Wie funktioniert eine KI? Von Daten zu Entscheidungen

Eine moderne KI wirkt oft wie eine Blackbox: Man gibt etwas hinein, es kommt etwas Sinnvolles heraus, und dazwischen liegt scheinbar Magie. Tatsächlich lässt sich der Weg, den Informationen durch ein KI-System nehmen, gut nachvollziehen. Er führt in klaren Schritten von rohen Daten über eine mathematische Repräsentation hin zu einer Entscheidung oder Vorhersage. Wer diesen Weg kennt, versteht auch, warum KI-Systeme zuverlässig sein können – und an welchen Stellen sie unweigerlich Fehler machen. Dieser Artikel zeichnet den Ablauf nach, ohne Formeln, aber mit dem nötigen Ernst.

Alles beginnt mit Daten

Am Anfang steht immer die Beobachtung. Eine KI hat keinen direkten Zugang zur Welt; sie kennt nur, was ihr in Form von Daten vorliegt. Diese Daten können Bilder sein, Texte, Messwerte einer Maschine, Verkaufszahlen oder Tonaufnahmen. Für den Computer sind sie sämtlich Zahlen: Ein Bild wird zu einer Tabelle von Helligkeitswerten, ein Wort zu einer Zahlenfolge, ein Sensorwert zu einer Messreihe.

Die Qualität dieser Daten entscheidet über alles Weitere. Ein System kann nur Zusammenhänge finden, die in den Daten tatsächlich enthalten sind. Sind die Daten verzerrt, lückenhaft oder veraltet, überträgt sich dieser Mangel unweigerlich auf die Ergebnisse. In der Fachwelt gilt daher der nüchterne Grundsatz: „Garbage in, garbage out" – schlechte Daten führen zu schlechten Ergebnissen, gleich wie ausgefeilt das Verfahren ist.

Merkmale: Was ist an den Daten wichtig?

Rohdaten sind selten unmittelbar nutzbar. Der nächste Schritt besteht darin, aus ihnen die aussagekräftigen Größen herauszuarbeiten – die sogenannten Merkmale oder Features. Bei der Vorhersage eines Immobilienpreises wären das etwa Wohnfläche, Lage, Baujahr und Zustand. Jedes Merkmal ist eine Dimension, an der das System die Beispiele voneinander unterscheidet.

In der klassischen KI wurden diese Merkmale von Fachleuten von Hand entworfen – eine mühsame, aber gut kontrollierbare Arbeit. Ein wesentlicher Fortschritt des Deep Learning bestand darin, diesen Schritt zu automatisieren: Tiefe neuronale Netze lernen die relevanten Merkmale selbst aus den Rohdaten. Als das Bilderkennungssystem AlexNet 2012 einen großen Wettbewerb gewann, war die entscheidende Botschaft genau diese – dass sich Merkmale direkt aus Daten lernen lassen und die von Hand entworfenen übertreffen können. Vorher war das in der Bildverarbeitung eine Minderheitenposition; danach wurde es zum Standard.

Das Modell: eine Landkarte der Zusammenhänge

Im Zentrum jedes KI-Systems steht das Modell. Man kann es sich als eine sehr flexible mathematische Funktion vorstellen, die Eingaben auf Ausgaben abbildet – Merkmale hinein, Vorhersage heraus. Diese Funktion enthält viele einstellbare Größen, die Parameter. Beim genannten AlexNet waren es rund 60 Millionen; heutige Sprachmodelle haben ein Vielfaches davon.

Der Sinn des Modells besteht darin, aus vielen Beispielen ein verallgemeinerbares Muster abzuleiten. Es geht nicht darum, die Trainingsbeispiele auswendig zu lernen, sondern die zugrunde liegende Regelmäßigkeit zu erfassen, sodass auch neue, nie gesehene Fälle sinnvoll behandelt werden. Diese Fähigkeit heißt Generalisierung – sie ist der eigentliche Wert eines Modells.

