Erste Schritte mit künstlicher Intelligenz Intelligenz und maschinelles Lernen Jetzt ansehen
Was ist künstliche Intelligenz (KI)?
Es hängt davon ab, wen Sie fragen.
In den 1950er Jahren beschrieben die Väter des Feldes, Minsky und McCarthy, künstliche Intelligenz als jede Aufgabe, die von einer Maschine ausgeführt wird und die früher als menschliche Intelligenz angesehen wurde.
Das ist offensichtlich eine ziemlich weit gefasste Definition. Aus diesem Grund werden Sie manchmal Streit darüber sehen, ob etwas wirklich KI ist oder nicht.
Moderne Definitionen dessen, was es bedeutet, Intelligenz zu schaffen, sind spezifischer. Francois Chollet, KI-Forscher bei Google und Schöpfer der Machine-Learning-Softwarebibliothek Keras, sagt, dass Intelligenz an die Fähigkeit eines Systems gebunden ist, sich in einer neuen Umgebung anzupassen und zu improvisieren, sein Wissen zu verallgemeinern und auf unbekannte Szenarien anzuwenden.
“Intelligenz ist die Effizienz, mit der Sie sich neue Fähigkeiten bei Aufgaben aneignen, auf die Sie sich zuvor nicht vorbereitet haben”, sagte er.
“Intelligenz ist keine Fähigkeit an sich; es ist nicht das, was Sie tun können ; es geht darum, wie gut und wie effizient man neue Dinge lernen kann.”
Es ist eine Definition, nach der moderne KI-gestützte Systeme wie virtuelle Assistenten als „schmale KI“ bezeichnet werden, die Fähigkeit, ihr Training bei der Ausführung einer begrenzten Anzahl von Aufgaben wie Spracherkennung oder Computer Vision zu verallgemeinern.
In der Regel zeigen KI-Systeme zumindest einige der folgenden Verhaltensweisen im Zusammenhang mit menschlicher Intelligenz: Planung, Lernen, Argumentation, Problemlösung, Wissensrepräsentation, Wahrnehmung, Bewegung und Manipulation und in geringerem Maße soziale Intelligenz und Kreativität.
Wozu dient KI?
KI ist heute allgegenwärtig. Sie wird verwendet, um zu empfehlen, was Sie als nächstes online kaufen sollten, um zu verstehen, was Sie virtuellen Assistenten wie Alexa von Amazon und Siri von Apple sagen, um zu erkennen, wer und was auf einem Foto ist, Spam zu erkennen oder Spam zu erkennen und Guthaben zu erkennen Kartenbetrug.
Welche Arten von KI gibt es?
Auf einer sehr hohen Ebene kann künstliche Intelligenz in zwei große Typen unterteilt werden:
Narrow AI
Schmale KI ist das, was wir heute in Computern überall um uns herum sehen – intelligente Systeme, denen beigebracht wurde oder gelernt hat, bestimmte Aufgaben auszuführen, ohne dass sie explizit dafür programmiert wurden.
Diese Art von maschineller Intelligenz zeigt sich in der Sprach- und Spracherkennung des virtuellen Siri-Assistenten auf dem Apple iPhone, in den Seherkennungssystemen bei selbstfahrenden Autos oder in den Empfehlungsmaschinen, die Ihnen Produkte vorschlagen, die Ihnen aufgrund Ihrer bisherigen Einkäufe gefallen könnten. Im Gegensatz zu Menschen können diese Systeme nur lernen oder beigebracht werden, definierte Aufgaben zu erledigen, weshalb sie als schmale KI bezeichnet werden.
Allgemeine KI
Allgemeine KI ist sehr unterschiedlich und ist die Art von anpassungsfähigem Intellekt, die beim Menschen zu finden ist, eine flexible Form der Intelligenz, die in der Lage ist, zu lernen, wie man sehr unterschiedliche Aufgaben ausführt, vom Haareschneiden bis zum Erstellen von Tabellenkalkulationen oder dem Nachdenken über eine Vielzahl von Themen. auf seine gesammelten Erfahrungen.
Dies ist die Art von KI, die häufiger in Filmen wie HAL im Jahr 2001 oder Skynet in The Terminator zu sehen ist, die aber heute nicht existiert – und KI-Experten sind sich heftig darüber einig, wie schnell sie Realität werden wird.
Was kann Narrow AI tun?
