Wie funktioniert Künstliche Intelligenz 2025? Daten, Netze & Ethik klar erklärt - Teil 2

Falls du neu hier bist oder dein KI-Wissen seit dem letzten Artikel „Verstehen, wie KI tickt: Eine einfache Einführung für Neugierige“ etwas eingerostet ist: Wir haben dort die Grundlagen gelegt – also, was KI eigentlich ist, warum sie nicht denkt wie ein Mensch (auch wenn es manchmal so wirkt) und wo du ihr im Alltag begegnest.

Das Ganze war eher wie ein leichter Stadtspaziergang durch die KI-Welt – keine steile Lernkurve, aber sicherlich viele Aha-Momente.

Heute wird es etwas technischer – aber keine Sorge: Wir machen daraus keinen Mathe-Leistungskurs, sondern eher einen Besuch in der „KI-Küche“.

Du erfährst, was ein neuronales Netz wirklich schlau macht, warum Daten das neue Olivenöl sind, wie aus Prompts fast schon Magie entsteht – und warum auch Maschinen Ethik brauchen. Bereit für Teil 2? Dann schnapp dir einen Kaffee und los geht’s.

Wenn du dir eine KI wie ein Hightech-Gericht vorstellst, dann sind die Daten ihre Zutaten – und wie bei jedem guten Essen entscheidet die Qualität darüber, ob am Ende ein Meisterwerk oder Matsch auf dem Teller landet.

Eine KI lernt aus sogenannten Trainingsdaten: riesige Mengen an Texten, Bildern, Zahlen oder Sprache. Sind diese Daten unsauber, veraltet oder einseitig, ist das Ergebnis ebenso schief – ein typisches Problem in vielen schlecht trainierten Systemen.

Damit KI überhaupt „versteht“, was sie da sieht oder liest, braucht es Labeling. Dabei werden Daten von Menschen oder spezialisierten Tools mit Etiketten versehen – z. B. „Hund“, „Katze“, „Rechnung bezahlt“.

Stell dir vor, du backst einen Kuchen, weißt aber nicht, was Mehl und was Backpulver ist – das wird nichts. Genauso muss auch die KI wissen, worauf sie schaut. Diese Labels geben Orientierung – aber Vorsicht: Wenn Vorurteile schon im Labeling stecken, übernimmt die KI sie automatisch weiter.

Wenn du neugierig bist, wie solche Datensätze entstehen oder selbst mal ein bisschen „Daten würzen“ willst – es gibt Plattformen, die dich genau darin schulen. Viele Einsteiger-Kurse auf Udemy oder Coursera bieten einfache Einführungen in Data Annotation – oft kostenlos oder für wenige Euro. Ein spannendes Skillset für alle, die in die KI-Praxis reinschnuppern wollen.

Kleiner Ausblick: Im Artikel zu unseren „Prompt-Hacks“ erfährst du, wie du diese Zutaten dann richtig würzt. Aber zuerst schauen wir uns an, wie das Gehirn dahinter funktioniert: das neuronale Netz.

Stell dir vor, ein neuronales Netz ist wie ein riesiges Sandwich – Schicht für Schicht aus Brot, Belag und geheimen Soßen. Ganz unten liegt die Eingabeschicht, z. B. ein Text oder ein Bild. Dann kommen mehrere versteckte Schichten – die sogenannten Hidden Layers –, in denen die eigentliche Magie passiert. Ganz oben: die Ausgabeschicht mit dem Ergebnis. Ob das jetzt „Katze“, „Spam-E-Mail“ oder „guter Filmtipp“ heißt, hängt vom Ziel der KI ab.

Die Grundidee stammt aus der Biologie: künstliche Neuronen, die mit ihren Verbindungen (Gewichte) Reize verarbeiten – genau wie unser Gehirn. Klingt theoretisch? Bleiben wir beim Sandwich: Jede Zutat beeinflusst den Geschmack des Ganzen. Manche sind superwichtig (z. B. Käse 🧀), andere eher subtil. Die „Gewichte“ bestimmen, wie stark einzelne Daten die Entscheidung beeinflussen. Und das Netz lernt, welche Kombinationen schmecken – also welche Muster sinnvoll sind.

