Was Ist Künstliche Intelligenz KI? Wie Funktioniert KI?

Inhaltsverzeichnis

Beispielsweise basieren Ihre Interaktionen mit Alexa und Google alle auf Deep Learning. Im medizinischen Bereich können nun KI-Techniken aus Deep Learning und Objekterkennung verwendet werden, um Krebs auf medizinischen Bildern mit verbesserter Genauigkeit zu lokalisieren. Viele Probleme in der KI erfordern, dass der Agent mit unvollständigen oder unsicheren Informationen arbeitet. KI-Forscher haben eine Reihe von Werkzeugen entwickelt, um diese Probleme mit Methoden aus der Wahrscheinlichkeitstheorie und der Ökonomie zu lösen.

Logik wird zur Wissensrepräsentation und Problemlösung verwendet, kann aber auch auf andere Probleme angewendet werden. Beispielsweise verwendet der Satplan-Algorithmus Logik zur Planung, und die induktive Logikprogrammierung ist eine Methode zum Lernen. Die Erklärbarkeit ist ein potenzieller Stolperstein für den Einsatz von KI in Branchen, die strengen regulatorischen Anforderungen unterliegen. Beispielsweise unterliegen Finanzinstitute in den Vereinigten Staaten Vorschriften, die von ihnen verlangen, ihre Kreditvergabeentscheidungen zu erläutern. Wenn der Entscheidungsprozess nicht erklärt werden kann, kann das Programm als Black-Box-KI bezeichnet werden.

  • Eine Zusammenarbeit von Deloitte mit dem Oxford Martin Institute26 deutete darauf hin, dass 35 % der britischen Arbeitsplätze in den nächsten 10 bis 20 Jahren durch KI automatisiert werden könnten.
  • Künstliche Intelligenz hat sich als das nächste große Ding im Technologiebereich herauskristallisiert.
  • KI und maschinelles Lernen verändern die Art und Weise, wie die Gesellschaft mit wirtschaftlichen und nationalen Sicherheitsherausforderungen und -chancen umgeht.
  • Deep-Learning-Modelle haben in der Regel mehr als drei Schichten und können Hunderte von Schichten haben.

AlphaGo besiegte auch Weltklasse-Konkurrenten des Spiels und besiegte 2016 den Champion Go-Spieler Lee Sedol. Diese Reihe von Strategieleitfäden und begleitenden Webinaren, produziert von SAS und MIT SMR Connections, bietet Anleitungen von Branchenprofis. Die frühe KI-Forschung in den 1950er Jahren befasste sich mit Themen wie Problemlösung und symbolischen Methoden. In den 1960er Jahren interessierte sich das US-Verteidigungsministerium für diese Art von Arbeit und begann, Computer so zu trainieren, dass sie grundlegendes menschliches Denken nachahmen. Beispielsweise hat die Defense Advanced Research Projects Agency in den 1970er Jahren Straßenkartierungsprojekte abgeschlossen.

Andrew Ng, Gründer des Google Brain Deep Learning-Projekts, füttert ein neuronales Netzwerk mithilfe von Deep-Learning-Algorithmen mit 10 Millionen YouTube-Videos als Trainingssatz. Das neuronale Netzwerk lernte, eine Katze zu erkennen, ohne dass ihm gesagt wurde, was eine Katze ist, und leitete damit die Ära des Durchbruchs für neuronale Netzwerke und die Finanzierung von Deep Learning ein. Während Hollywood-Filme und Science-Fiction-Romane KI als menschenähnliche Roboter darstellen, die die Welt übernehmen, ist die aktuelle Entwicklung der KI-Technologien nicht so beängstigend – oder ganz so schlau.

Sie unterscheiden sich von passiven Maschinen, die nur zu mechanischen oder vorbestimmten Reaktionen fähig sind. Mithilfe von Sensoren, digitalen Daten oder Ferneingaben kombinieren sie Informationen aus einer Vielzahl unterschiedlicher Quellen, analysieren das Material sofort und handeln auf der Grundlage der aus diesen Daten gewonnenen Erkenntnisse. Mit massiven Verbesserungen bei Speichersystemen, Verarbeitungsgeschwindigkeiten und Analysetechniken sind sie in der Lage, eine enorme Raffinesse bei der Analyse und Entscheidungsfindung zu erreichen. Da die Deep-Learning-Technologie mithilfe von KI lernen kann, komplexe Muster in Daten zu erkennen, wird sie häufig in der Verarbeitung natürlicher Sprache, der Spracherkennung und der Bilderkennung eingesetzt.

