Algorithmus

Sep. 19, 2025

—

von

Philipp: Schweizer KI Akademie

Einfach erklärt

Ein Algorithmus ist eine klare Schritt‑für‑Schritt‑Anleitung, mit der man ein Problem löst oder eine Aufgabe erledigt. Wichtig: Die Schritte sind endlich, eindeutig und führen von Eingabe zu Ausgabe.

Alltags‑Beispiele:

Kochrezept: Zutaten (= Eingaben) + feste Reihenfolge der Schritte → fertiges Gericht (= Ausgabe).
Navigations‑App: Start & Ziel (= Eingaben) → der Algorithmus berechnet eine Route (z. B. die schnellste).
Sortieren: Ein Algorithmus wie Quicksort ordnet eine unsortierte Liste (Eingabe) aufsteigend (Ausgabe).

Im KI‑Kontext:

Ein KI‑Modell folgt auch Algorithmen (z. B. Lern‑Algorithmen), die festlegen, wie aus Daten Muster gelernt werden.
Bei Kryptographie sprechen wir von Verschlüsselungs‑Algorithmen (z. B. SHA‑Familie für Hashes), die fest definierte Schritte ausführen.

Merke: Ein Algorithmus ist nicht dasselbe wie ein Programm. Das Programm ist die Umsetzung des Algorithmus auf einem Computer.

Professionelle Definition

Ein Algorithmus ist eine eindeutige, endliche Folge wohldefinierter Schritte, die eine Eingabe in eine Ausgabe überführt (Problem‑/Klassenlösung). In der Theorie wird das präzise mit Berechenbarkeits‑Modellen gefasst (z. B. Turing‑Maschine).

Eigenschaften (typisch):

Endlichkeit (endet nach endlich vielen Schritten),
Determiniertheit/Determinismus (Ablauf bzw. nächster Schritt ist eindeutig festgelegt),
Korrektheit (liefert bei gültiger Eingabe die richtige Ausgabe),
Effizienz (Aufwand lässt sich analysieren, z. B. mit O‑Notation).

Algorithmen können grafisch (z. B. Programmablaufplan), in Pseudocode oder in Programmiersprachen beschrieben werden.

Wie nutzt KI Algorithmen?

Einfach erklärt

KI nutzt viele Arten von Algorithmen gleichzeitig:

Lern‑Algorithmen (z. B. Gradientenabstieg mit Backpropagation) passen die Gewichte eines Modells so an, dass Fehler kleiner werden.
Entscheidungs‑Algorithmen nutzen das Gelernte, um Vorhersagen zu machen (z. B. Klassifizieren, Übersetzen, Bilder erkennen).
Such‑ und Planungs‑Algorithmen (z. B. in Spielen oder bei Robotern) planen Schrittfolgen, um ein Ziel zu erreichen.
Verstärkendes Lernen (Reinforcement Learning) nutzt Belohnung/Strafe, damit ein Agent durch Ausprobieren bessere Strategien findet.

Mini‑Beispiel: Beim Erkennen von Handschriften sieht das Netz ein Bild (Eingabe), rechnet eine Vorhersage, vergleicht mit der Lösung, berechnet den Fehler (Loss) und ändert per Gradientenabstieg seine Gewichte. Nach vielen Runden wird es treffsicherer.

Professionell

Optimierung: Minimierung einer Verlustfunktion $z. B. Kreuzentropie, MSE$ via Gradientenverfahren; Backpropagation liefert Gradienten durch die Schichten eines NN.
Inferenz: Gegeben θ (trainierte Parameter) wird ŷ = f_θ(x) berechnet; bei Sequenzmodellen häufig Suche (z. B. Beam Search) im Ausgaberaum.
RL‑Algorithmen: Policy‑Gradient, Q‑Learning, Actor‑Critic maximieren den erwarteten Return; Exploration/Exploitation‑Trade‑off.
Such/Planung: Heuristische Suche $A*$, Monte‑Carlo Tree Search kombiniert mit Wert‑/Politik‑Netzen.