Algorithmus: Definition und Erläuterung

Ein Algorithmus ist eine exakte Anweisung zur Bewältigung eines spezifischen Problems, bei der das Ergebnis Y stets vorhersehbar ist, wenn die Eingabe X bekannt ist. Im Kontext der Künstlichen Intelligenz existieren jedoch keine festgelegten Lösungen. KI-Systeme erwerben stattdessen ihre Fähigkeiten durch die Auswertung von Trainingsdaten und erzielten Resultaten.

Algorithmen: Die Grundlage und Herausforderung der Künstlichen Intelligenz

Oft wird die These aufgestellt, dass Algorithmen und Künstliche Intelligenz miteinander im Widerspruch stehen. Diese Ansicht beruht vor allem darauf, dass viele Software-Anbieter den Begriff Künstliche Intelligenz zu Werbezwecken verwenden, obwohl ihre Produkte auf traditionellen Programmiermethoden basieren – mit klar definierten Eingaben und genau vorhersehbaren Ergebnissen.

Dennoch basiert auch KI letztlich auf Algorithmen – also auf Formeln, die in Programmiersprache geschrieben sind:

Die sogenannte Schwache KI setzt Algorithmen in der Automatisierung ein, um abgegrenzte Problemstellungen in eng definierten Bereichen zu lösen. Ebenso nutzt die Starke KI Algorithmen zur Analyse, Optimierung und Lösung von Problemen. Im Gegensatz zur Schwachen KI kann die Starke KI ihre Lösungsansätze auch auf andere Bereiche übertragen.

Schwache und Starke KI beruhen letztlich auf einer Vielzahl von Handlungsanweisungen, die im Gegensatz zur herkömmlichen Programmierung nicht den Weg der Problemlösung vorgeben, sondern den Weg des Lernens.

Oft wird die These aufgestellt, dass Algorithmen und Künstliche Intelligenz miteinander im Widerspruch stehen. (Foto: AdobeStock - 619226376 Adam)

Die glorreichen 17 KI-Algorithmen

• Reinforcement Learning (Verstärkendes Lernen)

  Algorithmen, die darauf abzielen, durch Interaktion mit einer Umgebung eine Strategie zu entwickeln, um Belohnungen zu maximieren, z. B. bei der Entwicklung von autonomen Agenten für Spiele oder Robotik.

• Deep Learning

  Eine Art von maschinellem Lernen, das neuronale Netzwerke mit vielen Schichten (Tiefen) verwendet, um komplexe Muster in großen Datenmengen zu lernen, verwendet in Bereichen wie Bilderkennung, Sprachverarbeitung und mehr.

• Convolutional Neural Networks (CNNs)

  Spezielle Art von neuronalen Netzwerken, die besonders gut für die Verarbeitung von Bildern und Videos geeignet sind.

• Recurrent Neural Networks (RNNs)

  Eine Art von neuronalen Netzwerken, die für die Verarbeitung von Sequenzen, wie z. B. Text oder Zeitreihen, geeignet sind.

• Generative Adversarial Networks (GANs)

  Ein Modell, das aus zwei neuronalen Netzwerken besteht - einem Generator und einem Diskriminator -, die gegeneinander trainiert werden, um realistische Daten zu generieren, oft für die Erzeugung von Bildern oder Musik.

• Support Vector Machines (SVMs)

  Eine Überwachungslernalgorithmus, der besonders gut für die Klassifizierung von Datenpunkten geeignet ist, indem er eine Trennlinie zwischen verschiedenen Klassen im Raum der Merkmale findet.

• K-Means-Clustering

  Ein unüberwachter Lernalgorithmus zur Gruppierung von Datenpunkten in K Cluster, wobei jeder Datenpunkt dem Cluster mit dem nächstgelegenen Mittelpunkt zugewiesen wird.

• Decision Trees (Entscheidungsbäume)

  Ein Modell, das Entscheidungsregeln in Form eines baumartigen Strukturs darstellt, die verwendet werden, um Daten zu klassifizieren oder zu prognostizieren.

• Random Forests

  Eine Ensemble-Technik, die aus einer Menge von Entscheidungsbäumen besteht und für Klassifikations- und Regressionsaufgaben verwendet wird.

• Bayesian Networks

  Grafische Modelle, die Wahrscheinlichkeitsverteilungen zwischen einer Menge von Variablen repräsentieren und für probabilistisches Schließen verwendet werden.

