen Anwendung dieser Idee. Ein Expertensystem bildet Wissen für ein enges Gebiet als Regeln ab. Seine Wissensbasis enthält Fakten und Regeln. Eine Schlussmaschine wendet diese Regeln auf einen konkreten Fall an.

MYCIN aus Stanford ist ein gut dokumentiertes Beispiel. Das Forschungsprogramm sollte Ärztinnen und Ärzte bei der Auswahl von Antibiotika für bestimmte bakterielle Infektionen beraten. Eine Veröffentlichung von 1975 beschreibt rund 200 Entscheidungskriterien in einer frühen Wissensbasis. MYCIN konnte außerdem erklären, welche Regeln zu einer Empfehlung geführt hatten. Es war ein Forschungssystem, kein allgemein eingesetztes Klinikprodukt.

Entscheidungen solcher Systeme ließen sich prüfen und Fachwissen ausdrücklich festhalten. Der Preis war die Pflege. Jede neue Ausnahme verlangte eine Regel. Bei Widersprüchen musste jemand den Konflikt auflösen. In einem engen Bereich kann das gut funktionieren. In einer offenen Welt wächst die Arbeit schnell.

Perzeptronen, neuronale Netze und Lernen aus Beispielen

Nehmen wir statt Regeln nun 100 einfache Bilder. Auf 50 Bildern steht ein Kreis. Auf den anderen 50 steht ein Quadrat. Das System bekommt zu jedem Bild die richtige Bezeichnung und verändert seine internen Zahlen nach jedem Fehler. Niemand schreibt eine Regel über Rundungen oder Ecken hinein.

Dieses Lernen aus Beispielen heißt maschinelles Lernen. Ein Verfahren sucht dabei Muster in Daten, statt jede Entscheidung als einzelne Fachregel zu erhalten. Die Beispiele legen trotzdem nicht von selbst fest, was gelernt werden soll. Menschen wählen Daten, Ziel und Messung.

Frank Rosenblatt veröffentlichte 1958 eine ausführliche Beschreibung des Perzeptrons. Ein Perzeptron ist ein einfaches lernendes Modell. Es multipliziert Merkmale einer Eingabe mit Gewichten, addiert die Ergebnisse und ordnet die Eingabe einer Kategorie zu. Ein Gewicht ist eine veränderbare Zahl. Sie bestimmt, wie stark ein Merkmal die Entscheidung beeinflusst. Bei Fehlern passt das Lernverfahren diese Gewichte an.

Das war technisch etwas anderes als ein langes Regelbuch. Das Verhalten entstand aus den angepassten Zahlen. Ein einzelnes Perzeptron konnte allerdings nur Aufgaben trennen, bei denen eine gerade Grenze zwischen den Klassen ausreichte. Für manche einfachen Muster genügt das. Andere lassen sich so nicht abbilden.

Ein neuronales Netz verbindet viele solcher vereinfachten Recheneinheiten. Künstliche Einheiten bilden biologische Nervenzellen trotz des Namens nicht genau nach. In einem Netz können mehrere Schichten nacheinander verschiedene Merkmale berechnen. Schichten zwischen Eingabe und Ergebnis heißen verborgene Schichten, weil ihr gewünschter Wert nicht direkt in den Beispieldaten steht.

Damit verschob sich die Arbeit. Bei symbolischen Systemen mussten Fachleute passende Regeln ausdrücken. Bei lernenden Systemen mussten Teams geeignete Beispiele, ein Lernziel und ein Verfahren zur Anpassung der Gewichte bereitstellen. Leicht war das ebenfalls nicht. Es war nur eine andere technische Idee.

Warum Erwartungen mehr als einmal einbrachen

Im Labor kann ein Übersetzungsprogramm mit ausgewählten Sätzen funktionieren. Im Alltag kommen Dialekte, doppeldeutige Wörter und fehlendes Weltwissen hinzu. Genau dieser Wechsel vom vorgeführten Fall zur offenen Nutzung traf viele frühe Projekte.