Es gibt eine Vielzahl neuer Anwendungen für schmale KI:
Interpretieren von Video-Feeds von Drohnen bei visuellen Inspektionen von Infrastrukturen wie Ölpipelines.Organisieren von persönlichen und geschäftlichen Kalendern.Beantworten einfacher Kundendienstanfragen.Koordinieren mit anderen intelligenten Systemen, um Aufgaben wie die Buchung eines Hotels zu einem geeigneten Zeitpunkt und Ort durchzuführen. Radiologen helfen, potenzielle Tumore in Röntgenaufnahmen zu erkennen.Unangemessene Inhalte online melden, Verschleiß in Aufzügen anhand von Daten erkennen, die von IoT-Geräten gesammelt werden.Erstellen eines 3D-Weltmodells aus Satellitenbildern… die Liste lässt sich fortsetzen.< p>Es entstehen ständig neue Anwendungen dieser Lernsysteme. Der Grafikkarten-Designer Nvidia hat kürzlich ein KI-basiertes System Maxine vorgestellt, mit dem Benutzer Videoanrufe in guter Qualität fast unabhängig von der Geschwindigkeit ihrer Internetverbindung führen können. Das System reduziert die für solche Anrufe benötigte Bandbreite um den Faktor 10, indem es nicht den gesamten Videostream über das Internet überträgt und stattdessen eine kleine Anzahl von statischen Bildern des Anrufers so animiert, dass die Mimik und Bewegungen des Anrufers wiedergegeben werden Echtzeit und nicht vom Video zu unterscheiden.
Doch so viel ungenutztes Potenzial diese Systeme haben, manchmal übersteigen die Ambitionen für die Technologie die Realität. Ein typisches Beispiel sind selbstfahrende Autos, die ihrerseits von KI-gestützten Systemen wie Computer Vision unterstützt werden. Der Elektroautohersteller Tesla hinkt dem ursprünglichen Zeitplan von CEO Elon Musk für das Upgrade des Autopilot-Systems des Autos von den eingeschränkteren assistierten Fahrfunktionen des Systems auf “vollständiges Selbstfahren” etwas hinterher, wobei die Option “Vollständiges Selbstfahren” erst kürzlich eingeführt wurde eine ausgewählte Gruppe erfahrener Fahrer im Rahmen eines Beta-Testprogramms.
Was kann General AI tun?
Eine Umfrage unter vier Expertengruppen in den Jahren 2012/13 von den KI-Forschern Vincent C Gruppe ging sogar noch weiter und sagte voraus, dass die sogenannte 'Superintelligenz' – die Bostrom definiert als „jeder Intellekt, der die kognitiven Leistungen des Menschen in praktisch allen Interessengebieten weit übertrifft“ – etwa 30 Jahre nach dem Erreichen von AGI erwartet wurde.
Neuere Einschätzungen von KI-Experten sind jedoch vorsichtiger. Pioniere auf dem Gebiet der modernen KI-Forschung wie Geoffrey Hinton, Demis Hassabis und Yann LeCun sagen, dass die Gesellschaft bei weitem nicht die Entwicklung von AGI vorantreibt. Angesichts der Skepsis führender Köpfe auf dem Gebiet der modernen KI und der sehr unterschiedlichen Natur moderner schmaler KI-Systeme zu AGI besteht vielleicht wenig Anlass zu Befürchtungen, dass eine allgemeine künstliche Intelligenz die Gesellschaft in naher Zukunft aufbrechen wird.
< p>Einige KI-Experten glauben jedoch, dass solche Projektionen angesichts unseres begrenzten Verständnisses des menschlichen Gehirns äußerst optimistisch sind und glauben, dass AGI noch Jahrhunderte entfernt ist.
Was sind die jüngsten Meilensteine in der Entwicklung der KI?
IBM
Obwohl moderne schmale KI auf die Ausführung bestimmter Aufgaben beschränkt ist, sind diese Systeme innerhalb ihrer Spezialgebiete manchmal zu übermenschlichen Leistungen fähig , in einigen Fällen sogar überlegene Kreativität, eine Eigenschaft, die oft als menschlich angesehen wird.
