Abseits der mittlerweile sehr bekannten Transformer-Architekturen (wie sie etwa bei ChatGPT oder BERT verwendet werden) gibt es zahlreiche weitere Ansätze und Methoden in der Künstlichen Intelligenz. Hier einige wichtige Beispiele:
- Symbolische KI (Wissensbasierte Systeme)
- Expertensysteme: Basieren auf explizit codiertem Fachwissen und logischen Regeln, z. B. „Wenn Symptom X, dann Diagnose Y“.
- Logische und regelbasierte Systeme: Nutzen formale Logik, um Schlussfolgerungen aus Fakten und Regeln zu ziehen.
- Bayes’sche Methoden
- Naive Bayes: Ein probabilistisches Klassifikationsverfahren, bei dem angenommen wird, dass Eingabevariablen unabhängig voneinander sind.
- Bayes-Netze: Grafische Modelle, die Zusammenhänge zwischen Variablen probabilistisch abbilden (z. B. für Diagnose- und Prognosezwecke).
- Klassische Machine-Learning-Verfahren
- Lineare und logistische Regression: Sehr weit verbreitete Methoden zur Vorhersage bzw. Klassifikation (auch wenn sie oft nicht als KI, sondern als statistische Verfahren gelten).
- Entscheidungsbäume und Random Forests: Baumstrukturen, die Daten in aufeinander folgenden „Wenn-Dann“-Verzweigungen trennen; Random Forests kombinieren viele Entscheidungsbäume.
- Support Vector Machines (SVM): Nutzen sogenannte „Kernel“-Funktionen, um in hochdimensionalen Räumen Datenklassen durch eine Hyperebene zu trennen.
- k-Nearest Neighbors (k-NN): Klassifiziert oder regrediert anhand der Merkmale der k ähnlichsten Datenpunkte in einem Datensatz.
- Neurale Netze vor der Transformer-Ära
- Multilayer Perceptrons (MLPs): Mehrschichtige neuronale Netze, bei denen Informationen schichtweise verarbeitet werden.
- Convolutional Neural Networks (CNNs): Häufig für Bild- und Videodaten genutzt. Sie erkennen durch Faltungsoperationen Muster in Pixeln.
- Recurrent Neural Networks (RNNs): Für sequenzielle Daten (Text, Audio) entwickelt, inklusive Varianten wie LSTM (Long Short-Term Memory) und GRU (Gated Recurrent Unit).
- Reinforcement Learning (RL)
- Lernt durch Belohnung und Bestrafung. Ein Agent (z. B. ein Roboter) interagiert mit seiner Umgebung und optimiert eine Strategie, um langfristig maximale Belohnung zu erhalten.
- Beispiele sind Algorithmen wie Q-Learning oder Deep Q-Networks (DQN).
- Evolutionäre Algorithmen
- Inspiriert von biologischer Evolution (Mutation, Kreuzung, Selektion).
- Ein Algorithmus erzeugt viele Kandidatenlösungen, bewertet sie anhand einer Fitnessfunktion und kombiniert die „Besten“, um neue Lösungen zu entwickeln.
- Fuzzy-Logik
- Ermöglicht die Verarbeitung von unscharfen, also „unexakten“ Angaben (z. B. „warm“, „kalt“, „ein bisschen heiß“), was oft in Steuerungs- und Regelungssystemen angewendet wird.
- Agentensysteme und Multi-Agentensysteme
- Mehrere (teils autonome) Software-Agenten, die zusammenarbeiten oder konkurrieren, um Aufgaben zu lösen. Jeder Agent kann über eigene Entscheidungslogiken verfügen.
Warum trotz Erfolg der Transformer-Modelle andere Techniken weiter relevant bleiben:
- Spezielle Anwendungsgebiete: Manche Probleme lassen sich einfacher und effektiver mit klassischen ML-Methoden (z. B. Entscheidungsbaum) oder regelbasierten Systemen lösen, vor allem wenn Datenmengen begrenzt sind oder Interpretierbarkeit im Vordergrund steht.
- Erklärbarkeit: Transformermodelle sind zwar leistungsstark, aber nicht immer leicht zu interpretieren. Methoden wie Entscheidungsbäume oder lineare Modelle sind oftmals transparenter.
- Rechenressourcen: Transformer-Modelle benötigen meist große Rechenleistung und sehr große Datenmengen. Kleinere, klassische Modelle sind in manchen Szenarien (z. B. Edge Computing, IoT-Geräte) praktikabler.
- Historische Bedeutung und Forschung: Viele grundlegende Methoden haben die KI-Landschaft entscheidend mitgeprägt und liefern nach wie vor wichtige theoretische Einsichten.
Insgesamt zeigt sich, dass die Künstliche Intelligenz aus einem ganzen Werkzeugkasten verschiedener Methoden besteht. Transformermodelle sind nur ein (momentan sehr erfolgreiches) Werkzeug in diesem Repertoire.