Welche KI gibt es: Eine umfassende Analyse von Konzepten, Technologien und Anwendungen für den deutschen Raum

1. Einleitung: KI neu verstanden – Jenseits der Schlagzeilen

Die öffentliche Wahrnehmung von Künstlicher Intelligenz (KI) wird oft von revolutionären Durchbrüchen und dystopischen Zukunftsvisionen dominiert. Hinter den Schlagzeilen verbirgt sich jedoch ein komplexes und facettenreiches Fachgebiet der Informatik, das sich durch klare Definitionen, eine reiche Geschichte und ein kontinuierliches Zusammenspiel von Theorie und Praxis auszeichnet. KI bedeutet, dass ein Computersystem menschliche kognitive Fähigkeiten wie Lernen, Problemlösung und Entscheidungsfindung nachahmen kann [1]. Im Kern geht es dabei nicht um die bloße Automatisierung von Abläufen, sondern um die Fähigkeit, datenbasierte Entscheidungen zu treffen und aus neuen Informationen zu lernen [1, 2]. Ein ausgereiftes KI-System kann neue Daten schnell und präzise verarbeiten und so für komplexe Szenarien wie autonome Fahrzeuge oder die Bilderkennung eingesetzt werden [1].

Um die aktuelle Entwicklung realistisch einordnen zu können, ist ein Blick auf den historischen Kontext unerlässlich. Die Geschichte der KI ist eine Abfolge von Phasen überzogenen Optimismus und nachfolgenden „KI-Wintern“, in denen die Finanzierung und die öffentliche Begeisterung nachließen [3]. Der Begriff „Künstliche Intelligenz“ wurde erstmals 1956 auf der Dartmouth-Konferenz geprägt, die heute als die Geburtsstunde des akademischen Fachgebiets gilt [3, 4]. Doch schon lange davor legten Pioniere wie Alan Turing mit seiner 1936 entwickelten Turing-Maschine den theoretischen Grundstein, indem er bewies, dass kognitive Prozesse in einzelne, durch Algorithmen darstellbare Schritte zerlegt werden können [4]. Der aktuelle Boom, der durch die massive Verfügbarkeit von Daten und Rechenleistung ermöglicht wurde, ist somit die jüngste Welle in einer jahrzehntelangen Forschungsgeschichte [2, 5].

2. Die grundlegenden Klassifikationen der Künstlichen Intelligenz

Die Vielfalt der existierenden KI-Systeme lässt sich am besten durch zwei grundlegende Klassifikationsschemata verstehen, die sich nicht widersprechen, sondern ergänzen.

Klassifizierung nach Intelligenzgrad: Das Drei-Stufen-Modell

Dieses Modell, auch bekannt als die „Drei-Stufen-Klassifizierung“, ordnet KI-Systeme nach ihrem Grad der allgemeinen Intelligenz im Vergleich zum Menschen ein.

• Schwache KI (Narrow AI): Dies ist der einzige Typ von KI, der heute existiert und in der Praxis Anwendung findet [1, 6]. Eine schwache KI ist auf ein einzelnes, klar definiertes Gebiet oder eine bestimmte Aufgabe spezialisiert. In diesem begrenzten Bereich kann sie menschliche Fähigkeiten übertreffen, wie beispielsweise bei der Bilderkennung, der Routenoptimierung für autonome Fahrzeuge oder in digitalen Assistenten [1]. Diese Systeme operieren innerhalb eines vordefinierten Rahmens und führen koordinierte Prozesse durch, ohne ein eigenes Bewusstsein oder Emotionen zu besitzen [1]. Sie sind im Wesentlichen hochspezialisierte Werkzeuge, die ihr Wissen nicht auf andere Bereiche übertragen können [6].
• Starke KI (General AI): Diese Form der KI ist noch nicht realisiert [6]. Eine starke KI, auch als allgemeine KI bezeichnet, wäre in der Lage, intellektuelle Aufgaben genauso gut wie ein Mensch zu erledigen und das in einem breiten Spektrum an Disziplinen [1]. Systeme dieser Art könnten hypothetisch hochkomplexe Probleme lösen, mit Unsicherheit umgehen, kreative und fantasievolle Schlussfolgerungen ziehen und ihr Wissen von einem Bereich auf einen anderen übertragen [1]. Dieses Konzept ist primär aus der Science-Fiction bekannt, wo Roboter ein dem Menschen ähnliches Bewusstsein und eigene Motive entwickeln [1].
• Künstliche Superintelligenz (ASI): Dies ist eine rein hypothetische Stufe, die den Menschen in nahezu jedem Bereich übertreffen würde, einschließlich Kreativität, allgemeinem Wissen und sozialen Fähigkeiten [1]. Ein System mit Superintelligenz könnte sich selbst Ziele und Werte setzen und diese flexibel an Situationen anpassen [6].