Es gab zu viele Durchbrüche, um eine endgültige Liste zusammenzustellen, aber einige Highlights sind:
Im Jahr 2009 zeigte Google, dass sein selbstfahrender Toyota Prius mehr als 10 Fahrten von jeweils 160 Meilen zurücklegen konnte, was die Gesellschaft auf den Weg zu fahrerlosen Fahrzeugen brachte. Im Jahr 2011 machte das Computersystem IBM Watson weltweit Schlagzeilen, als es die US-Quizshow Jeopardy! und schlug zwei der besten Spieler, die die Show je hervorgebracht hatte. Um die Show zu gewinnen, nutzte Watson die Verarbeitung natürlicher Sprache und Analysen für riesige Datenbestände, die verarbeitet werden, um von Menschen gestellte Fragen zu beantworten, oft in Sekundenbruchteilen. Im Jahr 2012 kündigte ein weiterer Durchbruch das Potenzial der KI zur Bewältigung einer Vielzahl neuer Aufgaben an die bisher als zu komplex für jede Maschine galt. In diesem Jahr siegte das AlexNet-System entscheidend bei der ImageNet Large Scale Visual Recognition Challenge. Die Genauigkeit von AlexNet war so hoch, dass die Fehlerrate im Vergleich zu konkurrierenden Systemen im Bilderkennungswettbewerb halbiert wurde.
Die Leistung von AlexNet demonstrierte die Leistungsfähigkeit von lernenden Systemen auf der Grundlage neuronaler Netze, einem Modell für maschinelles Lernen, das seit Jahrzehnten existierte, aber dank der Verfeinerungen der Architektur und der durch das Mooreschen Gesetz ermöglichten Sprünge bei der parallelen Verarbeitungsleistung endlich sein Potenzial ausschöpfte. Die Fähigkeiten von maschinellen Lernsystemen bei der Durchführung von Computer Vision machten in diesem Jahr auch Schlagzeilen, als Google ein System trainierte, um einen Internetliebling zu erkennen: Bilder von Katzen.
Die nächste Demonstration der Wirksamkeit von maschinellen Lernsystemen, die die Aufmerksamkeit der Öffentlichkeit erregte, war der Triumph der Google DeepMind AlphaGo-KI im Jahr 2016 über einen menschlichen Großmeister in Go, einem alten chinesischen Spiel, dessen Komplexität Computer jahrzehntelang überforderte. Go hat ungefähr 200 mögliche Züge pro Runde im Vergleich zu ungefähr 20 beim Schach. Im Laufe eines Go-Spiels gibt es so viele mögliche Züge, dass es aus rechnerischer Sicht zu kostspielig ist, jeden von ihnen im Voraus zu durchsuchen, um den besten Spielzug zu identifizieren. Stattdessen wurde AlphaGo darin geschult, das Spiel zu spielen, indem die Bewegungen menschlicher Experten in 30 Millionen Go-Spielen übernommen und in neuronale Netzwerke mit tiefem Lernen eingespeist wurden.
Das Training dieser Deep-Learning-Netzwerke kann sehr lange dauern, da große Datenmengen aufgenommen und wiederholt werden müssen, während das System sein Modell nach und nach verfeinert, um das beste Ergebnis zu erzielen.
In jüngerer Zeit jedoch Google verfeinerte den Trainingsprozess mit AlphaGo Zero, einem System, das “völlig zufällige” Spiele gegen sich selbst spielte und dann daraus lernte. Demis Hassabis, CEO von Google DeepMind, hat außerdem eine neue Version von AlphaGo Zero vorgestellt, die Schach und Shogi beherrscht.
Und die KI sprintet weiter über neue Meilensteine: Ein von OpenAI trainiertes System hat die weltbesten Spieler in Eins-gegen-Eins-Spielen des Online-Multiplayer-Spiels Dota 2 besiegt.
Im selben Jahr OpenAI, haben KI-Agenten entwickelt, die ihre eigene Sprache erfunden haben, um zusammenzuarbeiten und ihr Ziel effektiver zu erreichen, gefolgt von Facebook-Trainern, um zu verhandeln und zu lügen.
2020 war das Jahr, in dem ein KI-System scheinbar die Fähigkeit erlangte, über fast jedes erdenkliche Thema wie ein Mensch zu schreiben und zu sprechen.
Das fragliche System, bekannt als Generative Pre-trained Transformer 3 or GPT-3 ist ein neuronales Netzwerk, das auf Milliarden von englischsprachigen Artikeln trainiert wurde, die im offenen Web verfügbar sind.
Schon kurz nachdem es von der gemeinnützigen Organisation OpenAI zum Testen zur Verfügung gestellt wurde, war das Internet voll von der Fähigkeit von GPT-3, Artikel zu fast jedem Thema zu generieren, die ihm zugeführt wurden, Artikel, die auf den ersten Blick oft schwer zu finden waren von denen unterscheiden, die von einem Menschen geschrieben wurden. In ähnlicher Weise folgten beeindruckende Ergebnisse in anderen Bereichen, mit der Fähigkeit, Fragen zu einer Vielzahl von Themen überzeugend zu beantworten und sogar als JavaScript-Anfänger zu gelten.
