Lernziele
Verstehen, welche Aufgaben KI übernehmen kann und welche nicht. Wissen, welche Ressourcen nötig sind. Chancen und Grenzen von KI in der Praxis kritisch abwägen können. Konkrete Aufgaben identifizieren, bei denen KI helfen kann.
Wo kann KI helfen, wo nicht?
Künstliche Intelligenz ist dann sinnvoll, wenn sie klar definierte Aufgaben schneller oder genauer erledigt als Menschen. Typische Anwendungsfälle sind das Auswerten großer Datenmengen oder das Automatisieren immer gleicher Abläufe. Aber, nicht immer ist KI die beste Lösung. Stell Dir deshalb bei jedem Projekt ein paar einfache Fragen.
Geht es um besonders sensible Daten wie Gesundheitsinfos oder politische Einstellungen? Dann brauchst Du strenge Datenschutzmaßnahmen. In Kapitel 4 geben wir Dir mehr Informationen zu den rechtlichen Rahmenbedingungen.
Ist der Einsatz von Künstlicher Intelligenz teuer und kompliziert und bringt nur einen geringen Nutzen? Dann lohnt sich vielleicht eine einfache Lösung, zum Beispiel eine gut strukturierte Datenbank.
Lässt sich das Problem überhaupt mit Daten lösen? Wenn es um Einschätzungen, Vertrauen oder Kreativität geht, ist menschliches Urteilsvermögen oft besser.
Ist das Anwendungsbeispiel komplex? Dann überlege, ob Du nur einen Teil davon automatisieren kannst und den Rest des Prozess beibehältst wie bisher.
Künstliche Intelligenz ist ein Werkzeug, es hilft nur, wenn Du genau weißt, was Du erreichen möchtest und was das KI-Modell kann, mit dem Du arbeiten willst.
Was brauchst du für deine eigene KI-Anwendung?
Du brauchst verschiedene Ressourcen, um KI effektiv einzusetzen: Daten, Technik, Wissen, Energie, Zeit und Geld.
Erstens Daten. KI lernt aus Beispielen. Wenn Du etwa Texte zusammenfassen möchtest, brauchst Du dafür viele, gut strukturierte Texte. Die Daten sollten zur Aufgabe passen, vollständig sein und keine Fehler enthalten. Sie können aus Deiner Organisation stammen, aus öffentlich zugänglichen Quellen, von Forschungseinrichtungen oder Kooperationspartnern.
Zweitens Technik. Viele KI-Tools laufen im Browser, wie zum Beispiel Chatbots. Für eigene Modelle oder große Datenmengen brauchst Du mehr: gute Hardware, schnelles Internet, ausreichend Speicherplatz und Software-Schnittstellen.
Drittens Wissen. Mindestens eine Person im Team muss wissen, wie man mit Daten umgeht, Tools auswählt, die KI-Infrastruktur instand hält und den Datenschutz beachtet. Du kannst Dir für diese Fragen auch Beratung und Unterstützung von extern holen.
Viertens Energie. Große KI-Modelle brauchen viel Strom und Wasser zur Kühlung. Frag Dich also: Muss es wirklich KI sein? Oder reicht eine einfachere, sparsamere Lösung?
Fünftens Zeit und Geld. KI spart langfristig Arbeit, kostet aber anfangs beides: Zeit, um Daten aufzubereiten, Tools zu testen und Lösungen anzupassen. Und Geld für Lizenzen, Software, Beratung oder Schulungen.
Datenarten und -quellen
Datenarten im Überblick und wo Du sie findest.
Strukturierte Daten sind systematisch organisiert, zum Beispiel in Tabellen oder Datenbanken. Sie lassen sich leicht analysieren und eignen sich besonders für KI-Anwendungen wie Prognosen oder Klassifikationen.
Zu unstrukturierten Daten gehören Texte, Bilder, Audiodateien oder Videos, also Inhalte ohne feste Ordnung. Künstliche Intelligenz kann auch damit arbeiten. Ton wird beispielsweise in mathematische Vektoren umgewandelt. Diese Wellenformen kann das Modell dann verarbeiten.
Halbstrukturierte Daten enthalten teilweise eine erkennbare Struktur, zum Beispiel strukturierte Formularantworten mit Checkboxen und unstrukturierte Antworten in Freitextfeldern. Halbstrukturierte Daten können in JSON-Dateien gespeichert werden, einem sprachunabhängigen Datenformat. JSON-Dateien ermöglichen den einfachen Datenaustausch zwischen Webanwendungen und Server. Halbstrukturierte Daten erfordern flexible Analysemethoden.
Zeitreihendaten zeigen Entwicklungen im Zeitverlauf, etwa Nutzerzahlen pro Woche. Sie eignen sich für Trendanalysen und Vorhersagemodelle.
Geodaten sind Daten mit Ortsbezug, zum Beispiel Standorte von Projekten oder Regionen nach Postleitzahl. Damit lassen sich Karten erstellen oder regionale Unterschiede analysieren.
Woher bekommst Du passende Daten?
Viele Organisationen besitzen wertvolle Daten: Protokolle, Umfragen, Social-Media-Auswertungen, Teilnehmerlisten. Hierbei ist es wichtig, den Datenschutz zu beachten.
Das passende KI-Modell finden
Fünf wichtige Modelltypen und wie Du dein KI-Modell findest.
Was soll die KI tun? Wähle zuerst die Aufgabe. Willst Du Texte analysieren? Vorhersagen treffen? Bilder auswerten? Sprache verarbeiten? Oder Empfehlungen geben?
Es gibt fünf wichtige Modelltypen:
Klassifikation sortiert Inhalte in Gruppen. Ist eine E-Mail beispielsweise Spam oder nicht?
Regression sagt Zahlenwerte voraus. Zum Beispiel: Wie viele Leute kommen nächsten Monat zu deinem Event?
Clustering gruppiert ähnliche Dinge, ohne Vorgaben. Etwa: Welche Website-Nutzer verhalten sich ähnlich?
Sprachmodelle, wie ChatGPT, Claude oder Gemini erzeugen Texte. Sie sind hilfreich für Zusammenfassungen, Antworten oder Textentwürfe.
Bilderkennung erkennt, was auf Fotos oder Videos zu sehen ist. Sie kann Gesichter erkennen, Objekte zählen oder Stimmungen einschätzen.
Wie kommst Du nun an dein KI-Modell? Es gibt zwei Wege:
Open Source-Plattformen wie Hugging Face oder GitHub bieten viele Modelle kostenlos an. Die sind flexibel, aber Du brauchst dafür oft technisches Know-how.
Modelle von kommerziellen Anbietern, wie Google Cloud, Microsoft Azure, OpenAI oder Anthropic, kannst Du über Web-Oberflächen oder API-Schnittstellen direkt nutzen.
Es gibt noch viele andere Modelle, die hier nicht genannt worden sind.
Wichtige Kriterien für Deine Auswahl sind: Passt das Modell zur Aufgabe? Ist es leicht bedienbar? Was kostet es? Und: Wie werden Deine Daten behandelt?