Klassifizierung nach Funktionalität: Von reaktiv zu selbstbewusst

Diese alternative Klassifikation, die oft als „Die vier Arten von KI“ bezeichnet wird, beschreibt die funktionellen Fähigkeiten eines KI-Systems in aufsteigender Komplexität.

• Typ 1: Reaktive Maschinen (Reactive Machines): Diese KI-Systeme sind die einfachste Form. Sie reagieren ausschließlich auf die aktuelle Situation und haben kein Gedächtnis oder die Fähigkeit, aus vergangenen Erfahrungen zu lernen [5, 7]. Ein paradigmatisches Beispiel ist der Schachcomputer IBM Deep Blue, der 1997 den Weltmeister Garry Kasparov besiegte [5, 7]. Sein Sieg beruhte nicht auf einem Verständnis von Schachstrategie im menschlichen Sinne, sondern auf der enormen Rechenleistung, die es ihm ermöglichte, alle denkbaren Züge in einer begrenzten Zeitspanne durchzuspielen [5].
• Typ 2: KI mit begrenzter Erinnerung (Limited Memory AI): Systeme dieses Typs können vergangene Daten kurzfristig speichern und für ihre aktuellen Entscheidungen nutzen [5, 7]. Autonome Fahrzeuge sind ein hervorragendes Beispiel. Ihre KI-Systeme verarbeiten nicht nur die unmittelbare Umgebung (andere Autos, Fußgänger, Schilder), sondern berücksichtigen auch kurzfristig gelernte Informationen wie die Geschwindigkeit eines anderen Fahrzeugs oder vergangene Verkehrsregeln [5]. Diese Systeme sind die Grundlage für die heute weit verbreitete KI, von personalisierten Empfehlungen bis hin zu persönlichen Assistenten [5].
• Typ 3: Theorie des Geistes (Theory of Mind): Diese Stufe existiert, wie die Superintelligenz, bisher nur in der Theorie [5, 7]. Eine solche KI wäre in der Lage, menschliche Emotionen, Absichten und Überzeugungen zu verstehen und ihr Verhalten entsprechend anzupassen [5, 7]. Die Entwicklung dieser Systeme stellt eine enorme Herausforderung dar, da sie die Komplexität menschlicher sozialer Normen und Emotionen abbilden müsste [5].
• Typ 4: Selbstwahrnehmung (Self-Awareness): Die höchste und hypothetische Stufe der KI [5, 7]. Eine selbstbewusste KI hätte ein vollständiges Bewusstsein und könnte sich selbst reflektieren [5]. Sie würde den Übergang von „Ich denke“ zu „Ich weiß, dass ich denke“ vollziehen [7].

Die beiden Klassifikationsmodelle sind komplementär. Die aktuell existierenden Typen 1 und 2 der Funktionalitätsklassifizierung sind Teilbereiche der Schwachen KI, während die hypothetischen Typen 3 und 4 die theoretischen Unterkategorien von Starker KI und Superintelligenz darstellen [5]. Die Geschichte der KI, von den frühen Chatbots wie ELIZA, die mit einfachen Skripten eine menschliche Konversation simulierten [3, 4], bis zum Sieg von Deep Blue, zeigt ein wiederkehrendes Muster: Die Öffentlichkeit neigt dazu, menschliche Intelligenz in Systeme zu projizieren, die in Wirklichkeit auf begrenzten, wenn auch leistungsstarken, Algorithmen beruhen. Die Fähigkeit von Deep Blue, alle möglichen Züge zu berechnen, ist beeindruckend, aber qualitativ anders als die menschliche Kognition [4]. Die konsequente Unterscheidung zwischen den Klassen der KI ist daher entscheidend, um ihre Fähigkeiten und Grenzen realistisch einzuschätzen.

3. Kernthemen und -Technologien: Das technologische Rückgrat der KI

Das Fundament der heutigen KI-Revolution ist das maschinelle Lernen (ML), das traditionelle, regelbasierte Ansätze abgelöst hat [2]. Innerhalb dieses Paradigmas haben sich wiederum spezialisierte Technologien und Anwendungsfelder herausgebildet.