Aber während viele von GPT-3 generierte Artikel einen Hauch von Echtheitsprüfung ergaben weitere Tests, dass die generierten Sätze oft nicht bestanden und oberflächlich plausible, aber verwirrte Aussagen sowie manchmal völligen Unsinn boten.
Es besteht nach wie vor großes Interesse, das natürliche Sprachverständnis des Modells als Grundlage für zukünftige Dienste zu nutzen. Es steht ausgewählten Entwicklern zur Verfügung, um sie über die Beta-API von OpenAI in Software zu integrieren. Es wird auch in zukünftige Dienste integriert, die über die Azure-Cloud-Plattform von Microsoft verfügbar sind.
Das vielleicht eindrucksvollste Beispiel für das Potenzial von KI kam Ende 2020, als das aufmerksamkeitsbasierte neuronale Netzwerk AlphaFold 2 von Google ein Ergebnis zeigte, das einige genannt haben verdient einen Nobelpreis für Chemie.
Die Fähigkeit des Systems, die Bausteine eines Proteins, die als Aminosäuren bekannt sind, zu untersuchen und daraus abzuleiten, dass die 3D-Struktur des Proteins einen großen Einfluss darauf haben könnte, wie schnell Krankheiten erkannt und Medikamente entwickelt werden. Im Critical Assessment of Protein Structure Prediction-Wettbewerb hat AlphaFold 2 die 3D-Struktur eines Proteins mit einer Genauigkeit bestimmt, die mit der Kristallographie, dem Goldstandard für überzeugende Proteinmodellierung, konkurrieren kannIm Gegensatz zur Kristallographie, deren Ergebnisse Monate dauern, kann AlphaFold 2 Proteine in Stunden modellieren. Da die 3D-Struktur von Proteinen eine so wichtige Rolle in der menschlichen Biologie und bei Krankheiten spielt, wurde eine solche Beschleunigung als bahnbrechender Durchbruch für die Medizin gepriesen, ganz zu schweigen von möglichen Anwendungen in anderen Bereichen, in denen Enzyme in der Biotechnologie eingesetzt werden.
Was ist maschinelles Lernen?
Praktisch alle bisher erwähnten Errungenschaften stammen aus dem maschinellen Lernen, einer Teilmenge der KI, die in den letzten Jahren die überwiegende Mehrheit der Errungenschaften auf diesem Gebiet ausmacht. Wenn man heute über KI spricht, spricht man im Allgemeinen von maschinellem Lernen.
Derzeit erfreut sich ein Wiederaufleben eines Wiederauflebens. Einfach ausgedrückt, bedeutet maschinelles Lernen, dass ein Computersystem lernt, wie eine Aufgabe ausgeführt wird, anstatt dafür programmiert zu werden. Diese Beschreibung des maschinellen Lernens reicht bis ins Jahr 1959 zurück, als sie von Arthur Samuel geprägt wurde, einem Pionier auf diesem Gebiet, der eines der weltweit ersten selbstlernenden Systeme, das Samuel Checkers-playing Program, entwickelte.
Zum Lernen werden diesen Systemen riesige Datenmengen zugeführt, mit denen sie dann lernen, eine bestimmte Aufgabe auszuführen, wie zum Beispiel das Verstehen von Sprache oder das Beschriften eines Fotos. Die Qualität und Größe dieses Datensatzes sind wichtig für den Aufbau eines Systems, das seine zugewiesene Aufgabe genau ausführen kann. Wenn Sie beispielsweise ein maschinelles Lernsystem zur Vorhersage von Hauspreisen erstellen, sollten die Trainingsdaten nicht nur die Grundstücksgröße, sondern auch andere wichtige Faktoren wie die Anzahl der Schlafzimmer oder die Größe des Gartens umfassen.
Was sind neuronale Netze?