In jedem Neuron passiert Folgendes: Die eingehenden Daten werden mit Gewichten multipliziert und summiert. Dann entscheidet eine sogenannte Aktivierungsfunktion, ob und wie stark das Neuron „anspringt“. Das kannst du dir wie einen Lichtschalter vorstellen, der nur bei genügend Strom klickt.

Bias – also die Voreinstellung eines Neurons – sorgt dafür, dass manche Ausgaben bevorzugt werden. Und ja, das kann problematisch werden, wenn sich z. B. gesellschaftliche Vorurteile in die Trainingsdaten geschlichen haben. Dazu später mehr im Abschnitt „Bias & Ethik“.

Das Schöne: Du brauchst keine Formeln, um das Prinzip zu verstehen. Mit Tools wie dem kostenlosen TensorFlow Playground kannst du dir selbst ansehen, wie sich neuronale Netze verhalten – ganz ohne Code, einfach zum Klicken und Herumspielen. So bekommst du ein Gefühl dafür, was da im Hintergrund läuft.

Wenn du dich fragst: „Und was bringt mir das jetzt?“ – dann klick rüber zu den Prompt-Hacks für Alltag & Business. Denn genau dort arbeiten solche neuronalen Netze – sie helfen Tools wie ChatGPT, aus deinen Prompts sinnvolle Antworten zu basteln.

Im nächsten Abschnitt zeige ich dir, wie KIs trainiert werden wie Marathonläufer:innen. Nur mit weniger Muskelkater.

Eine KI ist zu Beginn ein bisschen wie jemand, der noch nie Sport gemacht hat und plötzlich für den Berlin-Marathon trainieren soll. Keine Kondition, kein Plan, aber ein riesiger Haufen Daten als Trainingsmaterial. Klingt anstrengend? Ist es auch – zumindest für den Server.

Damit daraus ein brauchbarer Marathonläufer wird, braucht es: Training. Viel Training. In der KI-Welt läuft das in sogenannten Epochen ab. Eine Epoche bedeutet: Die KI geht einmal durch den gesamten Datensatz. Danach wieder von vorn. Und nochmal. Und nochmal. Je öfter, desto besser? Nicht unbedingt.

Denn hier kommt ein spannender Punkt: Trainierst du zu viel, wird es schnell ungesund – für deinen Körper wie für ein neuronales Netz. In der KI spricht man dann von Overfitting: Das Modell lernt nicht nur die allgemeinen Muster, sondern es merkt sich alles haargenau – leider auch Fehler und Ausreißer.

Es wird somit quasi zum Streber mit Gedächtnis für irrelevante Details. Das klingt erstmal gut, macht die KI aber im Alltag unbrauchbar, weil sie dann nicht mehr flexibel auf neue Daten reagieren kann.

Deshalb ist das Feintuning so wichtig: Dabei wird die KI gezielt nachjustiert – mit neuen, besser passenden Daten, einer veränderten Lernrate oder zusätzlichen Optimierungsschritten.

Du kannst dir das wie einen Personal Trainer vorstellen, der deinem inneren Schweinehund erklärt, dass 10 km mit Flip-Flops vielleicht doch nicht ideal sind.

Und was brauchst du für so ein KI-Trainingslager? Rechenpower – und zwar ordentlich. Hier kommen sogenannte GPUs ins Spiel: Grafikprozessoren, die für paralleles Rechnen gemacht sind.

Viele KI-Projekte mieten sich dafür Rechenleistung in der Cloud. Wenn du das selbst mal testen willst: Es gibt Plattformen wie Google Colab, wo du kostenlos GPU-Rechenzeit bekommst – perfekt für erste Experimente.

Bereit für den nächsten Schritt? Dann schauen wir uns an, wie KI aus deinen Eingaben lernt – mit Prompting.

Du gibst einen Prompt ein – und zack, die KI antwortet, als würde sie dich seit Jahren kennen. Faszinierend, oder? Dabei passiert im Hintergrund keine Magie, sondern etwas ganz Bodenständiges: Statistik.

Sprachmodelle sind nämlich nicht schlau im klassischen Sinn – sie sind wahnsinnig gut im Raten. Und zwar darin, welches Wort vermutlich als Nächstes kommt.

Ein Sprachmodell denkt nicht in ganzen Sätzen oder Wörtern, sondern in sogenannten Tokens. Das sind kleine Spracheinheiten – mal ein Wort, mal ein Wortteil. Zum Beispiel kann „Künstliche Intelligenz“ in mehrere Tokens aufgeteilt sein. Die KI analysiert, welche Tokens typischerweise aufeinander folgen – so ähnlich, wie du beim Tippen eines Satzes schon weißt, welches Wort du als Nächstes sagen willst.