Ein Ausschuss der US-amerikanischen National Academy of Sciences bewertete 1966 die maschinelle Übersetzung. Sein Bericht sah damals keine Aussicht auf eine unmittelbar brauchbare automatische Übersetzung allgemeiner Texte. Er empfahl mehr Grundlagenforschung und Hilfsmittel für menschliche Übersetzer. Das war eine konkrete Prüfung eines Forschungsgebiets, kein Urteil über jede Form von KI.

In Großbritannien legte James Lighthill 1973 dem Science Research Council einen kritischen Überblick zur KI-Forschung vor. Er beschrieb Fortschritte in einzelnen Bereichen. Die Vorstellung einer einheitlichen KI-Forschung zwischen angewandter Automatisierung und Untersuchungen des Nervensystems überzeugte ihn dagegen nicht. Lighthill kennzeichnete den Text selbst als persönliche Sicht. Er enthielt keine detaillierten Kostenempfehlungen.

Später wurde diese Phase oft als erster KI-Winter bezeichnet. Ein KI-Winter ist eine Zeit, in der Finanzierung, wirtschaftliches Interesse oder öffentliche Aufmerksamkeit für KI deutlich sinken. Das Bild ist griffig, aber ungenau. Forschung an neuronalen Netzen, Suche, Robotik und statistischen Verfahren lief weiter. Länder und Geldgeber änderten ihre Schwerpunkte zu unterschiedlichen Zeiten.

In den 1980er Jahren entstanden besondere Rechner für die Programmiersprache Lisp, die häufig in der symbolischen KI verwendet wurde. Ein technischer Rückblick von 1988 beschreibt ihre Bauweise und die Erfahrungen mit diesen Systemen. Er belegt keinen Einbruch von Märkten, Investitionen oder Forschungsprogrammen.

Auch die Bezeichnung zweiter KI-Winter fasst verschiedene Entwicklungen zusammen. Für einen Hardwaremarkt gelten andere Bedingungen als für eine Hochschule oder ein Förderprogramm. Ohne getrennte Quellen lassen sich weder eine gemeinsame Ursache noch ein einheitlicher Zeitraum festlegen. Regelbasierte Systeme blieben in engen Aufgaben nützlich.

Der wiederkehrende Fehler lag oft im Sprung von „funktioniert in diesem begrenzten Fall“ zu „löst bald das ganze Problem“. Diese beiden Aussagen solltest du auch bei heutigen Vorführungen auseinanderhalten.

Daten, Rechenleistung und Backpropagation beleben neuronale Netze

Ein Netz soll auf Fotos fehlerhafte Bauteile erkennen. Es meldet bei einem guten Teil einen Fehler. Für das letzte Ergebnis ist nicht nur die letzte Schicht verantwortlich. Frühere Schichten haben Kanten, Formen und Oberflächen in Zahlen übersetzt. Das Lernverfahren muss deshalb herausfinden, welche Gewichte in allen Schichten etwas zum Fehler beigetragen haben.

Backpropagation ist ein Verfahren, das den Fehler vom Ergebnis rückwärts durch ein Netz verteilt. Für jedes Gewicht lässt sich berechnen, in welche Richtung eine kleine Änderung den Fehler senken würde. Danach verändert das Training viele Gewichte ein wenig. Mit weiteren Beispielen wiederholt sich dieser Ablauf.

David Rumelhart, Geoffrey Hinton und Ronald Williams zeigten 1986 in Nature, wie solche Netze interne Darstellungen lernen können. Backpropagation hatte mathematische und technische Vorläufer. Die Veröffentlichung machte das Verfahren für Netze mit verborgenen Schichten weithin bekannt.