Maschinelles Lernen (ML) und Deep Learning (DL)

Maschinelles Lernen ist ein Teilbereich der KI, der Algorithmen zur Erkennung von Mustern in Trainingsdaten nutzt, um darauf basierend genaue Schlussfolgerungen über neue Daten zu treffen [2]. Der grundlegende Unterschied zu traditionellen, regelbasierten Systemen ist, dass die Logik eines ML-Modells nicht explizit programmiert wird, sondern durch Erfahrung aus den Daten gelernt wird [2]. Dies macht ML-Systeme flexibler, skalierbarer und zugänglicher [2].

ML-Methoden lassen sich in drei Hauptparadigmen einteilen:

• Überwachtes Lernen (Supervised Learning): Das Modell wird mit gelabelten Daten, also Eingabe-Output-Paaren, trainiert, um eine korrekte Ausgabe vorherzusagen. Beispiele sind die Klassifikation von E-Mails als Spam oder die Vorhersage von Preisen in Regressionsmodellen [2].
• Unüberwachtes Lernen (Unsupervised Learning): Hierbei werden Modelle auf ungelabelten Daten trainiert, um intrinsische Muster, Korrelationen und Abhängigkeiten zu finden [2].
• Reinforcement Learning (RL): Das Modell lernt, indem es eine Umgebung evaluiert und Aktionen wählt, die eine maximale Belohnung erzielen [2]. Dieses Prinzip ist das Herzstück strategischer KI-Systeme.

Deep Learning ist eine Untergruppe des maschinellen Lernens, die sich durch die Verwendung großer, mehrschichtiger künstlicher neuronaler Netze auszeichnet [2]. Diese „tiefen“ Netze können die komplexesten Nuancen von Daten verarbeiten, indem sie einen Großteil der Datenvorverarbeitung (Feature Engineering) automatisieren [2]. Deep Learning hat sich zur führenden Modellarchitektur in fast allen KI-Anwendungsbereichen entwickelt [2].

Spezialisierte Anwendungsfelder

Die allgemeinen ML- und DL-Prinzipien werden in spezifischen Domänen angewendet, die die Interaktion von KI mit der realen Welt definieren.

• Generative KI: Diese Technologie ist in der Lage, neue und originelle Inhalte zu erzeugen, darunter Text, Bilder, Audio oder Code [2]. Sie basiert auf Deep-Learning-Modellen, die Muster und Beziehungen aus riesigen Datensätzen lernen und diese Informationen nutzen, um in Reaktion auf einen Prompt (eine Anweisung) neue, relevante Inhalte zu produzieren [2].
• Computer Vision (CV): Computer Vision ermöglicht es Maschinen, visuelle Daten wie Bilder und Videos zu interpretieren, zu analysieren und daraus bedeutsame Informationen zu extrahieren [8, 9]. Kernaufgaben umfassen die Objektklassifikation (Erkennen, ob ein Bild eine Person oder ein Fahrzeug zeigt), die Objekterkennung (Lokalisieren und Identifizieren spezifischer Objekte in einem Bild) und die optische Zeichenerkennung (OCR), die Text aus Bildern in digitales Format umwandelt [8].
• Natural Language Processing (NLP): Das NLP befasst sich mit der Verarbeitung von natürlicher menschlicher Sprache durch Computer [10, 11]. Es unterteilt sich in das Verstehen von Sprache (Natural Language Understanding, NLU) und die Generierung neuer Sprache (Natural Language Generation, NLG) [1, 11]. Anwendungen reichen von Chatbots und Sprachassistenten bis hin zu maschinellen Übersetzungsdiensten [1, 11].

Der dominierende Weg zur KI heute ist untrennbar mit maschinellem Lernen verbunden. Dies ist kein Zufall, da das Erlernen von Mustern direkt aus Daten von Natur aus flexibler und skalierbarer ist als die Programmierung expliziter Regeln [2]. Dies erklärt, warum ML-Modelle das Rückgrat der meisten modernen KI-Systeme bilden [2].

