Was Ist KI? Alles Wissenswerte Über Künstliche Intelligenz

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.

Die generative KI beginnt mit einer Eingabeaufforderung, die in Form eines Textes, eines Bildes, eines Videos, eines Designs, von Musiknoten oder einer beliebigen Eingabe vorliegen kann, die das KI-System verarbeiten kann. Verschiedene KI-Algorithmen geben dann als Antwort auf die Eingabeaufforderung neue Inhalte zurück. Inhalte können Essays, Problemlösungen oder realistische Fälschungen sein, die aus Bildern oder Tonaufnahmen einer Person erstellt wurden. Die Fähigkeiten von Sprachmodellen wie ChatGPT-3, Googles Bard und Microsofts Megatron-Turing NLG haben die Welt begeistert, aber die Technologie befindet sich noch in einem frühen Stadium, wie ihre Tendenz zeigt, Antworten zu halluzinieren oder zu verzerren.

  • Verschiedene KI-Algorithmen geben dann als Antwort auf die Eingabeaufforderung neue Inhalte zurück.
  • Beispielsweise unterliegen Finanzinstitute in den Vereinigten Staaten Vorschriften, die von ihnen verlangen, ihre Kreditvergabeentscheidungen zu erläutern.
  • Viele Probleme in der KI erfordern, dass der Agent mit unvollständigen oder unsicheren Informationen arbeitet.
  • Maschinelles Lernen ermöglicht es Softwareanwendungen, Ergebnisse genauer vorherzusagen, ohne explizit dafür programmiert zu werden.
  • Pedro Domingos hofft, dass es einen konzeptionell einfachen, aber mathematisch schwierigen „Master-Algorithmus“ gibt, der führen könnte zu AGI.

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.

Zu diesen Werkzeugen gehören Modelle wie Markov-Entscheidungsprozesse, dynamische Entscheidungsnetzwerke, Spieltheorie und Mechanismusdesign. Affective Computing ist ein interdisziplinäres Dach, das Systeme umfasst, die menschliche Gefühle, Emotionen und Stimmungen erkennen, interpretieren, verarbeiten oder simulieren. Beispielsweise sind einige virtuelle Assistenten darauf programmiert, im Gespräch zu sprechen oder sogar humorvoll zu scherzen; es lässt sie sensibler für die emotionale Dynamik der menschlichen Interaktion erscheinen oder erleichtert auf andere Weise die Mensch-Computer-Interaktion. Dies führt jedoch dazu, dass naive Benutzer eine unrealistische Vorstellung davon bekommen, wie intelligent vorhandene Computeragenten tatsächlich sind.

KI wird die Funktionsweise von Gesellschaft und Wirtschaft neu konfigurieren, und es muss ein „großes Ganzes“ darüber nachgedacht werden, was dies für Ethik, Governance und gesellschaftliche Auswirkungen bedeutet. Die Menschen werden die Fähigkeit brauchen, umfassend über viele Fragen nachzudenken und Wissen aus verschiedenen Bereichen zu integrieren. In den Vereinigten Staaten verwenden viele städtische Schulen Algorithmen für Einschreibungsentscheidungen, die auf einer Vielzahl von Überlegungen basieren, wie z. Elternpräferenzen, Nachbarschaftsqualitäten, Einkommensniveau und demografischer Hintergrund.

image

Ein ausreichend leistungsfähiges System zur Verarbeitung natürlicher Sprache würde natürlichsprachliche Benutzerschnittstellen und den Erwerb von Wissen direkt aus von Menschen geschriebenen Quellen, wie z. Zu den einfachen Anwendungen von NLP gehören das Abrufen von Informationen, die Beantwortung von Fragen und die maschinelle Übersetzung. Aktuelle Innovationen bei KI-Tools und -Diensten lassen sich auf das neuronale AlexNet-Netzwerk von 2012 zurückführen, das eine neue Ära der Hochleistungs-KI auf der Grundlage von GPUs und großen Datensätzen einleitete. Die wichtigste Änderung war die Fähigkeit, neuronale Netze auf skalierbarere Weise mit riesigen Datenmengen über mehrere GPU-Kerne parallel zu trainieren.