KI kann die Benotung automatisieren, sodass Pädagogen mehr Zeit für andere Aufgaben haben. Es kann die Schüler einschätzen und sich an ihre Bedürfnisse anpassen, um ihnen zu helfen, in ihrem eigenen Tempo zu arbeiten. KI-Tutoren können den Schülern zusätzliche Unterstützung bieten und sicherstellen, dass sie auf Kurs bleiben. Die Technologie könnte auch ändern, wo und wie Schüler lernen, und vielleicht sogar einige Lehrer ersetzen. Wie von ChatGPT, Bard und anderen großen Sprachmodellen gezeigt, kann generative KI Pädagogen dabei helfen, Kursarbeiten und andere Unterrichtsmaterialien zu erstellen und Schüler auf neue Weise einzubeziehen. Das Aufkommen dieser Tools zwingt Pädagogen auch dazu, die Hausaufgaben und Tests der Schüler zu überdenken und die Richtlinien zu Plagiaten zu überarbeiten.

image

Ein neuronales Netzwerk ist eine miteinander verbundene Gruppe von Knoten, ähnlich dem riesigen Netzwerk von Neuronen im menschlichen Gehirn. Die Leistung des Klassifikators hängt stark von den Merkmalen der zu klassifizierenden Daten ab, wie z. Der Größe des Datensatzes, der Verteilung der Stichproben auf die Klassen, der Dimensionalität und dem Rauschpegel. Modellbasierte Klassifikatoren funktionieren gut, wenn das angenommene Modell sehr gut zu den tatsächlichen Daten passt. Andernfalls, wenn kein übereinstimmendes Modell verfügbar ist und Genauigkeit das einzige Anliegen ist, ist die herkömmliche Weisheit, dass diskriminierende Klassifikatoren bei den meisten praktischen Datensätzen tendenziell genauer sind als modellbasierte Klassifikatoren wie "naive Bayes". Maschinenwahrnehmung ist die Fähigkeit, Eingaben von Sensoren zu verwenden, um Aspekte der Welt abzuleiten.

Die zweite Vision, die als konnektionistischer Ansatz bekannt ist, zielte darauf ab, Intelligenz durch Lernen zu erreichen. Befürworter dieses Ansatzes, allen voran Frank Rosenblatt, versuchten, Perceptron auf eine Weise zu verbinden, die von Verbindungen von Neuronen inspiriert war. James Manyika und andere haben die beiden Herangehensweisen an den Geist und das Gehirn verglichen. Manyika argumentiert, dass symbolische Ansätze den Drang nach künstlicher Intelligenz in dieser Zeit dominierten, teilweise aufgrund ihrer Verbindung zu intellektuellen Traditionen von Descartes, Boole, Gottlob Frege, Bertrand Russell und anderen. Konnektionistische Ansätze, die auf Kybernetik oder künstlichen neuronalen Netzen basieren, wurden in den Hintergrund gedrängt, haben aber in den letzten Jahrzehnten eine neue Bedeutung erlangt.

DeepMind strebt weiterhin nach künstlicher allgemeiner Intelligenz, wie die wissenschaftlichen Lösungen belegen, die es durch KI-Systeme anstrebt. Es hat maschinelle Lernmodelle für Document AI entwickelt, das Zuschauererlebnis auf Youtube optimiert, AlphaFold für Forscher weltweit verfügbar gemacht und vieles mehr. Selbstfahrende Autos sind ein erkennbares Beispiel für Deep Learning, da sie tiefe neuronale Netze verwenden, um Objekte um sie herum zu erkennen, ihren Abstand zu anderen Autos zu bestimmen, Verkehrssignale zu identifizieren und vieles mehr. Künstliche Intelligenz ermöglicht es Maschinen, die Fähigkeiten des menschlichen Geistes zu modellieren oder sogar zu verbessern.

Einige der Branchen, die sich intensiv mit dem Bereich der KI befasst haben, um neue Anwendungen zu finden, sind E-Commerce, Einzelhandel, Sicherheit und Überwachung. KI wird in verschiedenen Branchen wie dem Gesundheitswesen, dem Bank- und Finanzwesen, dem Marketing und der Unterhaltungsindustrie eingesetzt. Deep Learning Engineer, Data Scientist, Director of Data Science und Senior Data Scientist sind einige der Top-Jobs, die KI-Fähigkeiten erfordern. Derzeit wird der Zweck der künstlichen Intelligenz von all den verschiedenen Werkzeugen und Techniken geteilt, die wir in den letzten tausend Jahren erfunden haben – um die menschliche Anstrengung zu vereinfachen und uns zu helfen, bessere Entscheidungen zu treffen.

Da sich der Hype um KI beschleunigt hat, haben Anbieter sich bemüht, die Nutzung von KI durch ihre Produkte und Dienstleistungen zu fördern. Oft ist das, was sie als KI bezeichnen, einfach eine Komponente der Technologie, wie zum Beispiel maschinelles Lernen. KI erfordert eine Grundlage aus spezialisierter Hardware und Software zum Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Keine einzelne Programmiersprache ist gleichbedeutend mit KI, aber Python, R, Java, C und Keynote Speaker Künstliche Intelligenz Julia haben Funktionen, die bei KI-Entwicklern beliebt sind. Das vielleicht am schwierigsten zu lösende Problem angesichts der heutigen Technologien ist die Transparenz.