Eine nähere Betrachtung der Funktionsweise von prominenten KI-Systemen wie ChatGPT und AlphaGo verdeutlicht jedoch, dass es verschiedene Arten von „Intelligenz“ gibt, die durch ML-Methoden abgebildet werden. ChatGPT ist ein Meister der statistischen Nachahmung. Es lernt aus den Mustern in riesigen Textdatensätzen und kann so überzeugend neue Sprache generieren [2, 12]. Es ist ein „Replikationswerkzeug“, das menschliche Sprache imitiert, aber kein Verständnis von Kausalität hat, keine Ziele setzen oder Konsequenzen bewerten kann [12]. Im Gegensatz dazu ist AlphaGo ein „strategischer Lerner“. Das System wurde darauf trainiert, Aktionen auszuwählen, die eine maximale Belohnung (Sieg) erzielen, und konnte durch Selbstspiel über menschliche Taktiken hinauswachsen [13]. Diese Unterscheidung zeigt, dass selbst die modernsten KI-Systeme unterschiedliche Arten von Aufgaben lösen und damit verschiedene Facetten von Intelligenz abbilden.

4. Prominente KI-Systeme im Fokus

Die letzten Jahre waren von der breiten Verfügbarkeit bahnbrechender KI-Anwendungen geprägt. Doch die Technologie, die diese Systeme ermöglicht, ist oft weitaus weniger sichtbar als das Endprodukt.

ChatGPT und die Transformer-Architektur

Die Effizienz und Kohärenz von Sprachmodellen wie ChatGPT ist der Transformer-Architektur zu verdanken, die einen Paradigmenwechsel in der natürlichen Sprachverarbeitung (NLP) darstellte [14]. Frühere neuronale Netze zur Sequenzverarbeitung, wie die Recurrent Neural Networks (RNNs), hatten Schwierigkeiten, Assoziationen zwischen weit voneinander entfernten Wörtern zu lernen [14].

Die Transformer-Architektur löste dieses Problem durch einen Mechanismus namens „Self-Attention“, der das Herzstück des Modells bildet [15]. Dieser Mechanismus ermöglicht es dem Modell, beim Verarbeiten eines Wortes den gesamten Kontext eines Satzes zu berücksichtigen, unabhängig davon, wie weit andere relevante Wörter entfernt sind [15]. Im Gegensatz zu sequenzieller Verarbeitung ermöglicht der Transformer eine weitgehend parallele Datenverarbeitung, was die Trainingszeit erheblich verkürzt und das Training von Modellen mit Milliarden von Parametern ermöglicht [14, 15]. Diese Fähigkeit, den Kontext über sehr lange Sequenzen zu verstehen, ist der Hauptgrund für die beeindruckende, kohärente Textgenerierung in den heutigen großen Sprachmodellen (LLMs) [14, 15]. Obwohl die Erfindung dieser Architektur außerhalb der Fachwelt kaum Beachtung fand, hat sie die heutige Welle der generativen KI maßgeblich angestoßen [14].

Midjourney und Diffusionsmodelle

Midjourney hat sich schnell zu einem der führenden KI-Bildgeneratoren entwickelt [16]. Die technologische Basis hierfür sind sogenannte Diffusionsmodelle, die auf dem Prinzip der „Denoising Diffusion“ basieren [17]. Dieser Ansatz stellt die Erzeugung eines Bildes als einen schrittweisen Prozess dar, der bei reinem visuellen Rauschen beginnt. Das Modell lernt, dieses Rauschen nach und nach zu entfernen, bis ein kohärentes und erkennbares Bild entsteht [17]. Dieser Prozess ist im Vergleich zu früheren Bildgeneratoren oft stabiler und ermöglicht eine präzisere Steuerung der Ausgabe über eine Vielzahl von Parametern, wie dem Seitenverhältnis (–aspect), der Stilisierung (–stylize) oder der Qualität (–quality) [17]. Midjourney wandelt die Benutzereingabe (den Prompt) zunächst in eine abstrakte, semantische Darstellung um und nutzt dann leistungsstarke Grafikprozessoren (GPUs), um den Denoising-Prozess zu steuern [16, 17].

AlphaGo: Der Triumph des Reinforcement Learning

Der Sieg von AlphaGo gegen den Weltmeister im Go, Lee Sedol, im Jahr 2016, gilt als einer der wichtigsten Meilensteine in der Geschichte der KI [13]. Das Spiel Go ist aufgrund seiner exponentiell größeren Anzahl möglicher Züge weitaus komplexer als Schach und war historisch eine immense Herausforderung für KI [13]. AlphaGo bewältigte diese Komplexität durch eine Kombination aus zwei neuronalen Netzen und Reinforcement Learning [13, 18].

