Wie Künstliche Intelligenz Die Welt Verändert

Inhaltsverzeichnis

Das ideale Merkmal der künstlichen Intelligenz ist ihre Fähigkeit, zu rationalisieren und Maßnahmen zu ergreifen, die die besten Chancen haben, ein bestimmtes Ziel zu erreichen. Eine Teilmenge der künstlichen Intelligenz ist maschinelles Lernen, das sich auf das Konzept bezieht, dass Computerprogramme automatisch aus neuen Daten lernen und sich an neue Daten anpassen können, ohne von Menschen unterstützt zu werden. Deep-Learning-Techniken ermöglichen dieses automatische Lernen durch die Aufnahme riesiger Mengen unstrukturierter Daten wie Text, Bilder oder Videos. Jeder, der maschinelles Lernen als Teil realer, produktionsinterner Systeme einsetzen möchte, muss Ethik in seine KI-Trainingsprozesse einbeziehen und sich bemühen, Voreingenommenheit zu vermeiden. Dies gilt insbesondere bei der Verwendung von KI-Algorithmen, die in Deep Learning- und Generative Adversarial Network-Anwendungen von Natur aus unerklärlich sind.

KI mit begrenztem Speicher hat die Fähigkeit, frühere Daten und Vorhersagen zu speichern, wenn Informationen gesammelt und potenzielle Entscheidungen abgewogen werden – im Wesentlichen sucht sie in der Vergangenheit nach Hinweisen darauf, was als Nächstes kommen könnte. KI mit begrenztem Speicher ist komplexer und bietet größere Möglichkeiten als reaktive Maschinen. Aus mehreren Gründen haben nur wenige Unternehmen KI in großem Maßstab eingesetzt. Wenn sie beispielsweise kein Cloud Computing verwenden, sind maschinelle Lernprojekte oft rechenintensiv. Sie sind auch komplex zu bauen und erfordern Fachwissen, das stark nachgefragt, aber knapp ist.

  • Es kann dazu beitragen, das unglaubliche Potenzial von Talenten mit Behinderungen freizusetzen.
  • Sie werden auch intelligenter, da andere KI-Fähigkeiten in ihr „Gehirn“ eingebettet werden.
  • Es ist nur natürlich, dass sich heute jeder irgendwie mit der KI-Technologie verbinden möchte, sei es als Endbenutzer oder als Berufseinsteiger in der künstlichen Intelligenz.
  • Bemerkenswerte Fortschritte bei den KI-Fähigkeiten haben zu einer Vielzahl von Innovationen geführt, darunter autonome Fahrzeuge und vernetzte Internet-of-Things-Geräte in unseren Häusern.
  • Neuronale Netze können als eine Art mathematische Optimierung angesehen werden – sie führen einen Gradientenabstieg auf einer mehrdimensionalen Topologie durch, die durch Training des Netzes erstellt wurde.

Sie bestehen aus miteinander verbundenen Schichten von Algorithmen, die Daten ineinander speisen. Neuronale Netze können für die Ausführung bestimmter Aufgaben trainiert werden, indem die Bedeutung geändert wird, die Daten bei der Übertragung zwischen Schichten beigemessen wird. Während des Trainings dieser neuronalen Netze werden die Gewichtungen, die den Daten beim Passieren zwischen den Schichten zugeordnet werden, weiterhin variiert, bis die Ausgabe des neuronalen Netzes sehr nahe an dem liegt, was gewünscht wird. Obwohl die Begriffe „maschinelles Lernen“ und „tiefes Lernen“ in Gesprächen über KI häufig vorkommen, sollten sie nicht synonym verwendet werden. Deep Learning ist eine Form des maschinellen Lernens, und maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz.

