Was Ist Künstliche Intelligenz KI? Wie Funktioniert KI?

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.

Autonome Fahrzeuge können beispielsweise „die Straße lesen“ und sich an neue Situationen anpassen, sogar aus vergangenen Erfahrungen „lernen“. Reactive AI verwendet Algorithmen, um die Ausgaben basierend auf einer Reihe von Eingaben zu optimieren. Schachspielende KIs zum Beispiel sind reaktive Systeme, die die beste Strategie optimieren, um das Spiel zu gewinnen. Reaktive KI neigt dazu, ziemlich statisch zu sein, unfähig zu lernen oder sich an neue Situationen anzupassen. Selbstfahrende Autos waren ziemlich umstritten, da ihre Maschinen in der Regel auf das geringstmögliche Risiko und die geringsten Verluste ausgelegt sind. Bei einem gleichzeitigen Zusammenstoß mit der einen oder anderen Person würden diese Autos die Option berechnen, die den geringsten Schaden anrichten würde.

  • 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.
  • Als Teil der Familie des maschinellen Lernens beinhaltet Deep Learning das Training künstlicher neuronaler Netze mit drei oder mehr Schichten, um verschiedene Aufgaben auszuführen.
  • 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.

Künstliche Intelligenz ist eine intelligente Einheit, die von Menschen geschaffen wird. Es ist in der Lage, Aufgaben intelligent auszuführen, ohne explizit dazu angewiesen zu werden. Spotify, Siri, Google Maps, YouTube, all diese Anwendungen nutzen KI für ihre Funktion. Wenn Sie sich in KI zertifizieren lassen, haben Sie einen Vorteil gegenüber den anderen Aspiranten in dieser Branche. Mit Fortschritten wie Gesichtserkennung, KI im Gesundheitswesen, Chat-Bots und mehr ist es jetzt an der Zeit, einen Weg zu einer erfolgreichen Karriere in der künstlichen Intelligenz zu finden. Virtuelle Assistenten haben bereits Einzug in den Alltag gehalten und helfen uns, Zeit und Energie zu sparen.

KI wird die Funktionsweise von Gesellschaft und Wirtschaft neu konfigurieren, und es muss ein „großes Ganzes“ darüber nachgedacht werden, was dies für Keynote Speaker Künstliche Intelligenz 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.

Die gleichen Gesetze können kodifiziert und auf Algorithmen der künstlichen Intelligenz angewendet werden. Das Problem bei diesem Ansatz ist, dass die Lösung eines Problems im Prinzip und die Lösung in der Praxis sehr unterschiedlich sein können und kontextuelle Nuancen erfordern. Außerdem gibt es einige Maßnahmen, die wir ergreifen, ohne uns eines Ergebnisses zu 100 % sicher zu sein, das ein Algorithmus möglicherweise nicht replizieren kann, wenn zu viele Parameter vorhanden sind. Wir haben diese Technologien als einzelne beschrieben, aber sie werden zunehmend kombiniert und integriert; Roboter bekommen KI-basierte „Gehirne“, Bilderkennung wird in RPA integriert.

image

Da KI-Technologien zunehmend für das Treffen von Entscheidungen verantwortlich werden, müssen Unternehmen in der Lage sein zu sehen, wie KI-Systeme zu einem bestimmten Ergebnis kommen, und diese Entscheidungen aus der „Black Box“ nehmen. Ein klarer Governance-Rahmen und ein Ethikausschuss können bei der Entwicklung von Praktiken und Protokollen helfen, die sicherstellen, dass ihr Ethikkodex ordnungsgemäß in die Entwicklung von KI-Lösungen umgesetzt wird. Maschinelles Lernen ist eine Art von künstlicher Intelligenz, die es Systemen ermöglicht, Muster aus Daten zu lernen und anschließend zukünftige Erfahrungen zu verbessern. Twitter stellt Forschern einen Großteil seiner Tweets über Anwendungsprogrammierschnittstellen zur Verfügung, die gemeinhin als APIs bezeichnet werden. Diese Tools helfen Personen außerhalb des Unternehmens, Anwendungssoftware zu erstellen und Daten von seiner Social-Media-Plattform zu nutzen.

