Wie Daten KI antreiben – der Treibstoff hinter jedem intelligenten System

Menschen können lernen, einen Hund zu erkennen, nachdem sie nur wenige Bilder gesehen haben. KI benötigt typischerweise Tausende – manchmal Millionen – von Beispielen, bevor sie das Gleiche leisten kann. Das liegt daran, dass KI über kein eingebautes Verständnis der Welt verfügt. Jedes Wissen muss aus den Daten stammen.

Je vielfältiger und repräsentativer die Daten sind, desto besser lässt sich die KI auf neue Situationen verallgemeinern. Ein Modell, das nur auf Fotos von Golden Retrievern trainiert wurde, könnte einen Pudel nicht erkennen. Vielfalt in den Daten führt zu Robustheit in der KI.

Aus diesem Grund investieren Unternehmen viel in das Sammeln, Bereinigen und Kuratieren großer Datensätze – es ist oft der zeitaufwändigste und teuerste Teil beim Aufbau eines KI-Systems.

Die gute Nachricht ist, dass, sobald ein qualitativ hochwertiger Datensatz vorhanden ist, dieser wiederverwendet und geteilt werden kann, was die Forschung weltweit beschleunigt.

Datenqualität: Müll rein, Müll raus

KI ist nur so gut wie die Daten, aus denen sie lernt. Wenn die Daten chaotisch, unvollständig oder falsch sind, liefert die KI unzuverlässige Ergebnisse. Dieses Prinzip ist als Garbage in, Garbage out (GIGO) bekannt.

Zu den häufigsten Datenqualitätsproblemen gehören:

• Fehlende Werte – leere Felder, die Lücken in dem hinterlassen, was die KI lernen kann.
• Duplikate – das gleiche Beispiel erscheint mehrmals und verzerrt das Modell.
• Falsche Bezeichnungen – ein Foto eines Hundes, das als Katze gekennzeichnet ist, verwirrt den Lernprozess.
• Veraltete Informationen – Schulungen zu Daten aus dem Jahr 2005 werden die Trends für 2025 nicht widerspiegeln.

Datensätze aus der realen Welt

Einige Datensätze sind in der KI-Community bekannt geworden:

| Datensatz | Was es enthält | Größe | |---------|---|------| | ImageNet | Beschriftete Fotos | Über 14 Millionen Bilder | | Gemeinsamer Crawl | Webseiten aus dem gesamten Internet | Petabyte Text | | Wikipedia | Enzyklopädieartikel | Über 60 Millionen Artikel | | MNIST | Handgeschriebene Ziffern (0–9) | 70.000 Bilder |

Diese Datensätze sind frei verfügbar und wurden zum Trainieren einiger der einflussreichsten KI-Modelle der Geschichte verwendet.

Datenkennzeichnung und Anmerkung

Bevor KI aus Daten lernen kann, muss sie normalerweise jemand kennzeichnen. Das bedeutet, dem System mitzuteilen, was jedes Beispiel darstellt.

• Ein Foto wird als „Katze“ oder „Hund“ markiert.
• Ein Satz wird als „positive Stimmung“ oder „negative Stimmung“ markiert.
• Ein medizinischer Scan wird von einem Arzt als „gesund“ oder „abnormal“ vermerkt.

Dieser Vorgang wird Annotation genannt und wird oft von Menschen durchgeführt – manchmal arbeiten Tausende von ihnen zusammen.

Datenverzerrung: Wenn Daten falsch liegen

Daten spiegeln die Welt wider, aus der sie kommen – einschließlich der Vorurteile der Welt. Wenn ein Datensatz eine Gruppe überrepräsentiert oder eine andere unterrepräsentiert, übernimmt die darauf trainierte KI diese Ungleichgewichte.

Echte Beispiele für Datenverzerrung:

– Ein Einstellungsalgorithmus, der hauptsächlich auf männliche Lebensläufe trainiert wurde, hat gelernt, weibliche Bewerber zu bestrafen.

• Gesichtserkennungssysteme, die hauptsächlich auf hellere Hauttöne trainiert wurden, zeigten bei dunkleren Hauttönen eine schlechte Leistung. – Eine auf Daten aus einem Land trainierte medizinische KI übersah Symptome, die in anderen Bevölkerungsgruppen häufig vorkommen.

Wichtige Erkenntnisse

• Ein Datensatz ist eine organisierte Sammlung von Beispielen, aus denen die KI lernt.
• Daten können strukturiert (Tabellen) oder unstrukturiert (Bilder, Text, Audio) sein.
• Datenqualität bestimmt direkt die KI-Qualität – Müll rein, Müll raus.
• Kennzeichnung ist die menschliche Anstrengung, die der KI beibringt, was jedes Beispiel bedeutet.
• Verzerrungen in den Daten führen zu Verzerrungen in der KI – und das hat Konsequenzen für die reale Welt.

Als nächstes werden wir uns die Algorithmen ansehen, die all diese Daten tatsächlich verarbeiten und in Intelligenz umwandeln.