Zunächst wurde das System mit Millionen von aufgezeichneten professionellen Go-Spielen trainiert (Supervised Learning), um die grundlegenden Taktiken zu erlernen [18]. Der entscheidende Schritt jedoch war die zweite Trainingsphase: AlphaGo spielte Millionen von Partien gegen sich selbst [13, 18]. In diesem Prozess des „Selbstspiels“ lernte das System durch Versuch und Irrtum. Ein „Policy Network“ wählte dabei den nächsten Zug aus, während ein „Value Network“ die Wahrscheinlichkeit eines Sieges für jede gegebene Spielsituation bewertete [13, 18]. Die Kombination aus diesen lernenden Netzen mit dem Monte-Carlo-Baumsuche-Algorithmus (MCTS) ermöglichte es AlphaGo, die Grenzen des menschlichen Spiels zu überwinden und strategische Entscheidungen zu treffen, die für seine menschlichen Gegner unerwartet waren [13].

Historische Meilensteine, wie die frühen Chatbots ELIZA (1966) und die Siege von IBMs Deep Blue (1997) im Schach und Watson (2011) bei der Quizshow „Jeopardy!“, markieren die fortschreitende Eroberung immer komplexerer Domänen. Schach ist ein Spiel mit klar definierten Regeln, das eine rein rechenintensive Lösung ermöglicht [4]. Go hingegen erforderte einen strategischeren, lernbasierten Ansatz, da die schiere Anzahl der Möglichkeiten eine Brute-Force-Lösung unmöglich macht [13]. Die jüngsten Entwicklungen im Bereich der generativen KI zeigen den Fortschritt bei der Verarbeitung und Erzeugung unstrukturierter Daten (Sprache, Bilder), was die Interaktion mit Maschinen für den Durchschnittsnutzer revolutioniert.

5. Ethische, soziale und rechtliche Aspekte der KI

Der zunehmende Einsatz von KI in Wirtschaft und Gesellschaft wirft wichtige ethische, soziale und rechtliche Fragen auf, die eine sorgfältige Regulierung und ein verantwortungsvolles Handeln erfordern.

Ethische Herausforderungen

• Bias (Voreingenommenheit): Eine der größten ethischen Gefahren von KI-Systemen ist der Bias, also die Voreingenommenheit, die aus den Trainingsdaten resultiert [29, 30]. Wenn die Daten historische Vorurteile enthalten, reproduziert und verstärkt die KI diese unbewussten Verzerrungen in ihren Entscheidungen [29]. Ein bekanntes Beispiel ist die Einstellungs-KI von Amazon, die Bewerbungen von Frauen benachteiligte, weil sie auf Daten aus einem historisch von Männern dominierten Tech-Sektor trainiert wurde [29]. Die Verantwortung liegt beim Menschen, die Trainingsdaten auf Diversität zu überprüfen und die „richtigen“ Verzerrungen für strategische Ziele bewusst festzulegen [29].
• Datenschutz: Der hohe „Datenhunger“ der KI steht in einem Spannungsverhältnis zum Datenschutzrecht [30]. Datenlecks sind eine ständige Gefahr, wenn sensible Informationen unzureichend geschützt sind [29]. Unternehmen sind in der Verantwortung, klare Richtlinien für Mitarbeiter zu schaffen, welche Daten mit KI-Tools geteilt werden dürfen und welche nicht, beispielsweise durch die Deaktivierung des Chatverlaufs bei öffentlichen Modellen [29].

Der rechtliche Rahmen: Das EU-KI-Gesetz

Der EU AI Act ist eine wegweisende Verordnung, die den Einsatz von KI in Europa regelt [31]. Das Gesetz, das am 1. August 2024 in Kraft trat, verfolgt einen risikobasierten Ansatz, der KI-Systeme in drei Kategorien einteilt:

• Verbotene KI: Systeme mit einem „inakzeptablen Risiko“ sind strengstens untersagt, wie beispielsweise soziale Bewertungssysteme („Social Scoring“) oder kognitive Verhaltensmanipulation [31].
• Hochrisiko-KI: Systeme, die die menschliche Sicherheit oder Grundrechte gefährden, müssen strenge Anforderungen an Transparenz, Überwachung und Risikomanagement erfüllen. Hierzu zählen KI-Systeme in medizinischen Geräten, autonomem Fahren und der Strafverfolgung [31].
• KI mit minimalem Risiko: Der Großteil der KI-Anwendungen, wie Spamfilter oder Videospiele, fällt in diese Kategorie und wird nicht reguliert [31].