Kein Wunder, dass 84 Prozent der C-Suite-Führungskräfte glauben, dass sie KI nutzen müssen, um ihre Wachstumsziele zu erreichen. Machen Sie sich mit künstlicher Intelligenz auf den neuesten Stand und erfahren Sie, wie sie Ihnen mit unserer kuratierten Sammlung von Erkenntnissen, Berichten und Leitfäden helfen kann, den Geschäftswert zu steigern. Natürlich machen diese Fortschritte die Leute auch nervös wegen Weltuntergangsszenarien, die von Filmemachern sensationell gemacht werden. Situationen, in denen KI-betriebene Roboter den Menschen übernehmen oder Grundwerte schwächen, machen Menschen Angst und führen zu der Frage, ob KI einen nützlichen Beitrag leistet oder Gefahr läuft, die Essenz der Menschheit zu gefährden. Autonome Fahrzeuge sind mit LIDARS und Fernsensoren ausgestattet, die Informationen aus der Umgebung des Fahrzeugs sammeln. Das LIDAR verwendet Licht von einem Radar, um Objekte vor und um das Fahrzeug herum zu sehen und sofortige Entscheidungen über das Vorhandensein von Objekten, Entfernungen und ob das Auto mit etwas zusammenstoßen wird, zu treffen.

Dieser Aspekt der KI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie diese in umsetzbare Informationen umgewandelt werden können. Die Regeln, die als Algorithmen bezeichnet werden, liefern Computergeräten Schritt-für-Schritt-Anweisungen zum Ausführen einer bestimmten Aufgabe. Es hat auch einige sehr wichtige Anwendungen, wie die Identifizierung und Vorhersage betrügerischer Transaktionen, eine schnellere und genaue Kreditbewertung und die Automatisierung manuell intensiver Datenverwaltungspraktiken. Künstliche Intelligenz verbessert den bestehenden Prozess branchen- und anwendungsübergreifend und hilft auch bei der Entwicklung neuer Lösungen für Probleme, deren manuelle Bewältigung überwältigend ist. Es ist definiert als KI, die eine kognitive Funktion auf menschlicher Ebene hat, in einer Vielzahl von Bereichen wie Sprachverarbeitung, Bildverarbeitung, Rechenfunktionen und Argumentation und so weiter. Patientenengagement und -adhärenz gelten seit langem als das Problem der „letzten Meile“ der Gesundheitsversorgung – die letzte Barriere zwischen unwirksamen und guten Gesundheitsergebnissen.

Wenn die meisten Menschen den Begriff künstliche Intelligenz hören, denken sie in der Regel zuerst an Roboter. Das liegt daran, dass Filme und Romane mit großem Budget Geschichten über menschenähnliche Maschinen weben, die Chaos auf der Erde anrichten. Dies ist eine gängige Technik zum Unterrichten von KI-Systemen, indem viele beschriftete Beispiele verwendet werden, die von Menschen kategorisiert wurden. Diese maschinellen Lernsysteme werden mit riesigen Datenmengen gefüttert, die kommentiert wurden, um die interessanten Merkmale hervorzuheben – Sie lehren im Wesentlichen anhand von Beispielen. Künstliche allgemeine Intelligenz, auch bekannt als starke KI, ist immer noch ein hypothetisches Konzept, da es eine Maschine beinhaltet, die auf der Grundlage ihrer gesammelten Erfahrung sehr unterschiedliche Aufgaben versteht und ausführt. Diese Art von Intelligenz liegt eher auf der Ebene des menschlichen Intellekts, da AGI-Systeme in der Lage wären, wie ein Mensch zu argumentieren und zu denken.

ASCR entwickelte mehrere Technologien – darunter massiv parallele Eingabe-/Ausgabesysteme und lineare Algebra-Routinen – die zu den heutigen KI-Systemen führten. In jüngerer Zeit wird die Rolle von ASCR im Bereich Hochleistungsrechnen und Exascale-Computing dazu beitragen, die Hardware und Software zu entwickeln, die für zukünftige Generationen von KI erforderlich sind. Das ASCR-Programm bietet auch Unterstützung für andere DOE SC-Programme, die KI verwenden, um ihre Ziele zu erreichen.

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 Julia haben Funktionen, die bei KI-Entwicklern beliebt sind. Das vielleicht am schwierigsten zu lösende Problem angesichts der heutigen Technologien ist die Transparenz.

image

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“.