• Neuroevolution

  Eine Methode, bei der evolutionäre Algorithmen zur Optimierung von neuronalen Netzwerken verwendet werden, oft für die Entwicklung von Robotern oder anderen autonomen Agenten.

• Fuzzy Logic

  Eine Methode, die unscharfe Mengen verwendet, um Unsicherheiten zu modellieren und Entscheidungen in Systemen zu treffen, die nicht-binäre Eingaben erfordern.

• Genetische Algorithmen

  Eine Art von evolutionären Algorithmen, die Prinzipien der natürlichen Selektion und Vererbung anwenden, um optimale Lösungen für Optimierungsprobleme zu finden.

• Natural Language Processing (NLP) Algorithmen

  Algorithmen, die auf die Verarbeitung und das Verständnis von menschlicher Sprache abzielen, einschließlich Aufgaben wie Übersetzung, Zusammenfassung und Sentimentanalyse.

• Markov Decision Processes (MDPs)

  Ein mathematisches Modell für sequenzielle Entscheidungsprobleme, die in der Künstlichen Intelligenz und den Betriebswissenschaften verwendet werden.

• Long Short-Term Memory (LSTM)

  Eine spezielle Art von rekurrenten neuronalen Netzwerken, die für die Verarbeitung von Sequenzen mit langfristiger Abhängigkeit geeignet sind.

• Ensemble Learning

  Eine Technik, bei der mehrere Lernalgorithmen kombiniert werden, um eine bessere Vorhersagegenauigkeit zu erzielen, indem sie verschiedene Modelle miteinander kombinieren.

KI-Algorithmen einfach erklärt

Neuronale Netzwerke: Künstliche Intelligenz inspiriert vom menschlichen Gehirn

#1 Künstliche Neuronale Netze (ANNs)

Künstliche Neuronale Netze (ANNs) sind dem menschlichen Gehirn nachempfunden und werden für die Verarbeitung natürlicher Sprache sowie für die Bild- und Spracherkennung eingesetzt. Sie nehmen Daten in den ANN-Algorithmus auf, und das Netzwerk leitet die Daten durch künstliche Neuronenschichten. Jedes Neuron empfängt Informationen aus der vorherigen Schicht, verarbeitet sie und gibt eine Ausgabe an die nächste Schicht weiter.

Deep Learning, eine Disziplin innerhalb des Maschinellen Lernens (ML), nutzt ANNs mit mehreren Schichten. ANNs sind heute die bevorzugte Architektur für die meisten KI-Anwendungen.

Deep Learning ist eines der am häufigsten verwendeten KI-Verfahren, das für unüberwachtes Lernen, Datenlernen oder Datenerzeugung eingesetzt wird. Es umfasst auch Verfahren wie Verstärkendes Lernen, Überwachtes Lernen und eine Reihe anderer verwendeter Algorithmen.

#2 Support-Vektor-Maschinen (SVMs)

Support-Vektor-Maschinen (SVMs) sind vielseitige Werkzeuge, die sowohl für Regressions- als auch für Klassifizierungsprobleme eingesetzt werden. Sie ermitteln die optimale Linie oder Kurve, um verschiedene Gruppen von Datenpunkten zu trennen, was wiederum die Vorhersage von Gruppenzugehörigkeiten neuer Datenpunkte ermöglicht. SVMs sind besonders nützlich bei der Spam-Erkennung in E-Mails und finden breite Anwendung in Bereichen wie Finanzen, Computer Vision und Bioinformatik.

#3 Entscheidungsbäume

Entscheidungsbäume stellen eine Art überwachten Lernalgorithmus dar, der zur Vorhersagegenerierung verwendet wird. Ihr Funktionsprinzip beruht darauf, Daten anhand spezifischer Merkmale in rekursive Teilgruppen zu unterteilen. Es ist ein Modell, das Entscheidungsregeln in Form eines Baumes darstellt. Jeder Knoten im Baum stellt eine Entscheidung dar, basierend auf den Eigenschaften der Daten, und jeder Ast repräsentiert das Ergebnis dieser Entscheidung.

