Ein Provider ist jede natürliche oder juristische Person, die ein KI-System selbstständig entwickelt oder es unter ihrem Namen und ihrer Verantwortung verbreitet. Der Provider trägt die volle Verantwortung für die Einhaltung rechtlicher Anforderungen, muss das System dokumentieren, Risiken bewerten und bei Hochrisiko-Systemen im EU-KI-Register registrieren lassen.
Ein Operator ist eine Person oder Organisation, die ein bereits vorhandenes KI-System unter ihrer eigenen Verantwortung einsetzt; also beispielsweise eine Wirtschaftsförderung oder Stadtverwaltung, die ChatGPT oder ein anderes Tool für die Mitarbeitenden bereitstellt. Der Operator muss sicherstellen, dass die Mitarbeitenden angemessen geschult sind, und trägt die Verantwortung für den verantwortungsvollen Umgang mit dem System.
Der EU AI Act definiert vier Risikoklassen für KI-Systeme: Minimales Risiko (z.B. Spam-Filter; keine Regelungen erforderlich), begrenztes Risiko (z.B. Chatbots; Transparenzpflicht), hohes Risiko (z.B. KI-gestützte Recruiting-Verfahren; umfangreiche Dokumentation und Registrierung erforderlich) und unzumutbares Risiko (z.B. Social Scoring; Verbot). Diese Einstufung bestimmt, welche Compliance-Maßnahmen getroffen werden müssen.
Die Transparenzpflicht verpflichtet Operator und Provider, Nutzende klar darüber zu informieren, dass sie mit einem KI-System interagieren. Das kann bspw. durch einen Hinweis im Chatbot erfolgen: „Sie sprechen mit einem KI-Assistenten". Das schafft Vertrauen und Nachvollziehbarkeit, insbesondere bei Systemen, die direkt mit Menschen kommunizieren.
Ein KI-System ist die komplette, einsatzfähige Lösung: Es besteht aus einem KI-Modell plus zusätzlichen Komponenten wie Nutzeroberfläche, Sicherheitsmaßnahmen, Datenquellen und Dokumentation. ChatGPT in der Praxis ist also ein KI-System. Nutzende interagieren mit einer fertig konfigurierten Anwendung, nicht nur mit dem Modell dahinter.
Ein KI-Modell ist das Kernstück einer KI: eine mathematische Struktur, die aus großen Datenmengen gelernt hat, Muster zu erkennen und Vorhersagen zu treffen oder neue Inhalte zu generieren. Beispiele sind ChatGPT (Sprachmodell) oder ein Bilderkennungssystem. Das Modell selbst ist nicht die fertige Anwendung, sondern ihr „Gehirn".
KI-Modelle werden in mehrere Haupttypen unterteilt, die je nach Komplexität und Lernweise eingesetzt werden. Zu den grundlegenden Arten zählen regelbasierte Modelle (festgelegte wenn-dann-Regeln), maschinelles Lernen (Lernen aus Daten: überwacht für Klassifikation, unüberwacht für Mustererkennung), Deep Learning (tiefe neuronale Netze für Bilder oder Sprache, z.B. CNNs für Bilderkennung oder RNNs für Sequenzen) sowie generative Modelle (z.B. LLMs wie ChatGPT für Textgenerierung).
Ein Large Language Model (LLM) ist ein KI-Modell, das mit riesigen Textmengen trainiert wurde, um menschliche Sprache zu verstehen, Vorhersagen zu treffen und neue Inhalte wie Texte zu generieren. Beispiele sind ChatGPT oder ähnliche Systeme, die für Chatbots, Übersetzungen oder Analysen eingesetzt werden; im Gegensatz zu spezialisierten Modellen, die nur enge Aufgaben erfüllen. Im EU AI Act fallen LLMs oft unter allgemeine KI-Modelle mit Transparenzpflichten.
Ein Convolutional Neural Network (CNN) ist ein Deep-Learning-Modell, das speziell für die Verarbeitung von Bildern und räumlichen Daten entwickelt wurde, indem Filter Merkmale wie Kanten oder Formen automatisch erkannt werden. In mehreren Schichten werden einfache Muster zu komplexen Objekten aufgebaut, was CNNs ideal für Anwendungen wie Bilderkennung in der Qualitätskontrolle oder Objekterkennung macht. Im Vergleich zu RNNs fokussiert sich CNN auf räumliche statt sequenzielle Daten.
Ein Recurrent Neural Network (RNN) ist ein neuronales Netz für sequenzielle Daten wie Texte oder Zeitreihen, bei dem ein "Gedächtnis" (verborgener Zustand) vergangene Eingaben speichert und für Vorhersagen nutzt. RNNs werden für Aufgaben wie Spracherkennung oder Textvorhersage eingesetzt, wobei Schleifen die Abhängigkeiten zwischen aufeinanderfolgenden Elementen erfassen. Moderne Varianten wie LSTMs lösen Probleme wie Gradientenverschwinden, werden jedoch zunehmend durch Transformer ersetzt.