Dies kann problematisch sein, da maschinelle Lernalgorithmen, die vielen der fortschrittlichsten KI-Tools zugrunde liegen, nur so intelligent sind wie die Daten, die sie im Training erhalten. Da ein Mensch auswählt, welche Daten zum Trainieren eines KI-Programms verwendet werden, ist das Potenzial für maschinelles Lernen inhärent und muss genau überwacht werden. Während Keynote Speaker Künstliche Intelligenz die riesige Datenmenge, die täglich erstellt wird, einen menschlichen Forscher begraben würde, können KI-Anwendungen, die maschinelles Lernen verwenden, diese Daten schnell in verwertbare Informationen umwandeln. Zum jetzigen Zeitpunkt besteht ein Hauptnachteil der KI darin, dass die Verarbeitung der großen Datenmengen, die für die KI-Programmierung erforderlich sind, teuer ist. Da KI-Techniken in immer mehr Produkte und Dienstleistungen integriert werden, müssen Unternehmen auch auf das Potenzial von KI eingestellt sein, absichtlich oder versehentlich voreingenommene und diskriminierende Systeme zu schaffen. Künstliche neuronale Netze und Deep-Learning-KI-Technologien entwickeln sich schnell weiter, vor allem, weil KI große Datenmengen viel schneller verarbeiten und genauere Vorhersagen treffen kann, als es Menschen möglich wäre.

Training Und Entwicklung Von KI-Modellen

Die Fuzzy-Logik weist vagen Aussagen wie „Alice ist alt“ einen „Wahrheitsgrad“ zu, die sprachlich zu ungenau sind, um vollständig wahr oder falsch zu sein Argumentation und das Qualifikationsproblem. Mehrere Erweiterungen der Logik wurden entwickelt, um spezifische Wissensbereiche zu behandeln, wie z. Beschreibungslogiken, Situationskalküle, Ereigniskalküle und fließende Kalküle; und Modallogiken. Logiken zum Modellieren widersprüchlicher oder inkonsistenter Aussagen, die in Systemen mit mehreren Agenten auftreten, wurden ebenfalls entworfen, wie z. Da Maschinen immer leistungsfähiger werden, werden Aufgaben, von denen angenommen wird, dass sie „Intelligenz“ erfordern, häufig aus der Definition von KI entfernt, ein Phänomen, das als KI-Effekt bekannt ist.

EarthRanger ist eine Echtzeit-Softwarelösung, die Schutzgebietsmanager, Ökologen und Wildbiologen dabei unterstützt, fundiertere operative Entscheidungen für den Naturschutz zu treffen. Diese Beispiele werden programmatisch aus verschiedenen Online-Quellen zusammengestellt, um die aktuelle Verwendung des Wortes „künstliche Intelligenz“ zu veranschaulichen. Die in den Beispielen geäußerten Meinungen geben nicht die von Merriam-Webster oder seinen Herausgebern wieder. Diese mathematischen Objekte und die Algebra zu ihrer Manipulation sind flexibel und leistungsfähig genug, um die moderne Computertechnik über einige ihrer derzeitigen Einschränkungen hinauszuführen und einen neuen Ansatz für künstliche Intelligenz zu fördern. Der Blog von Great Learning behandelt die neuesten technologischen Entwicklungen und Innovationen, die für den Aufbau lohnender Karrieren genutzt werden können.

Unternehmen kombinieren Statistiken aktiv mit Informatikkonzepten wie maschinellem Lernen und künstlicher Intelligenz, um Erkenntnisse aus Big Data zu gewinnen, um Innovationen voranzutreiben und die Entscheidungsfindung zu verändern. Unternehmen, die traditionelle Geschäftsprozesse und -anwendungen um maschinelles Lernen und kognitive Interaktionen ergänzen, können die Benutzererfahrung erheblich verbessern und die Produktivität steigern. Die Entwicklung und Bereitstellung von Modellen für maschinelles Lernen umfasst mehrere Phasen, einschließlich Training und Inferenz. KI-Training und Schlussfolgerungen beziehen sich auf den Prozess des Experimentierens mit maschinellen Lernmodellen, um ein Problem zu lösen. Maschinelles Lernen konzentriert sich beispielsweise auf den Aufbau von Systemen, die auf der Grundlage der von ihnen konsumierten Daten lernen oder ihre Leistung verbessern. Es ist wichtig zu beachten, dass, obwohl alles maschinelle Lernen KI ist, nicht alles KI maschinelles Lernen ist.