Einige Forscher und Vermarkter hoffen, dass das Label Augmented Intelligence, das eine neutralere Konnotation hat, den Menschen hilft zu verstehen, dass die meisten Implementierungen von KI schwach sein werden und einfach Produkte und Dienstleistungen verbessern werden. Beispiele hierfür sind das automatische Auftauchen wichtiger Informationen in Business-Intelligence-Berichten oder das Hervorheben wichtiger Informationen in Rechtsakten. Die schnelle Einführung von ChatGPT und Bard in der gesamten Branche zeigt die Bereitschaft, KI zur Unterstützung der menschlichen Entscheidungsfindung einzusetzen. Sie haben vorgeschlagen, den Begriff Augmented Intelligence zu verwenden, um zwischen KI-Systemen zu unterscheiden, die autonom agieren – Beispiele aus der Populärkultur sind Hal 9000 und The Terminator – und KI-Tools, die Menschen unterstützen. KI in persönlichen Finanzanwendungen wie Intuit Mint oder TurboTax stört Finanzinstitute.

image

Superintelligente KI kann sich möglicherweise so weit verbessern, dass Menschen sie nicht mehr kontrollieren können. Dies könnte, wie der Physiker Stephen Hawking es ausdrückt, „das Ende der Menschheit bedeuten“. Der Philosoph Nick Bostrom argumentiert, dass ausreichend intelligente KI, wenn sie Aktionen basierend auf dem Erreichen eines bestimmten Ziels auswählt, konvergentes Verhalten zeigt, wie z. Wenn die Ziele dieser KI die der Menschheit nicht vollständig widerspiegeln, muss sie möglicherweise der Menschheit Schaden zufügen, um mehr Ressourcen zu erwerben, oder verhindern, dass sie heruntergefahren wird, um letztendlich ihr Ziel besser zu erreichen.

Das Folgende ist ein kurzer Überblick über einige der wichtigsten Ereignisse in der KI. Die Technologie der künstlichen Intelligenz nimmt viele Formen an, von Chatbots über Navigations-Apps bis hin zu tragbaren Fitness-Trackern. Die folgenden Beispiele veranschaulichen die Bandbreite potenzieller KI-Anwendungen. Ist auch nicht in der Lage, zukünftige Züge zu bewerten, sondern verlässt sich auf sein eigenes neuronales Netzwerk, um Entwicklungen des aktuellen Spiels zu bewerten, was ihm in einem komplexeren Spiel einen Vorteil gegenüber Deep Blue verschafft.

Wenn Sie wissen, wann und wo Sie diese Projekte integrieren und wann Sie sich an Dritte wenden müssen, können Sie diese Schwierigkeiten minimieren. Beispielsweise kann ein Ingenieur für maschinelles Lernen mit verschiedenen Kandidatenmodellen für ein Computer-Vision-Problem experimentieren, z. Unternehmen erkennen zunehmend den Wettbewerbsvorteil der Anwendung von KI-Erkenntnissen auf Geschäftsziele und machen dies zu einer unternehmensweiten Priorität. Beispielsweise können gezielte Empfehlungen von KI Unternehmen helfen, schneller bessere Entscheidungen zu treffen. Viele der Funktionen und Fähigkeiten von KI können zu niedrigeren Kosten, geringeren Risiken, schnellerer Markteinführung und vielem mehr führen.

image

Die meisten dieser Systeme funktionieren, indem sie das Gesicht einer Person mit einer Reihe von Gesichtern in einer großen Datenbank vergleichen. Trotz dieser Bedenken treiben andere Länder den raschen Einsatz in diesem Bereich voran. Durch ihr „Sharp Eyes“-Programm gleichen die chinesischen Strafverfolgungsbehörden Videobilder, Social-Media-Aktivitäten, Online-Käufe, Reiseaufzeichnungen und persönliche Identitäten in einer „Polizei-Cloud“ ab.

Analysetools mit einer visuellen Benutzeroberfläche ermöglichen es Laien, ein System einfach abzufragen und eine verständliche Antwort zu erhalten. Um die Genauigkeit dieser Modelle zu verbessern, würde der Ingenieur Daten in die Modelle einspeisen und die Parameter abstimmen, bis sie einen vordefinierten Schwellenwert erreichen. Dieser Schulungsbedarf, gemessen an der Modellkomplexität, wächst jedes Jahr exponentiell. KI muss mit vielen Daten trainiert werden, um die richtigen Vorhersagen zu treffen. Die einfache Datenkennzeichnung und die kostengünstige Speicherung und Verarbeitung von strukturierten und unstrukturierten Daten ermöglichen eine stärkere Entwicklung und Schulung von Algorithmen.

