Was Ist Künstliche Intelligenz KI?

Inhaltsverzeichnis

Weitere Informationen zur Debatte über künstliche Intelligenz finden Sie auf ProCon.org. Die Regulierung der künstlichen Intelligenz ist die Entwicklung von Richtlinien und Gesetzen des öffentlichen Sektors zur Förderung und Regulierung der künstlichen Intelligenz; es hängt daher mit der breiteren Regulierung von Algorithmen zusammen. Die regulatorische und politische Landschaft für KI ist ein aufkommendes Problem in Rechtsordnungen weltweit. Zwischen 2016 und 2020 verabschiedeten mehr als 30 Länder spezielle Strategien für KI. Die meisten EU-Mitgliedstaaten hatten nationale KI-Strategien veröffentlicht , ebenso wie Kanada, China, Indien, Japan, Mauritius, die Russische Föderation, Saudi-Arabien, die Vereinigten Arabischen Emirate, die USA und Vietnam. Andere waren dabei, ihre eigene KI-Strategie auszuarbeiten, darunter Bangladesch, Malaysia und Tunesien.

Machine Vision erfasst und analysiert visuelle Informationen mithilfe einer Kamera, Analog-Digital-Wandlung und digitaler Signalverarbeitung. Es wird oft mit dem menschlichen Sehvermögen verglichen, aber maschinelles Sehen ist nicht an die Biologie gebunden und kann so programmiert werden, dass es beispielsweise durch Wände sieht. Es wird in einer Reihe von Anwendungen eingesetzt, von der Unterschriftenerkennung bis zur medizinischen Bildanalyse.

ANI wird oft als schwache KI bezeichnet, da sie keine allgemeine Intelligenz besitzt, aber einige Beispiele für die Leistungsfähigkeit der engen KI sind die oben genannten Sprachassistenten und auch Bilderkennungssysteme, Technologien, die auf einfache Kundendienstanfragen reagieren. APIs oder Anwendungsprogrammierschnittstellen sind portable Codepakete, die es ermöglichen, KI-Funktionalität zu bestehenden Produkten und Softwarepaketen hinzuzufügen. Neuronale Netze wurden von der Architektur der Neuronen im menschlichen Gehirn inspiriert. Ein einfaches "Neuron" N akzeptiert Eingaben von anderen Neuronen, von denen jedes, wenn es aktiviert (oder "gefeuert") wird, eine gewichtete "Stimme" dafür oder dagegen abgibt, ob das Neuron N selbst aktiviert werden soll.

Hunderte anderer Akteure bieten ebenfalls Modelle an, die auf verschiedene Branchen und Anwendungsfälle zugeschnitten sind. Das Konzept von unbelebten Objekten, die mit Intelligenz ausgestattet sind, gibt es seit der Antike. Der griechische Gott Hephaistos wurde in Mythen als roboterähnliche Diener aus Gold geschmiedet. Ingenieure im alten Ägypten bauten Statuen von Göttern, die von Priestern animiert wurden. Im Laufe der Jahrhunderte verwendeten Denker von Aristoteles über den spanischen Theologen Ramon Llull bis hin zu René Descartes und Thomas Bayes aus dem 13. Jahrhundert die Werkzeuge und die Logik ihrer Zeit, um menschliche Denkprozesse als Symbole zu beschreiben, und legten damit den Grundstein für KI-Konzepte wie die allgemeine Wissensdarstellung.

  • Schnellere Computer, algorithmische Verbesserungen und der Zugriff auf große Datenmengen ermöglichten Fortschritte beim maschinellen Lernen und bei der Wahrnehmung; datenhungrige Deep-Learning-Methoden begannen um 2012, Genauigkeits-Benchmarks zu dominieren.
  • Es wurde auch verwendet, um riesige Datenmengen zu analysieren und potenzielle illegale Aktivitäten aufzudecken; Überwachung großer Fischpopulationen in den Riffen der Philippinen, um die Wiederherstellungsbemühungen zu unterstützen; und bieten älteren Mitbürgern Begleitung und Pflege.
  • Anbieter müssen entweder selbst umfangreiche Integrationsprojekte durchführen oder warten, bis EHR-Anbieter weitere KI-Funktionen hinzufügen.
  • 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.

Aber es ist auch wichtig, hinter die Ergebnisse der KI zu schauen und zu verstehen, wie die Technologie funktioniert und welche Auswirkungen sie auf diese und zukünftige Generationen hat. KI wird vereinfacht, wenn Sie Daten für die Analyse vorbereiten, Modelle mit modernen maschinellen Lernalgorithmen entwickeln und Textanalysen in einem Produkt integrieren können. Außerdem können Sie Projekte programmieren, die SAS mit anderen Sprachen kombinieren, darunter Python, R, Java oder Lua. Es verwendet Methoden aus neuronalen Netzwerken, Statistik, Operations Research und Physik, um verborgene Einblicke in Daten zu finden, ohne explizit darauf programmiert zu sein, wo gesucht oder Schlussfolgerungen gezogen werden sollen.

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.

Künstliche Neurale Netzwerke

Starke künstliche Intelligenzsysteme sind Systeme, die die als menschenähnlich angesehenen Aufgaben ausführen. Sie sind darauf programmiert, Situationen zu bewältigen, in denen sie möglicherweise Probleme lösen müssen, ohne dass eine Person eingreift. Solche Systeme finden sich in Anwendungen wie selbstfahrenden Autos oder in Operationssälen von Krankenhäusern.

