Künstliche Intelligenz – Geschichte & Entwicklung
Von Logik & Expertensystemen über statistisches Lernen und Deep Learning bis hin zu Transformer, Multimodalität, Diffusion, RLHF, RAG und Agenten – mit Praxisbezug & Governance.
Epochen & Paradigmen
Symbolische KI
Logik, Regeln, Wissensbasen, Planung und Suche (A*, STRIPS). Stärken: Erklärbarkeit, formale Kontrolle. Schwächen: Rauschen, Wahrnehmung.
Statistik & klassisches ML
SVM, Bayes, Ensembles, Regressionsmodelle. Solide für strukturierte Daten, benötigt Feature-Engineering und saubere Evaluation.
Deep & Generative KI
CNN/RNN/Transformer, Diffusion, RLHF. Automatisches Merkmallernen, große Vortrainingskorpora, Multimodalität & Tool-Use.
Zeitstrahl
Formale Logik, Automaten, Rechenmaschinen; Grundlagen des maschinellen Schließens.
Turing-Maschine, Entscheidbarkeit, frühe Kybernetik, Informationstheorie.
Turing-Test; Dartmouth-Konferenz – „Artificial Intelligence" wird Forschungsfeld.
Symbolische Systeme, Planner, A*, Wissensrepräsentation (Frames, semantische Netze).
Expertensysteme (z.B. MYCIN); erster KI-Winter durch Ernüchterung & Kosten.
Backpropagation belebt neuronale Netze; Bayes-Netze; zweiter KI-Winter regional.
SVM, EM, HMM; Data Mining; 1997 Spezial-KI schlägt den Schachweltmeister.
Web-Skalierung, Big Data, Ensembles (Boosting/Random Forest), frühe DL-Ansätze limitiert.
GPU-DL-Boom: CNN für Vision, RNN/LSTM/GRU für Sequenzen, Autoencoder/GANs generativ.
Kombination RL + Suche bricht Go-Schranken; emergente Strategien.
Transformer & Self-Attention – Vortraining + Feintuning werden Standard.
Foundation Models, Few-/Zero-Shot über Skalenregeln (Daten/Parameter/Compute).
Diffusionsmodelle (Bild/Video/Audio), Multimodalität, RLHF; Tool-Use & RAG.
Agenten-Orchestrierung, Plan-Execute-Reflect, Governance & Sicherheitsrahmen.
Methoden & Algorithmen
Symbolische KI
Logikprogrammierung, Regeln (IF-THEN), Wissensgraphen. Suche & Planung: A*, STRIPS, Constraint-Solving.
Pro: Erklärbar, deterministisch
Contra: Fragil bei Rauschen
Stat. Lernen
Regression/Klassifikation, SVM, Naive Bayes. Ensembles: Random Forest, Gradient Boosting.
Pro: Robust bei Tabulardaten
Contra: Feature-Engineering
Deep/Generativ
CNN/RNN/Transformer, Attention. GANs & Diffusion für Bilder/Audio/Video.
Pro: Merkmallernen
Contra: Daten/Compute-hungrig
Glossar
RAG
Retrieval-Augmented Generation: Modell + Suche → faktentreue Antworten.
RLHF
Feinabstimmung mit menschlichem Feedback (Belohnungsmodell + RL).
Diffusion
Generatives Verfahren, das Rauschen schrittweise in Struktur überführt.
Transformer
Self-Attention-Architektur; Basis moderner Sprach/Multimodal-Modelle.
Halluzination
Plausibel, aber falsch – reduzierbar via RAG/Guardrails.
Few-/Zero-Shot
Aufgaben mit wenigen/keinen Beispielen per Prompt lösen.