Städte könnten beispielsweise Informationen von Mitfahrdiensten mit ihrem eigenen Material zu Standorten sozialer Dienste, Buslinien, Nahverkehrsmitteln und Autobahnstaus integrieren, um den Transport zu verbessern. Das würde Metropolregionen helfen, Verkehrsstaus zu bewältigen und bei der Autobahn- und Nahverkehrsplanung helfen. In Nicht-Transportbereichen haften digitale Plattformen oft nur eingeschränkt für das, was auf ihren Seiten passiert.

Da sich der Hype um KI beschleunigt hat, haben Anbieter sich bemüht, die Nutzung von KI durch ihre Produkte und Dienstleistungen zu fördern. Keynote Speaker Künstliche Intelligenz 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 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

Fragen der gesundheitlichen Chancengleichheit können sich auch verschärfen, wenn viele-zu-viele-Mappings durchgeführt werden, ohne Schritte zu unternehmen, um Chancengleichheit für Bevölkerungsgruppen mit einem Risiko für Bias sicherzustellen. Derzeit gibt es keine auf Aktien ausgerichteten Tools und Vorschriften, um die Darstellung und Verwendung von Aktienanwendungen sicherzustellen. Andere Beispiele, bei denen algorithmische Voreingenommenheit zu unfairen Ergebnissen führen kann, sind die Verwendung von KI für die Bonitätsbewertung oder Einstellung. In der Vergangenheit hat die Technologie die Gesamtbeschäftigung eher erhöht als verringert, aber Ökonomen erkennen an, dass „wir uns mit KI auf Neuland befinden“.

Vielleicht werden diese Technologien in Zukunft so miteinander vermischt, dass zusammengesetzte Lösungen wahrscheinlicher oder machbarer werden. Übliche chirurgische Eingriffe unter Verwendung von Roboterchirurgie umfassen gynäkologische Chirurgie, Prostatachirurgie und Kopf- und Halschirurgie. Sie müssen intelligente Algorithmen entwickeln, die Entscheidungen auf der Grundlage einer Reihe verschiedener Überlegungen zusammenstellen. Dazu können Grundprinzipien wie Effizienz, Gerechtigkeit, Gerechtigkeit und Effektivität gehören. Herauszufinden, wie widersprüchliche Werte in Einklang gebracht werden können, ist eine der wichtigsten Herausforderungen für KI-Designer. Es ist von entscheidender Bedeutung, dass sie unvoreingenommenen und nicht diskriminierenden Code schreiben und Informationen integrieren.

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.

Der Roboterdesigner Hans Moravec, der Kybernetiker Kevin Warwick und der Erfinder Ray Kurzweil haben vorausgesagt, dass Menschen und Maschinen in Zukunft zu Cyborgs verschmelzen werden, die fähiger und mächtiger sind als beide. Diese als Transhumanismus bezeichnete Idee hat ihre Wurzeln bei Aldous Huxley und Robert Ettinger. Eine Definition, die auch von Google übernommen wurde – einem großen Praktiker auf dem Gebiet der KI. Diese Definition legte die Fähigkeit von Systemen fest, Informationen als Manifestation von Intelligenz zu synthetisieren, ähnlich wie es in der biologischen Intelligenz definiert ist.

„Deep“ im Deep Learning bezieht sich auf ein neuronales Netzwerk, das aus mehr als drei Schichten besteht – was die Eingaben und die Ausgabe einschließen würde – und kann als Deep-Learning-Algorithmus betrachtet werden. Da Deep Learning und maschinelles Lernen in der Regel synonym verwendet werden, lohnt es sich, die Nuancen zwischen den beiden zu beachten. Wie oben erwähnt, sind sowohl Deep Learning als auch maschinelles Lernen Teilbereiche der künstlichen Intelligenz, und Deep Learning ist eigentlich ein Teilbereich des maschinellen Lernens.