#4 Zufällige Wälder / Random Forest

Ein Ensemble-Lernalgorithmus, der aus einer Vielzahl von Entscheidungsbäumen besteht. Jeder Baum wird auf einem zufälligen Unterdatensatz trainiert, und die Ergebnisse werden kombiniert, um genauere Vorhersagen zu treffen. Als Weiterentwicklung der Entscheidungsbäume steigern sie die Präzision von Vorhersagen, indem sie die Entscheidungen mehrerer Entscheidungsbäume kombinieren.

#5 K-Means-Clustering: im Fokus

Das K-Means-Clustering ist ein unüberwachter Algorithmus im Bereich des maschinellen Lernens, der Datenpunkte anhand ihrer Ähnlichkeit in K Cluster unterteilt. Die Anzahl von K kann entweder durch Algorithmen automatisch bestimmt oder vom Benutzer festgelegt werden. Diese Methode ist besonders nützlich in Bereichen wie der Dokumenten-Clustering und der Bildsegmentierung und für die Identifizierung von Mustern.

Netzwerke mit langem Kurzzeitgedächtnis (LSTMs) sind eine revolutionäre Errungenschaft im Bereich des Deep Learnings. (Foto: AdobeStock - 652462916 MakZin)

#6 Gradient Boosting: Die Schlüsseltechnologie im Maschinellen Lernen

Als eine der Schlüsseltechnologien im Bereich des maschinellen Lernens hat Gradient Boosting signifikante Fortschritte ermöglicht. Dieser Algorithmus kombiniert geschickt mehrere schwache Modellergebnisse, um ein präzises Vorhersagemodell zu erstellen. Insbesondere in der Online-Werbung und bei der Erstellung von Ranglisten für die Websuche spielt Gradient Boosting eine entscheidende Rolle. Durch seine Fähigkeit, die Modellgenauigkeit kontinuierlich zu verbessern, trägt dieser Ansatz maßgeblich dazu bei, die Leistungsfähigkeit und Effektivität von Vorhersagemodellen zu steigern.

Der Hauptgedanke hinter Gradient Boosting besteht darin, in jeder Iteration ein neues Modell zu erstellen, das sich auf die Fehler des vorherigen Modells konzentriert. Dies geschieht, indem der Gradient des Verlustes (Fehlerfunktion) des vorherigen Modells berechnet wird und das neue Modell versucht, diesen Gradienten zu minimieren. Durch das Hinzufügen vieler solcher schwachen Modelle und die Kombination ihrer Vorhersagen kann Gradient Boosting sehr leistungsstarke Vorhersagen erzielen.

Ein bekanntes Beispiel für einen Gradient-Boosting-Algorithmus ist XGBoost (Extreme Gradient Boosting), der aufgrund seiner Effizienz und Genauigkeit in vielen Anwendungen weit verbreitet ist. Andere Implementierungen umfassen LightGBM und CatBoost.

Video: Das Problem mit den Algorithmen | MedienWissen2go | ZAPP | NDR

#7 Faltungsneuronale Netze (Convolutional Neural Networks, CNNs)

Faltungsneuronale Netze (Convolutional Neural Networks / CNNs) sind eine spezielle Art von künstlichem neuronalen Netzwerk, das häufig in der Bildverarbeitung und anderen Anwendungen verwendet wird, bei denen vor allem die räumliche Struktur der Eingabedaten wichtig ist.

CNNs verwenden spezielle Schichten, die als Faltungsschichten bezeichnet werden, um Merkmale in den Eingabedaten zu erkennen. Diese Schichten sind in der Lage, Merkmale wie Kanten, Formen und Texturen zu identifizieren, indem sie über das Eingangsbild gleiten und Filter auf die Daten anwenden. Diese Merkmale werden dann in den nachfolgenden Schichten kombiniert, um immer komplexere Muster und Informationen zu extrahieren.

CNNs haben sich als äußerst leistungsfähig für eine Vielzahl von Aufgaben erwiesen, darunter Bildklassifizierung, Objekterkennung, Gesichtserkennung, medizinische Bildgebung und mehr.

#8 Die Macht der LSTMs (Long Short-Term Memory): Eine Revolution im Bereich des Deep Learnings

Netzwerke mit langem Kurzzeitgedächtnis (LSTMs) sind eine revolutionäre Errungenschaft im Bereich des Deep Learnings. Diese Deep-Learning-Algorithmen wurden speziell entwickelt, um sequenzielle Daten wie Sprache und Text zu verarbeiten. Ihre Fähigkeit, komplexe langfristige Abhängigkeiten zu erfassen, macht sie zu einem unverzichtbaren Werkzeug für Anwendungen wie Handschrifterkennung, Spracherkennung und maschinelle Übersetzung. Mit ihrem einzigartigen Design haben LSTMs die Grenzen des Machbaren erweitert und einen Wendepunkt in der Entwicklung von KI-Systemen markiert.