Knowledge Engineering ist ein Bereich der künstlichen Intelligenz, der es einem System oder einer Maschine ermöglicht, den Denkprozess eines menschlichen Experten nachzuahmen. KI wird heute ausgiebig in einer Reihe von Anwendungen mit unterschiedlichem Reifegrad eingesetzt. Empfehlungsalgorithmen, die vorschlagen, was Ihnen als nächstes gefallen könnte, sind beliebte KI-Implementierungen, ebenso wie Chatbots, die auf Websites oder in Form von intelligenten Lautsprechern (z. B. Alexa oder Siri) erscheinen. KI wird verwendet, um Vorhersagen in Bezug auf Wetter- und Finanzprognosen zu treffen, Produktionsprozesse zu rationalisieren und verschiedene Formen redundanter kognitiver Arbeit (z. B. Steuerbuchhaltung oder -redaktion) zu reduzieren. KI wird auch verwendet, um Spiele zu spielen, autonome Fahrzeuge zu steuern, Sprache zu verarbeiten und vieles mehr.

KI-Unternehmen Mit Künstlicher Intelligenz, Die Sie Kennen Sollten

Das experimentelle Teilgebiet der Künstlichen Allgemeinen Intelligenz untersucht ausschließlich diesen Bereich. In einem rekurrenten neuronalen Netzwerk breitet sich das Signal mehr Keynote Speaker Künstliche Intelligenz als einmal durch eine Schicht aus, daher ist ein RNN ein Beispiel für tiefes Lernen. RNNs können durch Gradientenabstieg trainiert werden, jedoch können Langzeitgradienten, die rückwärts propagiert werden, "verschwinden" oder "explodieren", bekannt als das Problem des verschwindenden Gradienten. Die Technik des Langzeit-Kurzzeitgedächtnisses kann dies in den meisten Fällen verhindern.

KI stützt sich auch auf Informatik, Psychologie, Linguistik, Philosophie und viele andere Bereiche. Die komplexesten Formen des maschinellen Lernens umfassen Deep Learning oder neuronale Netzwerkmodelle mit vielen Ebenen von Merkmalen oder Variablen, die Ergebnisse vorhersagen. In solchen Modellen können Tausende von versteckten Merkmalen stecken, die durch die schnellere Verarbeitung der heutigen Grafikprozessoren und Cloud-Architekturen aufgedeckt werden. Ihre Kombination scheint eine größere Genauigkeit bei der Diagnose zu versprechen als die vorherige Generation automatisierter Tools zur Bildanalyse, die als computergestützte Erkennung oder CAD bekannt sind. Schnellere Computer, algorithmische Verbesserungen und der Zugriff auf große Datenmengen ermöglichten Fortschritte beim maschinellen Lernen und bei der Wahrnehmung; datenhungrige Deep-Learning-Methoden begannen um 2012, Genauigkeits-Benchmarks zu dominieren.

Fünf KI-Technologien, Die Sie Kennen Müssen

image

Sobald wir künstliche allgemeine Intelligenz erreicht haben, könnten KI-Systeme ihre Fähigkeiten schnell verbessern und in Bereiche vordringen, von denen wir vielleicht nicht einmal geträumt hätten. Während der Abstand zwischen AGI und ASI relativ gering wäre (manche sagen nur eine Nanosekunde, denn so schnell würde die künstliche Intelligenz lernen), lässt der lange Weg, der vor uns liegt, in Richtung AGI selbst dies wie ein Konzept erscheinen, das weit in der Zukunft liegt . Wir betreten hier fast Science-Fiction-Territorium, aber ASI wird als logische Weiterentwicklung von AGI angesehen. Ein künstliches Superintelligenzsystem wäre in der Lage, alle menschlichen Fähigkeiten zu übertreffen. Dazu gehören Entscheidungen treffen, rationale Entscheidungen treffen und sogar Dinge wie bessere Kunst machen und emotionale Beziehungen aufbauen.

Das einfache Problem besteht darin, zu verstehen, wie das Gehirn Signale verarbeitet, Pläne macht und das Verhalten steuert. Das schwierige Problem besteht darin, zu erklären, wie sich das anfühlt oder warum es sich überhaupt wie irgendetwas anfühlen sollte. Die menschliche Informationsverarbeitung ist leicht zu erklären, jedoch ist die menschliche subjektive Erfahrung schwer zu erklären. Beispielsweise kann man sich leicht eine farbenblinde Person vorstellen, die gelernt hat, zu erkennen, welche Objekte in ihrem Sichtfeld rot sind, aber es ist nicht klar, was erforderlich wäre, damit die Person weiß, wie Rot aussieht. KI-Forscher sind sich uneinig, ob sie die Ziele der künstlichen allgemeinen Intelligenz und der Superintelligenz direkt verfolgen oder möglichst viele spezifische Probleme lösen sollen, in der Hoffnung, dass diese Lösungen indirekt zu den langfristigen Zielen des Feldes führen. Allgemeine Intelligenz ist schwer zu definieren und schwierig zu messen, und moderne KI hat mehr überprüfbare Erfolge erzielt, indem sie sich auf bestimmte Probleme mit bestimmten Lösungen konzentriert hat.