Für große Netze brauchte die Forschung geeignete Beispiele, genügend Speicher, schnelle Rechenwerke und bessere Trainingsmethoden. Digitale Kameras und das Internet lieferten große Sammlungen. Datensätze mit richtigen Bezeichnungen erleichterten Vergleiche. Besonders nützlich wurden Grafikprozessoren. Die englische Bezeichnung Graphics Processing Unit wird als GPU abgekürzt.

Eine GPU enthält viele Recheneinheiten, die ähnliche Rechnungen gleichzeitig auf verschiedene Zahlen anwenden. Neuronale Netze bestehen zu großen Teilen aus solchen wiederholten Multiplikationen und Additionen. Deshalb passte die Hardware gut zur Trainingsarbeit. Rechnungen, die nacheinander zu lange gedauert hätten, konnten parallel laufen.

Deep Learning bezeichnet das Lernen mit neuronalen Netzen aus vielen Rechenschichten. „Tief“ meint hier die Folge dieser Schichten. Der Ausdruck sagt noch nichts über Verstehen, Zuverlässigkeit oder Eignung für deinen Prozess.

Mehr Daten und Rechenleistung lösen kein falsch gewähltes Ziel. Stammen alle Beispiele aus einer Fabrik, kann das Netz deren Beleuchtung lernen. Auch ein lernendes System bleibt an Daten, Aufgabe und Prüfung gebunden.

Bilderkennung und AlphaGo

Ein Bild mit einem Hund ist für einen Computer zunächst eine große Tabelle aus Farbwerten. Frühere Bilderkennung beruhte oft auf Merkmalen, die Fachleute auswählten. Sie beschrieben Kanten, Ecken oder bestimmte Formen. Ein nachgelagertes Verfahren ordnete diese Merkmale einer Kategorie zu.

ImageNet schuf eine gemeinsame Grundlage für einen anderen Ansatz. Die Forschenden stellten 2009 eine große, nach Begriffen geordnete Bilddatenbank vor. Später verglich ein Wettbewerb Systeme auf einem festgelegten Ausschnitt. Ein Datensatz ist eine für Training oder Untersuchung zusammengestellte Sammlung.

Im Wettbewerb von 2012 senkte das später AlexNet genannte Netz die Fehlerrate deutlich. Beim Maß für die fünf wahrscheinlichsten Antworten lag es mehr als zehn Prozentpunkte vor dem zweitbesten Beitrag. Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton trainierten das Netz auf GPUs.

AlexNet war ein faltendes neuronales Netz. Der englische Name Convolutional Neural Network wird als CNN abgekürzt. Ein solches Netz wendet gelernte Filter an vielen Stellen eines Bildes an. Dadurch kann derselbe Filter eine Kante links oben und rechts unten erkennen. Spätere Schichten verbinden einfache Muster zu komplexeren Formen. Das Netz lernte die Filter aus Bildern, statt nur handgebaute Bildmerkmale zu übernehmen.

Neuronale Netze, gelernte Filter und Backpropagation waren älter. Nun kamen große bezeichnete Datenmengen, passende Hardware und bessere Trainingsmethoden zusammen.

IBM Deep Blue schlug 1997 den amtierenden Schachweltmeister Garri Kasparow in einem Wettkampf. Das System verband sehr schnelle Suche mit einer von Fachleuten entwickelten Bewertung. Suche bedeutet hier, mögliche Zugfolgen zu berechnen und ihre Ergebnisse zu vergleichen.

AlphaGo von DeepMind verband 2016 Lernen und Suche anders. Vor dem Wettkampf gegen Lee Sedol lernte es zunächst aus Partien starker Menschen. Danach verbesserte es sich durch Spiele gegen frühere Versionen seiner selbst. Lernen aus Handlungen und anschließender Rückmeldung heißt Reinforcement Learning. Eine Baumsuche untersuchte zusätzlich mögliche Zugfolgen, konzentrierte die Rechnung aber mit Hilfe der gelernten Netze auf aussichtsreiche Stellen.