Es handelt sich um eine spezielle Art von rekurrentem neuronalen Netzwerk (RNN), das entworfen wurde, um das Problem des Verschwindens des Gradienten bei der Rückwärtspropagation über lange Zeiträume zu lösen.

LSTM-Netzwerke sind besonders gut geeignet für die Verarbeitung und Vorhersage von Zeitreihendaten, wie beispielsweise Sprachverarbeitungsaufgaben (z. B. maschinelle Übersetzung, Textgenerierung) oder Zeitreihenanalysen (z. B. Aktienkursvorhersagen, Wettervorhersagen). Sie haben sich auch in anderen Anwendungen bewährt, bei denen es auf das Verständnis und die Verarbeitung von Sequenzen ankommt.

Entschlüsselung der KI: Drei zugängliche Algorithmen im Fokus

Für viele Menschen erscheinen die Algorithmen der Künstlichen Intelligenz wie undurchsichtige Blackboxes. Einige dieser Verfahren sind sogar für Experten schwer zugänglich. Gleichzeitig sind die Abläufe vieler leistungsstarker Algorithmen relativ einfach zu verstehen, ohne dass man ein Experte für KI sein muss. In diesem Blogbeitrag möchten wir uns drei solcher Verfahren genauer ansehen. Unser Ziel ist es, potenziellen Anwendern von KI zu helfen, diese Verfahren besser zu verstehen und somit den Einstieg in ihre eigenen Anwendungsfälle zu erleichtern.

• Entscheidungsbäume: Selbstlernende Algorithmen zur Beurteilung der Fitness

  Entscheidungsbäume stellen eine grundlegende Form von Algorithmen dar, die Entscheidungsmöglichkeiten ähnlich den Verzweigungen einer Baumkrone darstellen. Ein typischer Entscheidungsbaum-Algorithmus könnte zum Beispiel bestimmen, ob eine Person körperlich fit ist oder nicht.

  Dies geschieht durch das Stellen einer Reihe von Fragen, möglicherweise durch einen Chatbot, der den Benutzer interviewt. Jede Antwort beeinflusst, welche Frage als nächstes gestellt wird.

  Zum Beispiel könnte eine Person im Alter von 35 gefragt werden, ob sie regelmäßig Sport treibt, während eine Person im Alter von 17 gefragt wird, wie oft sie Pizza isst.

  Am Ende jedes Pfades wird die Person entweder der Klasse "fit" oder "nicht fit" zugeordnet.

  

  Entscheidungsbäume stellen eine grundlegende Form von Algorithmen dar, die Entscheidungsmöglichkeiten ähnlich den Verzweigungen einer Baumkrone darstellen. (Foto: AdobeStock - 278365163 tomertu)

  Was Entscheidungsbäume besonders macht, ist ihre Fähigkeit, von selbst zu lernen, welche Fragen gestellt werden sollen und wie diese Fragen basierend auf den Antworten angeordnet werden sollen. Dies geschieht automatisch, ohne dass eine externe Einflussnahme erforderlich ist.

  Der Algorithmus lernt durch interne Optimierungskriterien, wie beispielsweise die Qualität der Trennung zwischen den Zielklassen "fit" und "nicht fit". Faktoren wie Alter, Ernährungsgewohnheiten und körperliche Aktivität werden dabei angemessen berücksichtigt.

• Vorhersage des universitären Notendurchschnitts mittels linearer Regression

  Dieses Konzept dürfte vielen bekannt sein. Nehmen wir an, Sie möchten mithilfe der schulischen Notendurchschnitte zukünftiger Studenten deren universitären Notendurchschnitt vorhersagen.

  Die schwarzen Punkte repräsentieren vergangene Daten: die schulischen Notendurchschnitte von Studenten, deren universitäre Noten bereits bekannt sind.

  Ein Algorithmus berechnet nun eine optimale Anpassungslinie (hier in Rot dargestellt; optimal bedeutet hier, dass die Abweichungen insgesamt möglichst gering sind). Diese Anpassungslinie spiegelt das bisherige Verhältnis zwischen Schulnoten und Hochschulnoten wider und kann auf neue Studentengenerationen angewendet werden.

