Künstliche Intelligenz (KI)
Eine einheitliche Definition für KI gibt es nicht. Generell geteilt wird aber die Auffassung, dass es sich um ein Teilgebiet der Informatik sowie die Fähigkeit von Systemen handelt, selbstständig kognitive Funktionen wie Lernen, Denken, Planen und Problemlösung zu erfüllen, für die normalerweise menschliche Intelligenz nötig ist. Dabei unterscheidet sie sich (noch) in zentralen Eigenschaften wie dem Bewusstsein von menschlicher Intelligenz.

Machine Learning (ML)
ML ist ein Teilbereich von KI, bei dem Systeme in der Lage sind, selbstständig zu lernen, ohne vorher explizit dafür programmiert zu werden, sowie aus Daten Muster zu erkennen, auf deren Grundlage Vorhersagen oder Entscheidungen getroffen werden. Es findet beispielsweise bei der Vorhersage von Krankheitsrisiken anhand von Patientendaten Anwendung.

Deep Learning (DL)
DL ist wiederum ein Teilbereich von Machine Learning, bei dem mehrschichtige neuronale Netze zum Einsatz kommen, die komplexe Muster und Zusammenhänge in großen, auch unstrukturierten Datenmengen erkennen und dabei im Gegensatz zum ML selbstständig relevante Merkmale erlernen können.

Künstliche Neuronale Netze (KNN)
Diese bilden die Grundlage für DL und bestehen aus künstlichen Neuronen, die nach dem Vorbild biologischer Nervenzellen entwickelt werden und mehrere Eingangssignale verarbeiten können. KNN bestehen meist aus vielen sogenannten versteckten Schichten, in denen die Informationen verarbeitet werden. Ihre genaue Entscheidungsfindung ist selbst für die Programmierenden nicht mehr nachvollziehbar.

Explainable AI (XAI)
Diese technische Disziplin versucht, operative Methoden und Prozesse zu entwickeln, um die Entscheidungsfindung von KNN verständlich zu machen. Ziel ist, die als Black Box betrachteten Systeme transparenter und nachvollziehbarer zu gestalten, auch um das Vertrauen in Systeme zu steigern, die – wie in der Medizin – potenziell folgenreiche Entscheidungen treffen.

Generative und diskriminative Modelle
Vereinfacht gesagt lassen sich KI-Modelle in diese zwei Kategorien unterteilen. Generative Modelle dienen dazu, neue Datenpunkte zu erzeugen, die realistisch sind und den Daten ähneln, mit denen die KI trainiert wurde. Bekanntestes Beispiel sind Sprachmodelle wie ChatGPT, die Text generieren. Aber auch Bild, Film, Sprache und Musik können mit zunehmender Qualität dargestellt werden. Diskriminative Modelle dienen demgegenüber der Klassifizierung oder Kategorisierung bereits vorhandener Daten. Sie kommen beispielsweise bei diagnostischen KI-Anwendungen zum Einsatz.

Kleine und große Sprachmodelle
Das Feld der Sprachmodelle – oftmals auch ungenau als Chatbots bezeichnet – lässt sich in Small und Large Language Models (SLM und LLM) unterteilen. Der Unterschied liegt hauptsächlich in ihrer Größe gemessen an der Zahl ihrer Parameter (Gewichtung der Knoten künstlicher Neuronen) und damit an ihren Fähigkeiten. SLM sind dadurch vor allem für sehr spezialisierte Aufgaben geeignet, für die sie mit begrenzten Datensätzen trainiert werden können, wobei sie weniger Ressourcen verbrauchen. LLM wiederum werden mit riesigen Datenmengen trainiert, was ihnen ermöglicht, komplexe Zusammenhänge und Muster zu erkennen und sprachlich darzustellen. Dafür benötigen sie mehr Ressourcen, können aber eine breitere Palette von Aufgaben erfüllen.

Starke und schwache KI
Dabei handelt es sich um unterschiedliche Entwicklungsstufen von KI. Sämtliche heute verfügbaren Systeme zählen zur schwachen KI, die auf die Ausführung bestimmter Aufgaben durch die Simulation von intelligent wirkendem Verhalten ausgelegt ist. Starke KI ist bisher nur ein hypothetisches Modell, das in der Lage ist, jede kognitive Aufgabe zu lösen, die ein Mensch lösen kann, und dabei selbstständig Ziele definiert und autonom handelt. Starke KI ist eng mit der Vorstellung der Entstehung eines eigenen Bewusstseins von KI verbunden. Ob, und falls ja, wann eine solche KI jemals existieren wird, ist in der Wissenschaft weiterhin umstritten.

Training
Als Training wird der Prozess bezeichnet, bei dem ein KI-Modell mit Daten gefüttert wird, um seine Parameter anzupassen und dadurch die gewünschten Aufgaben zu erfüllen. Hierbei ist, in der Medizin noch mehr als in vielen anderen Bereichen, die Qualität der eingespeisten Daten von besonderer Bedeutung. Vereinfacht gesagt ist jede KI nur so gut wie die Daten, mit denen sie trainiert wurde.

Überwachtes, Unüberwachtes und Verstärkendes Lernen
Diese drei Begriffe beziehen sich auf die Ansätze, wie KI trainiert wird. Beim Überwachten Lernen wird ein Modell mit sogenannten beschrifteten Daten mit vorgegebenem In- und Output trainiert, damit es später neue, unbekannte Daten korrekt zuordnen kann, beispielsweise bei der medizinischen Bilderkennung und Diagnostik.

Beim Unüberwachten Lernen versucht das Modell, ohne vorherige Anleitung Muster oder Zusammenhänge in den Daten zu erkennen. Derart trainierte Modelle können beispielsweise aus großen Mengen von Patientendaten bisher unbekannte Krankheitsmuster oder medizinische Zusammenhänge erkennen.

Beim Verstärkenden Lernen wiederum agiert ein Algorithmus mit seiner technischen Umgebung, die ihn für richtige Antworten „belohnt“ und für falsche „bestraft“. Dadurch kann das Modell Handlungsstrategien für dynamische, interaktive Aufgaben optimieren, beispielsweise bei der Arzneimittelentwicklung. lau