Jetzt kommt das Kontextfenster ins Spiel. Damit ist gemeint, wie viel „Input“ die KI gleichzeitig im Kopf behalten kann – ähnlich wie unser Kurzzeitgedächtnis.

Ist das Fenster zu klein, vergisst die KI wichtige Infos aus dem Anfang. Ist es groß, kann sie auch komplexere Zusammenhänge verstehen.

Moderne Modelle wie GPT-4 schaffen mittlerweile mehrere Tausend Tokens auf einmal – das ist, als würde dein Gegenüber beim Smalltalk auch noch wissen, was du gestern beim Abendessen erzählt hast.

Ein weiterer spannender Parameter ist die Temperatur. Nein, das hat nichts mit Fieber zu tun, sondern mit der Kreativität der Antwort. Je höher der Wert (z. B. 0,9), desto überraschender, aber auch ungenauer können die Antworten sein. Niedrige Temperaturen (z. B. 0,2) sorgen für sachlichere, aber weniger kreative Ergebnisse. Du steuerst damit, ob die KI eher konservativ oder experimentierfreudig antwortet – ganz einfach per Regler.

Im nächsten Abschnitt werfen wir einen Blick auf die blinden Flecken der KI: Bias, Ethik und Verantwortung.

KI klingt oft nach Zukunft und Fortschritt – aber manchmal denkt sie wie ein alter, grantiger Opa. Warum? Weil sie Vorurteile übernimmt. Diese Biases (engl. für Verzerrungen oder Schieflagen) entstehen nicht, weil die KI etwa böse ist, sondern weil sie mit echten Daten aus unserer eben auch nicht perfekten Welt trainiert wird.

Ein Beispiel: Wenn eine KI lernt, wer „typischerweise“ eingestellt wird, und sie bekommt fast nur Bewerbungen von Männern als Trainingsdaten – rate mal, wen sie später bevorzugt? Genau. Solche Bias-Fälle gab es in der Praxis schon mehrfach – bei Recruiting-Tools, Kreditentscheidungen oder sogar Gesichtserkennung.

Deshalb ist Ethik in der KI kein Luxus, sondern notwendig. Es geht um Fairness, Verantwortung und Transparenz. Wir müssen uns fragen: Wer entscheidet, was „richtig“ ist? Wer prüft, ob die KI gerechte Entscheidungen trifft? Und wie gehen wir damit um, wenn sie das nicht tut?

Auch das Thema Nachhaltigkeit spielt eine immer größere Rolle. Denn große KI-Modelle brauchen viel Rechenleistung – und damit auch viel Strom. Ein einziges Modell-Training kann so viel CO₂ verursachen wie mehrere Inlandsflüge. Klingt verrückt? Ist es auch. Aber: Es gibt Lösungen.

Einige Anbieter setzen inzwischen auf grüne Rechenzentren, kompaktere Modelle oder CO₂-Kompensation. Auch das sogenannte Low-Carbon-Prompting wird diskutiert – also kürzere, gezieltere Prompts, die weniger Rechenzeit brauchen. Klingt nach Kleinkram, ist aber ein Schritt in die richtige Richtung.

Wenn du selbst aktiv werden willst: Es gibt Hosting-Anbieter, die sich auf nachhaltige KI-Infrastruktur spezialisiert haben – oft mit Partnerprogrammen oder Affiliates. Ein Klick auf grün lohnt sich also doppelt.

Du merkst: KI ist nicht nur Technik, sondern auch Verantwortung. Wenn du verstehen willst, wie sich das mit deinen Werten vereinbaren lässt, schau gern nochmal in Teil 1 der Reihe – dort steigen wir ganz sanft ein.

Und jetzt? Lass uns konkret werden: Im nächsten Abschnitt bekommst du eine praktische Checkliste, wie du KI bewusst, fair und clever nutzt. 🌱

Dann trag dich jetzt in meinen Newsletter ein und verpasse keine Tools, Tricks & Updates mehr. Und wenn du gern visuell unterwegs bist: Folge mir auf Pinterest für wöchentliche Impulse zum Thema Smart mit KI!