Der Schlüssel zum Erfolg des maschinellen Lernens sind neuronale Netze. Diese mathematischen Modelle sind in der Lage, interne Parameter zu optimieren, um ihre Ausgabe zu ändern. Ein neuronales Netz wird mit Datensätzen gefüttert, die ihm beibringen, was es ausspucken soll, wenn es während des Trainings mit bestimmten Daten konfrontiert wird. Konkret könnte das Netzwerk mit Graustufenbildern der Zahlen zwischen Null und 9 zusammen mit einer Folge von Binärziffern – Nullen und Einsen – gefüttert werden, die angeben, welche Zahl in jedem Graustufenbild angezeigt wird. Das Netzwerk würde dann trainiert und seine internen Parameter angepasst, bis es die in jedem Bild angezeigte Zahl mit hoher Genauigkeit klassifiziert. Dieses trainierte neuronale Netzwerk könnte dann verwendet werden, um andere Graustufenbilder von Zahlen zwischen null und 9 zu klassifizieren um handgeschriebene Postleitzahlen zu erkennen.
Die Struktur und Funktionsweise neuronaler Netze basiert sehr lose auf den Verbindungen zwischen Neuronen im Gehirn. Neuronale Netze bestehen aus miteinander verbundenen Schichten von Algorithmen, die Daten ineinander speisen. Sie können trainiert werden, um bestimmte Aufgaben auszuführen, indem die Bedeutung der Daten beim Übergang zwischen diesen Schichten geändert wird. Während des Trainings dieser neuronalen Netze werden die Gewichte, die den Daten beim Durchlaufen zwischen den Schichten beigefügt werden, weiter variiert, bis die Ausgabe des neuronalen Netzes dem gewünschten sehr nahe kommt. An diesem Punkt hat das Netzwerk „gelernt“, wie eine bestimmte Aufgabe ausgeführt wird. Die gewünschte Ausgabe kann alles sein, von der korrekten Kennzeichnung von Obst in einem Bild bis hin zur Vorhersage, wann ein Aufzug aufgrund seiner Sensordaten ausfallen könnte.
Eine Teilmenge des maschinellen Lernens ist Deep Learning, bei dem neuronale Netze zu weitläufigen Netzen mit einer großen Anzahl von beträchtlichen Schichten erweitert werden, die mit riesigen Datenmengen trainiert werden. Diese tiefen neuronalen Netze haben den aktuellen Sprung in der Fähigkeit von Computern vorangetrieben, Aufgaben wie Spracherkennung und Computer Vision auszuführen.
Es gibt verschiedene Arten von neuronalen Netzen mit unterschiedlichen Stärken und Schwächen. Recurrent Neural Networks (RNN) sind eine Art neuronaler Netze, die sich besonders gut für die Verarbeitung natürlicher Sprache (NLP) – das Verständnis der Bedeutung von Text – und die Spracherkennung eignen, während konvolutionelle neuronale Netze ihre Wurzeln in der Bilderkennung haben und so unterschiedlich verwendet werden als Empfehlungssysteme und NLP. Das Design neuronaler Netze entwickelt sich ebenfalls weiter, wobei Forscher eine effektivere Form eines tiefen neuronalen Netzes entwickeln, das als langes Kurzzeitgedächtnis oder LSTM bezeichnet wird – eine Art von RNN-Architektur, die für Aufgaben wie NLP und für Börsenvorhersagen verwendet wird –, die es ermöglicht, funktionieren schnell genug, um in On-Demand-Systemen wie Google Translate verwendet zu werden.
Der Aufbau und das Training von tiefen neuronalen Netzen.
Bild: Nuance
Was sind andere Arten von KI?
Ein weiterer Bereich der KI-Forschung ist die evolutionäre Berechnung.
Sie orientiert sich an Darwins Theorie der natürlichen Auslese. Dabei werden genetische Algorithmen zufälligen Mutationen und Kombinationen zwischen Generationen unterzogen, um die optimale Lösung für ein bestimmtes Problem zu entwickeln.
Dieser Ansatz wurde sogar verwendet, um KI-Modelle zu entwerfen und KI effektiv zum Aufbau von KI zu nutzen. Diesen Einsatz evolutionärer Algorithmen zur Optimierung neuronaler Netze nennt man Neuroevolution. Sie könnte eine wichtige Rolle bei der Entwicklung einer effizienten KI spielen, da intelligente Systeme immer häufiger zum Einsatz kommen, insbesondere da die Nachfrage nach Datenwissenschaftlern oft das Angebot übersteigt. Die Technik wurde von Uber AI Labs vorgestellt, die Artikel zur Verwendung genetischer Algorithmen zum Trainieren tiefer neuronaler Netze für Probleme des Reinforcement Learning veröffentlichten.