Verarbeitung Natürlicher Sprache

Diese Fähigkeit wird von vielen als KI bezeichnet, aber maschinelles Lernen ist eigentlich eine Teilmenge der künstlichen Intelligenz. Wenn Sie mehr über die faszinierenden und sich schnell entwickelnden Technologien der künstlichen Intelligenz wissen möchten, decken wir alles ab, von maschinellem Lernen und allgemeiner KI bis hin zu neuronalen Netzen. Das Konzept basiert auf der psychologischen Prämisse zu verstehen, dass andere Lebewesen Gedanken und Emotionen haben, die das Verhalten des eigenen Selbst beeinflussen. In Bezug auf KI-Maschinen würde dies bedeuten, dass die KI verstehen könnte, wie Menschen, Tiere und andere Maschinen sich fühlen und durch Selbstreflexion und Entschlossenheit Entscheidungen treffen und diese Informationen dann nutzen könnten, um eigene Entscheidungen zu treffen. Ist eine Art maschinelles Lernen, das Eingaben durch eine biologisch inspirierte neuronale Netzwerkarchitektur führt.

Je mehr Patienten proaktiv an ihrem eigenen Wohlbefinden und ihrer Pflege teilnehmen, desto besser sind die Ergebnisse – Auslastung, finanzielle Ergebnisse und Mitgliedererfahrung. Organisationen sollten über Risikorahmen und Notfallpläne für den Fall eines Problems verfügen. Machen Sie sich klar, wer für die von KI-Systemen getroffenen Entscheidungen verantwortlich ist, und definieren Sie den Managementansatz, um bei Bedarf zur Eskalation von Problemen beizutragen. Aufgrund der Verbreitung von Daten und der Reife anderer Innovationen in der Cloud-Verarbeitung und Rechenleistung nimmt die Einführung von KI schneller denn je zu.

Training Und Entwicklung Von KI-Modellen

Es gibt jedoch keine aggregierte Sammlung von Radiologiebildern, beschriftet oder anderweitig. Deep Learning wird auch zunehmend zur Spracherkennung eingesetzt und ist als solche eine Form der Verarbeitung natürlicher Sprache, die im Folgenden beschrieben wird. Im Gegensatz zu früheren Formen der statistischen Analyse hat jedes Merkmal in einem Deep-Learning-Modell normalerweise wenig Bedeutung für einen menschlichen Beobachter. Infolgedessen kann die Erklärung der Ergebnisse des Modells sehr schwierig oder unmöglich zu interpretieren sein. Technologien wie maschinelles Lernen und Verarbeitung natürlicher Sprache sind alle Teil der KI-Landschaft. Jede entwickelt sich auf ihrem eigenen Weg und kann in Kombination mit Daten, Analysen und Automatisierung Unternehmen dabei helfen, ihre Ziele zu erreichen, sei es bei der Verbesserung des Kundenservice oder der Optimierung der Lieferkette.

image

Dies schränkt das Ausmaß ein, in dem Kreditgeber Deep-Learning-Algorithmen verwenden können, die von Natur aus undurchsichtig und nicht erklärbar sind. KI ist für viele der größten und erfolgreichsten Unternehmen von heute von zentraler Bedeutung, darunter Alphabet, Apple, Microsoft und Meta, wo KI-Technologien eingesetzt werden, um den Betrieb zu verbessern und die Konkurrenz zu überholen. Bei der Alphabet-Tochter Google beispielsweise steht KI im Mittelpunkt ihrer Suchmaschine, der selbstfahrenden Autos von Waymo und von Google Brain, das die neuronale Transformatorarchitektur erfunden hat, die die jüngsten Durchbrüche in der Verarbeitung natürlicher Sprache untermauert.

Beispielsweise setzt das DOE SC Fusion Energy Science-Programm KI ein, um die Kontrolle von Fusionsreaktionen zu unterstützen, mit dem Ziel, die Erzeugung von Fusionsenergie zu einer kommerziellen Realität zu machen. Bei strenger Auslegung werden diese Regeln es europäischen Softwaredesignern erschweren, künstliche Intelligenz und High-Definition-Mapping in autonome Fahrzeuge zu integrieren. Von zentraler Bedeutung für die Navigation in diesen Autos und Lastwagen ist die Verfolgung von Standorten und Bewegungen. Ohne hochauflösende Karten mit geocodierten Daten und dem Deep Learning, das diese Informationen nutzt, wird das vollautonome Fahren in Europa stagnieren. Durch diese und andere Datenschutzmaßnahmen benachteiligt die Europäische Union ihre Hersteller und Softwaredesigner gegenüber dem Rest der Welt erheblich.