  

  Dieses Konzept dürfte vielen bekannt sein. (Foto: AdobeStock - 100834685 Dmitry Grushin)

  Auf diese Weise kann unser Algorithmus eine Prognose über den universitären Notendurchschnitt abgeben.

• k-Nearest-Neighbor-Algorithmus (kNN): Datenklassifizierung durch Nachbaranalyse

  Dieser Algorithmus ermöglicht es, ähnliche Datenpunkte („Nachbarn“) zu einem bestimmten Datenpunkt zu identifizieren und ihn dann derjenigen Klasse zuzuordnen, die bei den Nachbarn am häufigsten vertreten ist.

  Um das Konzept besser zu verstehen, können wir es an einem Beispiel veranschaulichen: Angenommen, Sie sind Dermatologe und haben in der Vergangenheit viele Hautläsionen als gut- oder bösartig klassifiziert. Sie vermuten, dass die Länge und Breite der Läsionen eine entscheidende Rolle spielen. Basierend auf vergangenen Diagnosen wissen Sie, welche Kombinationen von Länge und Breite zu welchem Ergebnis geführt haben.

  Um zukünftige Diagnosen zu unterstützen, setzen Sie den kNN ein. Sie stellen die Breite auf der x-Achse und die Länge auf der y-Achse dar. Blaue Punkte entsprechen gutartigen Läsionen, rote bösartigen. Der gelbe Punkt stellt eine noch nicht klassifizierte Läsion dar. Der kNN hilft Ihnen dabei, eine Diagnose zu treffen.

  Übrigens steht das "k" im kNN für die Anzahl der betrachteten Nachbarn. Die Auswahl von k kann zu unterschiedlichen Ergebnissen führen.

  Wenn Sie k=3 wählen, wird das neue Muttermal (der gelbe Punkt) als gutartig klassifiziert, da zwei der drei nächsten Nachbarn blau sind und nur einer rot ist. Bei k=5 überwiegen jedoch die roten Nachbarn (drei von fünf), wodurch das neue Muttermal als bösartig klassifiziert wird.

  Die Bestimmung des optimalen k ist eine nicht-triviale Aufgabe und hängt stark vom Anwendungsfall ab. Ebenso muss die Definition von "Abstand" oder "Nachbarschaft" berücksichtigt werden. Für zweidimensionale Räume wie im Beispiel ist dies einfach, aber auch für höherdimensionale Räume stehen Standardmaße zur Verfügung.

  Weitere Anwendungen dieser Verfahren umfassen:

  • Automatische Klassifizierung eingehender Dokumente wie Rechnungen, Mahnungen oder Terminanfragen.
  • Selbstständige Extraktion von Informationen wie Namen, Adressen und Datumsangaben.
  • Vorhersage laufender oder zukünftiger Prozesse, beispielsweise in Fertigungsabläufen.

  

  Dieser Algorithmus ermöglicht es, ähnliche Datenpunkte („Nachbarn“) zu einem bestimmten Datenpunkt zu identifizieren und ihn dann derjenigen Klasse zuzuordnen, die bei den Nachbarn am häufigsten vertreten ist. (Foto: AdobeStock - 358888374 Sidartha)

  Sobald das Grundprinzip verstanden ist, fällt der Schritt zur Weiterentwicklung der Verfahren nicht mehr so schwer. Auch bei komplexeren Algorithmen ist es nicht unbedingt erforderlich, die genaue Funktionsweise zu verstehen, sondern vielmehr zu wissen, welche Verfahren sich für bestimmte Problemstellungen eignen und wie man ihre Leistungsfähigkeit optimieren kann.

  Wenn Sie tiefer in das Thema eintauchen möchten, laden wir Sie herzlich ein, unsere kostenlosen Seminare im November zu besuchen oder sich direkt an mich zu wenden. Ich stehe Ihnen gerne für Fragen und zur Diskussion Ihrer KI-Anwendungsideen zur Verfügung!

Der Small2Big Data-Ansatz: Kontinuierliche Datenerfassung für robuste KI-Algorithmen.