Training: Das Modell justiert sich selbst

Zu Beginn sind die Parameter zufällig gewählt, das Modell rät. Im Training zeigt man ihm Beispiel für Beispiel, vergleicht die Vorhersage mit der bekannten richtigen Antwort und misst den Fehler. Anschließend werden die Parameter geringfügig so angepasst, dass der Fehler kleiner wird. Dieser Zyklus wiederholt sich millionenfach.

Das mathematische Verfahren dahinter ist im Kern ein systematisches Bergabgehen im „Fehlergebirge": Man sucht die Richtung, in der der Fehler am schnellsten sinkt, und macht einen kleinen Schritt dorthin. Über viele Durchläufe – bei AlexNet etwa 90 vollständige Durchgänge durch 1,2 Millionen Bilder – sinkt der Fehler, und das Modell wird treffsicherer. Dieser Prozess ist rechenintensiv; erst der Einsatz von Grafikprozessoren machte ihn in vertretbarer Zeit möglich.

Von der Vorhersage zur Entscheidung

Ist das Modell trainiert, kann es in Betrieb gehen. In dieser Phase, der Inferenz, verarbeitet es neue Eingaben und liefert eine Ausgabe – oft in Form von Wahrscheinlichkeiten. Ein Bilderkennungssystem gibt nicht schlicht „Katze" aus, sondern etwa „92 Prozent Katze, 5 Prozent Hund, 3 Prozent Sonstiges". Erst eine nachgelagerte Regel, etwa „nimm die wahrscheinlichste Klasse", macht daraus eine Entscheidung.

Diese Unterscheidung ist praktisch bedeutsam. Eine KI trifft keine Entscheidungen im menschlichen Sinne; sie berechnet Wahrscheinlichkeiten. Ob und wie diese in Handlungen übersetzt werden, ist eine Gestaltungsfrage – und häufig der Punkt, an dem menschliche Aufsicht ansetzen sollte. Bei folgenreichen Entscheidungen ist es sinnvoll, die berechnete Sicherheit sichtbar zu machen und niedrige Werte einem Menschen vorzulegen.

Warum KI-Systeme Fehler machen

Aus diesem Ablauf ergeben sich die typischen Grenzen von selbst. Ein Modell kennt nur die Welt seiner Trainingsdaten. Begegnet ihm im Betrieb etwas grundlegend Neues, extrapoliert es auf unsicherem Grund. Es unterscheidet zudem nicht zwischen Ursache und bloßer Korrelation: Findet es in den Daten einen zufälligen Zusammenhang, wird es ihn nutzen, auch wenn er sachlich unsinnig ist. Und da es Wahrscheinlichkeiten berechnet, ist ein gewisser Anteil an Fehlern nicht Ausdruck eines Defekts, sondern der Natur des Verfahrens.

Das ist kein Grund zur Skepsis, aber zur Sorgfalt. Ein verantwortungsvoll eingesetztes KI-System wird laufend überwacht, an neuen Daten überprüft und mit klaren Zuständigkeiten hinterlegt, wer im Zweifel eingreift.

Fazit

Der Weg einer KI führt in nachvollziehbaren Schritten von Daten über Merkmale und Modell bis zur wahrscheinlichkeitsbasierten Entscheidung. Keine Stufe davon ist magisch; jede ist überprüf- und gestaltbar. Diese Transparenz ist zugleich der Hebel für den Unternehmenseinsatz: Wer weiß, dass alles mit den Daten beginnt und mit einer Wahrscheinlichkeit endet, kann Qualität, Aufsicht und Verantwortung an den richtigen Stellen verankern.

Bei ULTRA Intelligence begleiten wir Unternehmen genau entlang dieser Kette – von der Frage, welche Daten vorhanden sind, bis zur Einbindung eines Modells in den Arbeitsalltag, mit menschlicher Kontrolle an den entscheidenden Punkten.