KI-Agenten sollen Aufgaben planen, Werkzeuge nutzen und digitale Prozesse eigenständig bearbeiten. Die Realität ist weiter als einfache Workflows, aber deutlich enger als viele Versprechen. Eine kritische Einordnung zwischen Tool-Use, GUI-Agenten, Sicherheitsrisiken und wirtschaftlicher Ernüchterung.
Die Entwicklung des überwachten Lernens zeigt, wie Daten, Rechenleistung, Modellarchitekturen und konkrete Anwendungen zusammenwirkten. Aus frühen Klassifikatoren entstanden produktive Systeme für Dokumente, Spam-Erkennung, Empfehlungen, Bildverarbeitung und später Sprachmodelle.
Regression bezeichnet Verfahren zur Vorhersage numerischer Zielgrößen. Der Artikel erklärt lineare und polynomiale Regression, Regularisierung, baumbasierte Verfahren, Zeitreihen-Forecasting und zentrale Evaluationsmetriken.
Klassifizierung ordnet Datenpunkte diskreten Zielklassen zu. Der Artikel erklärt zentrale Verfahren wie k-NN, Naive Bayes, logistische Regression, Support Vector Machines und Random Forests sowie typische Auswahlkriterien für praktische Anwendungen.
Large Language Models verarbeiten Instruktionen, Nutzdaten und externe Inhalte als gemeinsame Token-Sequenz. Dadurch entsteht ein Sicherheitsproblem, das klassischen Injection-Angriffen ähnelt, aber nicht mit denselben Mitteln gelöst werden kann. Der Artikel erklärt Prompt Injection, RAG- und Tool-Risiken, die OWASP Top 10 2025 und realistische Mitigation als kontrollierte Symptombekämpfung.
Generative KI zeigt Merkmale einer General Purpose Technology: breite Anwendbarkeit, technische Weiterentwicklung und komplementäre Innovationen. Ob daraus langfristig vergleichbare Produktivitätseffekte wie bei Elektrizität oder Computerisierung entstehen, bleibt offen.
Generative KI bezeichnet Verfahren, die neue Inhalte wie Texte, Bilder, Code oder Audio erzeugen können. Diese Systeme unterscheiden sich von klassischen Machine-Learning-Ansätzen, weil sie nicht nur Daten klassifizieren oder Werte vorhersagen, sondern Muster aus Trainingsdaten zur Erzeugung neuer Datenpunkte nutzen.
Eine technische Einordnung von Backpropagation als effizientes Verfahren zur Gradientenberechnung beim Training neuronaler Netze.