Der Nachfolger AlphaGo Zero begann nur mit den Spielregeln und lernte durch Selbstspiel. Das zeigte, wie weit ein System mit klaren Regeln, eindeutiger Rückmeldung und viel erzeugter Erfahrung kommen kann.

Auch Poker machte den Wechsel sichtbar. Mein Bot übertrug Bücher in Regeln. Pluribus von Noam Brown und Tuomas Sandholm schlug 2019 beteiligte Profis im Sechser-Poker. Seine Grundstrategie entstand durch Selbstspiel und wurde während einer Partie durch begrenzte Suche ergänzt.

Transformer und Modelle für viele Aufgaben

Nehmen wir einen einzigen Textanfang: „Fasse den Vertrag in fünf Punkten zusammen.“ Dasselbe Modell kann danach einen Brief entwerfen, einen Satz übersetzen oder Programmcode erklären. Es bekommt jeweils eine andere Aufgabe in Textform. Für diese Breite muss niemand für jede Anfrage ein neues Modell trainieren.

Ein wichtiger technischer Schritt dazu wurde 2017 veröffentlicht. Acht Forscher stellten in Attention Is All You Need den Transformer vor. Der Transformer ist ein Aufbau für neuronale Netze, der Beziehungen zwischen Positionen einer Folge mit Attention berechnet. Attention bedeutet hier: Das Netz gewichtet, welche anderen Positionen für die aktuelle Verarbeitung wichtig sind.

Text gelangt als Folge von Tokens in das Modell. Ein Token ist ein nummerierter Textbaustein. Das kann ein Wortteil, ein kurzes Wort oder ein Satzzeichen sein. Die genaue Zerlegung folgt später im Buch.

Vor dem Transformer nutzten viele Sprachsysteme rekurrente Netze. Rekurrent bedeutet, dass ein Netz einen Zustand Schritt für Schritt weitergibt. Der Transformer verarbeitete Positionen beim Training stärker parallel. Dadurch passte er gut zu großen Datenmengen und vielen GPUs.

Das ursprüngliche Papier behandelte Übersetzung. Später wurde die Architektur für andere Aufgaben verwendet. Ein allgemeines Sprachmodell lernt aus großen Textmengen und lässt sich danach über Text auf verschiedene Aufgaben lenken. „Allgemein“ bedeutet hier viele sprachliche Aufgaben, nicht unbegrenzte oder sichere Fähigkeiten.

GPT-3 von OpenAI zeigte 2020 diese Arbeitsweise in großem Maßstab. Anweisungen und wenige gelöste Beispiele standen direkt im Eingabetext. Das Modell bearbeitete weitere Fälle ohne neue Gewichtsänderung. Dieses Verhalten heißt Lernen aus dem Kontext. Die Beispiele wirken nur in der aktuellen Eingabe.

Am 30. November 2022 veröffentlichte OpenAI ChatGPT. ChatGPT war ein Produkt mit einer Gesprächsoberfläche. Der Transformer war die ältere technische Grundlage der verwendeten Sprachmodelle. Training nach dem allgemeinen Sprachtraining half dem System außerdem, Anweisungen in Dialogen zu befolgen. Dieses weitere Training heißt Post-Training.

Damit kamen ältere Ideen in einer leicht zugänglichen Anwendung zusammen. Kapitel 4 trennt das Modell genauer von der Anwendung darum herum. Für die Geschichte reicht diese Unterscheidung: Die Oberfläche war für viele Nutzer neu. Die technischen Ideen darunter waren über Jahre entstanden.

Die Bitter Lesson als wiederkehrendes Muster

Ein Schachprogramm kann tausend von Großmeistern formulierte Regeln enthalten. Ein anderes durchsucht mit wachsender Rechenleistung immer mehr Stellungen und lernt bessere Bewertungen. Über längere Zeit gewinnt häufig das Verfahren, das zusätzliche Rechnung und Erfahrung besser nutzen kann.