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.

image

Deshalb ist die Zusammenarbeit zwischen Mensch und Maschine von entscheidender Bedeutung – in der heutigen Welt bleibt künstliche Intelligenz eine Erweiterung menschlicher Fähigkeiten, kein Ersatz. Kurz gesagt, es gab in den letzten Jahren außergewöhnliche Fortschritte bei der Fähigkeit von KI-Systemen, Intentionalität, Intelligenz und Anpassungsfähigkeit in ihre Algorithmen zu integrieren. Anstatt mechanistisch oder deterministisch zu sein, wie die Maschinen funktionieren, lernt KI-Software im Laufe der Zeit und bezieht Erfahrungen aus der realen Welt in ihre Entscheidungsfindung ein. Auf diese Weise verbessert es die menschliche Leistungsfähigkeit und erweitert die Fähigkeiten der Menschen. KI-Systeme haben die Fähigkeit zu lernen und sich anzupassen, wenn sie Entscheidungen treffen. Im Transportbereich verfügen beispielsweise halbautonome Fahrzeuge über Tools, die Fahrer und Fahrzeuge über bevorstehende Staus, Schlaglöcher, Autobahnbau oder andere mögliche Verkehrsbehinderungen informieren.

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.

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

Das Erreichen künstlicher allgemeiner Intelligenz erwies sich als schwer fassbar, nicht unmittelbar bevorstehend, behindert durch Einschränkungen in der Computerverarbeitung und im Speicher sowie durch die Komplexität des Problems. Regierungen und Unternehmen zogen sich von ihrer Unterstützung der KI-Forschung zurück, was zu einer Brachezeit von 1974 bis 1980 führte, die als erster „KI-Winter“ bekannt ist. Trotz potenzieller Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von KI-Tools, und wo Gesetze existieren, beziehen sie sich in der Regel indirekt auf KI. Wie bereits erwähnt, verlangen beispielsweise die US-amerikanischen Fair-Lending-Vorschriften von Finanzinstituten, potenziellen Kunden Kreditentscheidungen zu erläutern.

Bundesbeamte müssen sich überlegen, wie sie mit künstlicher Intelligenz umgehen. Wie bereits erwähnt, gibt es viele Probleme, die von der Notwendigkeit eines verbesserten Datenzugriffs bis hin zur Behandlung von Voreingenommenheit und Diskriminierung reichen. Es ist von entscheidender Bedeutung, dass diese und andere Bedenken berücksichtigt werden, damit wir die Vorteile dieser neuen Technologie voll ausschöpfen können. Da sich KI-Anwendungen in vielen Bereichen beschleunigen, ist es von entscheidender Bedeutung, dass wir unsere Bildungseinrichtungen für eine Welt neu gestalten, in der KI allgegenwärtig sein wird und Schüler eine andere Art von Ausbildung benötigen, als sie derzeit erhalten. Derzeit erhalten viele Schüler keinen Unterricht in den Fähigkeiten, die in einer von KI dominierten Landschaft benötigt werden.

Die Meinung von Experten und Brancheninsidern ist gemischt, wobei beträchtliche Fraktionen sowohl besorgt als auch unbesorgt über das Risiko einer eventuell übermenschlich fähigen KI sind. Stephen Hawking, Microsoft-Gründer Bill Gates, Geschichtsprofessor Yuval Noah Harari und SpaceX-Gründer Elon Musk haben alle ernsthafte Bedenken geäußert über die Zukunft der KI. Prominente Tech-Titanen wie Peter Thiel und Musk haben mehr als 1 Milliarde US-Dollar für gemeinnützige Unternehmen bereitgestellt, die sich für eine verantwortungsvolle KI-Entwicklung einsetzen, wie OpenAI und das Future of Life Institute. Mark Zuckerberg hat gesagt, dass künstliche Intelligenz dabei hilfreich ist gegenwärtige Form und wird den Menschen weiterhin helfen. Andere Experten argumentieren, dass die Risiken weit genug in der Zukunft liegen, um es nicht wert zu sein, erforscht zu werden, oder dass Menschen aus der Perspektive einer superintelligenten Maschine wertvoll sein werden. Rodney Brooks hat insbesondere gesagt diese „böswillige“ KI ist noch Jahrhunderte entfernt.