Sprachassistenten hören zu – und lernen dabei. Siri, Alexa und Google Assistant verwandeln gesprochene Sprache in Text, analysieren dessen Bedeutung und formulieren eine Antwort – alles in Millisekunden. Dahinter steckt maschinelles Lernen: Das System wurde mit Millionen von Sprachaufnahmen trainiert, bis es Muster zwischen Lautfolgen und Bedeutungen erkannte. Es wurde nicht Satz für Satz programmiert; es lernte aus Beispielen.

Empfehlungen entstehen durch Mustererkennung. Netflix schlägt Serien vor, Spotify generiert Playlists, Amazon blendet Produkte ein – stets auf Basis desselben Prinzips. Ein Algorithmus vergleicht das eigene Verhalten mit dem tausender ähnlicher Nutzer und schlussfolgert: Wer X mochte, mag wahrscheinlich Y. Kein Mensch hat diese Regeln aufgeschrieben; das System hat sie selbst aus Daten extrahiert.

Bilderkennung läuft auf jedem Smartphone. Wer das Handy entsperrt, benutzt ein sogenanntes Convolutional Neural Network – ein neuronales Netz, das Bilder in Schichten zerlegt und Merkmale wie Augenabstand oder Nasenform gewichtet. Google Lens identifiziert Pflanzen, übersetzt Schilder und erkennt Produkte; dasselbe Verfahren hilft Radiologen, Tumore auf Röntgenbildern zu entdecken.

Spam landet im Papierkorb, bevor man ihn liest. E-Mail-Filter gehören zu den ältesten KI-Anwendungen im Alltag. Sie lernen kontinuierlich: Wer eine Nachricht manuell als Spam markiert, liefert dem System ein weiteres Trainingsbeispiel. Das Verfahren nennt sich überwachtes Lernen – der Mensch liefert die Bewertung, die Maschine verallgemeinert sie.

Navigationssysteme planen in Echtzeit. Google Maps berechnet nicht nur die kürzeste Route, sondern schätzt Staus auf Basis von Millionen anonymisierter Standortdaten. Das Modell lernt, wann welche Straße wie voll ist – und passt Vorschläge sekündlich an.

Hinter all diesen Anwendungen steht dieselbe Grundidee: Ein System nimmt Daten auf, erkennt darin Muster und trifft auf dieser Basis Entscheidungen. Was die Anwendungen unterscheidet, ist die Art der Daten und die Architektur des Modells.

Von der Praxis zur Theorie. Der Begriff Künstliche Intelligenz, 1956 von John McCarthy auf der Dartmouth-Konferenz geprägt, bezeichnet Systeme, die kognitive Aufgaben übernehmen. Maschinelles Lernen ist ein Teilbereich davon: Statt explizit programmiert zu werden, trainiert ein Modell auf Daten. Deep Learning wiederum ist ein Teilbereich des maschinellen Lernens: Es verwendet neuronale Netze mit vielen Schichten – daher „tief" –, die es ermöglichen, komplexe Muster in Sprache, Bild oder Text zu erkennen. ChatGPT und Claude sind Large Language Models (LLMs), also tiefe neuronale Netze, die auf enormen Textmengen trainiert wurden. Ihre Stärke: Sie erzeugen kohärente Sprache. Ihre Grenze: Sie verstehen im philosophischen Sinne nichts – sie gewichten Wahrscheinlichkeiten.

Wer den Einstieg sucht, ist mit den Frameworks TensorFlow, Keras und PyTorch und der Programmiersprache Python auf bekanntem Terrain. Deutschsprachige Standardwerke führen über die Anwendung direkt in die Theorie.

Dieser Überblick stützt sich auf eine breite, aber im Wesentlichen populärwissenschaftliche Quellenbasis; tiefere technische Einordnungen finden sich in Fachpublikationen der Gesellschaft für Informatik und in den verlinkten Quellen.