Rich Sutton beschrieb dieses Muster 2019 in seinem Essay The Bitter Lesson. Auf Deutsch bedeutet der Titel „die bittere Lehre“. Sutton arbeitet am Reinforcement Learning. Seine Beobachtung war, dass allgemeine Verfahren für Suche und Lernen langfristig oft stärker wurden als Lösungen mit viel fest eingebautem Fachwissen. Der Grund war nicht, dass Fachleute nichts wussten. Ihre Regeln ließen sich nur schwer mit immer mehr Rechenleistung erweitern.

Mehrere Stationen dieses Kapitels passen dazu. Deep Blue nutzte sehr schnelle Suche, behielt aber menschlich entwickelte Bewertungsregeln. AlexNet lernte Bildmerkmale aus Daten. AlphaGo verband gelernte Bewertungen mit Suche. AlphaGo Zero verringerte den Anteil menschlicher Spielbeispiele noch weiter. Große Sprachmodelle lernen aus vielen Texten, statt für jede sprachliche Aufgabe ein eigenes Grammatikprogramm zu erhalten.

Die Bitter Lesson ist eine historische Beobachtung und kein Naturgesetz. Suche braucht einen Raum erlaubter Möglichkeiten. Lernen braucht Daten oder erzeugte Erfahrung. Reinforcement Learning braucht eine Rückmeldung, die gutes Verhalten von schlechtem unterscheidet. Menschen legen diese Voraussetzungen fest. Bei Rechnungsfreigaben, Zugriffsrechten und Gesetzen bleiben ausdrücklich formulierte Regeln sogar notwendig.

Auch Sprachmodelle passen nicht in jede einfache Lesart. Sie lernen überwiegend aus Daten, die Menschen erzeugt haben. Während einer gewöhnlichen Nutzung verändern sie ihre Gewichte nicht automatisch durch neue Erfahrung. Künftige Systeme können Sprachwissen stärker mit Handlungen und Rückmeldungen verbinden. Daraus folgt aber nicht, dass Regeln, Fachwissen oder menschliche Prüfung verschwinden.

Nutze die Bitter Lesson deshalb als Frage: Kann ein Verfahren aus zusätzlicher Rechnung oder Erfahrung besser werden, ohne dass Menschen jede neue Lösung einzeln beschreiben müssen? Die Antwort hilft beim Vergleich von Methoden. Sie entscheidet nicht allein, welches System in deinem Unternehmen sicher und wirtschaftlich arbeitet.

Die Grenzen dieser kurzen Geschichte

Dieses Kapitel lässt viel aus. Statistische Mustererkennung, Wahrscheinlichkeitsmodelle, Optimierung, Robotik und evolutionäre Verfahren gehören ebenfalls zur Geschichte der KI. Forschung außerhalb der USA und Großbritanniens kommt hier kaum vor. Auch die Arbeit an Datensätzen, Chips, Softwarebibliotheken und Messverfahren verschwindet leicht hinter wenigen bekannten Namen.

Die ausgewählten Jahreszahlen sind ebenfalls keine Startknöpfe. Rosenblatts Veröffentlichung von 1958 schuf nicht an einem Tag das maschinelle Lernen. Das Backpropagation-Papier von 1986 hatte Vorläufer. AlexNet setzte ältere Verfahren unter besseren Bedingungen ein. Der Transformer von 2017 baute auf Attention und weiteren Arbeiten auf.

Auch der Begriff KI wandert. Eine Technik kann zuerst als KI gelten und später nur noch „Software“ heißen, sobald sie alltäglich wird. Umgekehrt werden alte statistische Verfahren unter einem neuen Produktnamen erneut als KI verkauft. Der Name verrät dir deshalb wenig über die technische Methode.