Die Herausforderung besteht darin, gelabelte Daten aus dem Anwendungskontext zu beschaffen, um KI-Algorithmen und KI-basierte Modelle zu entwickeln. Besonders für robuste KI-Algorithmen sind große Datenmengen erforderlich, die vor ihrer Nutzung gesammelt werden müssen. Ziel ist es, KI-Funktionen auch für bisher unerforschte Themenbereiche zu erforschen und Daten zu erheben, um die Qualität der KI-Funktionen in Zukunft zu optimieren.

Im Small2Big Data-Ansatz werden die Daten in Echtzeit erhoben, wobei eine kontinuierliche Datenerfassung im Anwendungskontext als Grundlage für die KI-Algorithmen dient. Das Hauptziel besteht darin, gelabelte Daten im Rahmen des Small2Big Data-Ansatzes zu erheben, um die Entwicklung von KI-Applikationen zu unterstützen. Hierbei wird eine kontinuierliche Datenqualitätssicherung, Datenaufbereitung und Datenlabeling durchgeführt, um die Daten für die Nutzung durch andere Partner vorzubereiten.

Transparenz in der Praxis: Die Nachverfolgbarkeit von KI-Algorithmen

In einer Vielzahl von Branchen und Anwendungen überholen KI-Verfahren, insbesondere maschinelle Lernverfahren, zunehmend menschliche Entscheidungsträger. Sie kategorisieren Luftbilder, summarisieren Nachrichtentexte oder prognostizieren den Gasverbrauch - häufig mit einer Genauigkeit und Geschwindigkeit, die weit über menschliche Möglichkeiten hinausgehen.

Die Herausforderung intransparenter Entscheidungen

Trotz der weitreichenden Einsatzmöglichkeiten von KI-Technologien gibt es auch deutliche Schattenseiten. Ein gemeinsames Merkmal vieler Lernverfahren ist ihre mangelnde Nachvollziehbarkeit, Erklärbarkeit und Transparenz bei der Entscheidungsfindung, die durch hochkomplexe Modelle getroffen werden.

Besonders in Situationen, in denen Menschen direkt betroffen sind - wie bei der Hautkrebserkennung im Gesundheitswesen oder der Personalauswahl in öffentlichen Einrichtungen - wird neben der Genauigkeit des Modells auch die Nachvollziehbarkeit des Ergebnisses entscheidend. In solchen Fällen kann eine Expertenvalidierung der Entscheidung im Zweifelsfall, beispielsweise aufgrund rechtlicher Verpflichtungen, unerlässlich sein.

Vom Forschungslabor zur Unternehmensrealität: Explainable AI im Wandel

Das Fachgebiet "Explainable AI" (XAI) des maschinellen Lernens konzentriert sich auf Methoden und Techniken, die Einblicke in die Black Box der KI-Algorithmen ermöglichen sollen. Derzeit befindet es sich in einer faszinierenden Phase des Übergangs vom reinen Forschungsbereich hin zur praktischen Umsetzung in Unternehmen. Neben komplexen mathematischen Verfahren und deren Implementierung werden zunehmend auch einfach zugängliche Demonstratoren entwickelt, die das Thema auch Nicht-Spezialisten näherbringen sollen.

Das Fachgebiet "Explainable AI" (XAI) des maschinellen Lernens konzentriert sich auf Methoden und Techniken, die Einblicke in die Black Box der KI-Algorithmen ermöglichen sollen. (Foto: AdobeStock - 588458024 Eduardo Lópe)

Fazit

Zusammenfassend lässt sich sagen, dass die rechtlichen Aspekte und potenziellen Risiken im Zusammenhang mit KI-Algorithmen eine wichtige Rolle spielen. Es ist entscheidend, sich der rechtlichen Rahmenbedingungen bewusst zu sein, die den Einsatz und die Entwicklung von KI-Technologien regeln. Dies umfasst Fragen zum Datenschutz, zur Haftung und zur ethischen Verantwortung bei der Verwendung von KI. Darüber hinaus müssen die potenziellen Risiken, wie etwa Bias und Diskriminierung, sorgfältig berücksichtigt werden, um negative Auswirkungen auf Gesellschaft und Individuen zu minimieren. Ein verantwortungsvoller Umgang mit KI erfordert daher eine gründliche Analyse der rechtlichen und ethischen Dimensionen sowie geeignete Maßnahmen zur Risikominderung und zur Förderung einer verantwortungsbewussten KI-Entwicklung und -Nutzung.