Eine KI lernt, indem sie große Mengen an Beispielen verarbeitet und darin Muster erkennt. Anders als bei klassischer Programmierung werden ihr dabei nicht für jede Situation feste Regeln vorgegeben. Stattdessen wird ein mathematisches Modell so angepasst, dass es bestimmte Aufgaben zunehmend besser lösen kann.

Beim sogenannten überwachten Lernen erhält ein System beispielsweise Bilder zusammen mit der Information, was darauf zu sehen ist. Es versucht zunächst selbst, die Bilder einzuordnen. Anschließend wird das Ergebnis mit der richtigen Antwort verglichen. Aus dem Fehler berechnet das System, wie seine internen Parameter verändert werden müssen. Dieser Vorgang wird während des Trainings sehr oft wiederholt.

Daneben gibt es weitere Lernverfahren. Beim unüberwachten Lernen sucht ein Modell selbstständig nach Strukturen in Daten. Beim bestärkenden Lernen erhält ein System Rückmeldungen darüber, welche Handlungen zu erwünschten Ergebnissen führen.

Moderne neuronale Netze besitzen häufig sehr viele veränderbare Parameter. Während des Trainings werden deren Werte schrittweise angepasst. Das Modell speichert dabei nicht einfach sämtliche Beispiele ab, sondern versucht, daraus allgemeine Muster abzuleiten, die sich auch auf neue Daten anwenden lassen.

KI „lernt“ jedoch nicht wie ein Mensch. Sie entwickelt dabei nicht automatisch Verständnis oder Bewusstsein. Außerdem hängt die Qualität ihrer Ergebnisse stark von Trainingsdaten, Lernverfahren und Aufgabenstellung ab.

Quellen:
▪︎ Stanford Graduate School of Business: Explainer: What Is Machine Learning?
▪︎ IBM: What Is Machine Learning?
▪︎ IBM: What Is a Neural Network?