Die KI-Winter sind eine weitere Vereinfachung. Es gab keinen Thermostat für ein weltweites Forschungsfeld. Manche Budgets sanken, während andere Arbeiten weiterliefen. Manche Firmen verschwanden, während regelbasierte Systeme in engen Bereichen produktiv blieben. Die Bezeichnung hilft bei der groben Orientierung. Für Ursachen und genaue Zeiträume brauchst du immer den jeweiligen Bericht, Geldgeber, Markt und Forschungszweig.

Eine kurze Geschichte kann also technische Linien zeigen. Sie kann keine zwangsläufige Entwicklung beweisen. Sie liefert auch keine Prognose, ob die heutige Aufmerksamkeit wächst oder sinkt.

Was Unternehmen daraus mitnehmen können

Ein Anbieter zeigt dir eine „kognitive, agentische Lernplattform“. Der Name klingt neu. Für die Entscheidung brauchst du zuerst einfachere Fragen. Welche Aufgabe bearbeitet das System? Welche Teile sind feste Regeln? Welche Teile wurden aus Daten gelernt? Was wird bei einer Änderung neu trainiert und was nur neu eingestellt?

Die dauerhaften Methoden liegen meist unter den wechselnden Etiketten. Regeln eignen sich für klare Grenzen, Berechtigungen und bekannte Ausnahmen. Gelernte Modelle eignen sich für Muster, die sich aus genügend passenden Beispielen ableiten lassen. Suche eignet sich, wenn viele mögliche Schritte bewertet werden können.

Ein Rechnungssystem kann mehrere Methoden verbinden. Ein gelerntes Modell liest den Beleg. Feste Regeln prüfen Pflichtfelder und Freigabegrenzen. Eine Suche gleicht Bestellnummern ab. Jede Methode löst einen anderen Teil derselben Aufgabe.

Für einen Pilotversuch solltest du deshalb vier Fragen beantworten:

1. Welche konkrete Aufgabe gehört zum heutigen Ablauf?
2. Welche Teile beruhen auf Regeln, Daten oder Suche?
3. Unter welchen Bedingungen passt diese Grundlage nicht mehr?
4. Welches messbare Ergebnis soll besser werden, und welche Fehlerfolgen zählen?

Ein gelerntes Modell kann durch neue Daten veralten. Ein Regelwerk kann durch neue Vorschriften veralten. Eine Suchmethode kann scheitern, wenn sich Ablagen oder Bezeichnungen ändern. Deshalb braucht jede Methode eine passende Prüfung und Pflege.

Die wichtigste geschäftliche Lehre aus der Geschichte ist daher nüchtern: Kaufe keine Epoche und kein Schlagwort. Prüfe die verwendeten Methoden im wirklichen Arbeitsablauf.

Regeln, Lernen und die nächste Ebene

Prüfe die technische Linie noch einmal an vier Fragen:

1. Warum kann ein regelbasierter Pokerbot zuverlässig spielen und trotzdem nicht aus einer neuen Strategie lernen?
2. Was verändert Backpropagation in einem neuronalen Netz?
3. Warum erklärt der Ausdruck „KI-Winter“ keinen einheitlichen Zeitraum und keine einzelne Ursache?
4. Was behauptet die Bitter Lesson, und warum ist sie trotzdem kein Naturgesetz?

Du solltest außerdem die Verfahren auseinanderhalten können. Symbolische KI verarbeitet ausdrücklich benannte Symbole und Regeln. Maschinelles Lernen passt Werte anhand von Daten an. Suche vergleicht mögliche Schritte. Moderne Anwendungen können alle drei verbinden.

Sprachmodelle sind damit nur ein Teil der KI. Bilder, Ton, Empfehlungen, Zeitreihen und Tabellen brauchen oft andere Arten von Modellen. Kapitel 3 ordnet sie nach ihren Aufgaben. Kapitel 4 betrachtet danach das Sprachmodell und das vollständige System darum herum.