Das Gesetz legt zudem fest, dass wichtige Entscheidungen, die erhebliche Auswirkungen auf das Leben von Menschen haben, stets von einer natürlichen Person getroffen werden müssen [29]. Der Mensch bleibt somit die entscheidende „letzte Instanz“, insbesondere bei sensiblen Prozessen im Personalwesen oder in der Medizin [29].

6. Fazit und Ausblick

Die KI-Landschaft ist weit mehr als nur generative Modelle. Sie umfasst ein Spektrum von Definitionen, Technologien wie maschinellem Lernen und Deep Learning, und spezialisierten Domänen wie Computer Vision und NLP. Die Unterscheidung zwischen der heute existierenden schwachen KI und der noch hypothetischen starken KI ist essenziell, um die aktuellen Fähigkeiten realistisch zu bewerten und die Erwartungen zu steuern. Während Systeme wie ChatGPT meisterhaft in der Nachahmung sind, demonstrieren andere wie AlphaGo eine strategische Intelligenz.

Die Analyse des deutschen Raums zeigt, dass die KI-Adoption trotz anfänglicher Hürden bei Fachkräften und Investitionen deutlich an Fahrt gewinnt. Deutsche Unternehmen integrieren KI als Werkzeug zur Effizienzsteigerung und Mitarbeiterunterstützung. Die Forschungslandschaft, mit Institutionen wie dem DFKI und dem Fraunhofer IAIS, verfolgt einen strategischen Weg, der auf „vertrauenswürdige KI“ und die Entwicklung von Zertifizierungsstandards abzielt.

Der EU AI Act ist ein wegweisender Schritt zur Schaffung eines robusten rechtlichen Rahmens, der Europa als Vorreiter für ethische und sichere KI-Lösungen positionieren kann. Die größte Herausforderung wird darin bestehen, ein Gleichgewicht zwischen Regulierung, die das Vertrauen der Bürger stärkt, und Innovationsgeschwindigkeit zu finden. Der Mangel an qualifizierten Fachkräften bleibt eine zentrale Hürde, die nur durch gezielte Investitionen in die Digitalkompetenzen der Belegschaft überwunden werden kann. Deutschland hat das Potenzial, nicht nur eine KI zu nutzen, sondern eine verantwortungsvolle „KI made in Germany“ zu gestalten.

Quellenverzeichnis:

1. Was ist künstliche Intelligenz?
2. What is machine learning ?
3. Die wichtigsten Meilensteine der Künstlichen Intelligenz
4. Die Geschichte der Künstlichen Intelligenz
5. KI: Ihr Wegweiser zu den 4 Arten der Künstlichen Intelligenz
6. Was ist KI?
7. Die 4 Arten von KI
8. What is computer vision?
9. Amazon Computer Vision
10. Natural language processing
11. Natural Language Processing
12. Why AlphaGo, Not ChatGPT, Will Shape the Progress
13. What is AlphaGo, and how did it use reinforcement learning?
14. What is transformer architecture and how does it power ChatGPT?
15. KI-Kunst beherrschen: Ein prägnanter Leitfaden für Midjourney und Prompt Engineering
16. AlphaGo Algorithm in Artificial Intelligence
17. Einsatz von Künstlicher Intelligenz in der Deutschen Wirtschaft
18. Angewandte KI-Forschung seit Jahrzehnten
19. Netzwerk der Deutschen Kompetenzzentren für Forschung zu Künstlicher Intelligenz
20. Diese KI-Unternehmen aus Deutschland sollten Sie kennen
21. Helsing, Manex AI & Co.: KI-Start-Ups aus Deutschland
22. KI in der Automobilindustrie: Anwendungsfälle, Erfolgsgeschichten & Leitlinien für die Einführung
23. Diese 9 deutschen Unternehmen nutzen bereits KI
24. KI in Gesundheitsfachberufen
25. KI trifft Gesundheit: Digitale Innovationen in der Versorgung verwirklichen
26. Ethischer Einsatz von künstlicher Intelligenz (KI) in der Arbeitswelt: ein Leitfaden
27. KÜNSTLICHE INTELLIGENZ: CHANCEN UND RISIKEN AUS DATENSCHUTZ- UND ANTIDISKRIMINIERUNGSRECHTLICHER PERSPEKTIVE
28. KI-Verordnung