Schließlich gibt es Expertensysteme, wo Computer mit Regeln programmiert sind, die es ihnen ermöglichen, eine Reihe von Entscheidungen basierend auf einer großen Anzahl von Eingaben zu treffen, wodurch diese Maschine das Verhalten eines menschlichen Experten in einem bestimmten Bereich nachahmen kann. Ein Beispiel für diese wissensbasierten Systeme könnte zum Beispiel ein Autopilot-System sein, das ein Flugzeug fliegt.
Was treibt das Wiederaufleben der KI an?
Wie bereits erwähnt, waren die größten Durchbrüche in der KI-Forschung in den letzten Jahren im Bereich des maschinellen Lernens, insbesondere im Bereich des Deep Learning.
Dies wurde zum Teil durch die leichte Verfügbarkeit von Daten, aber noch mehr durch eine Explosion der parallelen Rechenleistung getrieben, während der die Verwendung von Clustern von Grafikprozessoren (GPUs) zum Trainieren von Machine-Learning-Systemen weit verbreitet ist.
Diese Cluster bieten nicht nur wesentlich leistungsfähigere Systeme zum Trainieren von Machine-Learning-Modellen, sondern sind mittlerweile auch als Cloud-Dienste über das Internet weit verbreitet. Im Laufe der Zeit sind die großen Technologieunternehmen wie Google, Microsoft und Tesla dazu übergegangen, spezialisierte Chips zu verwenden, die sowohl auf das Ausführen als auch auf das Training von Modellen für maschinelles Lernen zugeschnitten sind.
Ein Beispiel dafür dieser benutzerdefinierten Chips ist die Tensor Processing Unit (TPU) von Google, deren neueste Version die Geschwindigkeit beschleunigt, mit der nützliche Modelle für maschinelles Lernen, die mit der TensorFlow-Softwarebibliothek von Google erstellt wurden, Informationen aus Daten ableiten können, sowie die Geschwindigkeit, mit der sie sein können geschult.
Diese Chips werden verwendet, um Modelle für DeepMind und Google Brain sowie die Modelle zu trainieren, die Google Translate und der Bilderkennung in Google Fotos und Diensten zugrunde liegen, die es der Öffentlichkeit ermöglichen, Modelle für maschinelles Lernen mit der TensorFlow Research Cloud von Google zu erstellen. Die dritte Generation dieser Chips wurde auf der I/O-Konferenz von Google im Mai 2018 vorgestellt und ist seitdem in Kraftpaketen für maschinelles Lernen, sogenannte Pods, verpackt, die mehr als hunderttausend Billionen Gleitkommaoperationen pro Sekunde (100 Petaflops) ausführen können. Diese fortlaufenden TPU-Upgrades haben es Google ermöglicht, seine Dienste zu verbessern, die auf Modellen für maschinelles Lernen basieren, z. B. die Zeit zum Trainieren von Modellen, die in Google Übersetzer verwendet werden, zu halbieren.
Was sind die Elemente des maschinellen Lernens?
Wie bereits erwähnt, ist maschinelles Lernen eine Teilmenge der KI und wird im Allgemeinen in zwei Hauptkategorien unterteilt: überwachtes und unüberwachtes Lernen.
Überwachtes Lernen
Eine gängige Technik zum Unterrichten von KI-Systemen besteht darin, sie anhand vieler beschrifteter Beispiele zu trainieren. Diese maschinellen Lernsysteme werden mit riesigen Datenmengen gefüttert, die mit Anmerkungen versehen wurden, um die interessierenden Merkmale hervorzuheben. Dies können Fotos sein, die beschriftet sind, um anzuzeigen, ob sie einen Hund enthalten, oder geschriebene Sätze mit Fußnoten, die darauf hinweisen, ob sich das Wort “Bass” auf Musik oder einen Fisch bezieht. Nach dem Training kann das System diese Labels dann auf neue Daten anwenden, zum Beispiel auf einen Hund auf einem gerade hochgeladenen Foto.
Dieser Prozess, einer Maschine durch ein Beispiel beizubringen, wird als überwachtes Lernen bezeichnet. Diese Beispiele werden üblicherweise von Online-Mitarbeitern gekennzeichnet, die über Plattformen wie Amazon Mechanical Turk beschäftigt sind.
Das Training dieser Systeme erfordert in der Regel riesige Datenmengen, wobei einige Systeme Millionen von Beispielen durchforsten müssen, um zu lernen, wie eine Aufgabe effektiv ausgeführt wird – obwohl dies im Zeitalter von Big Data und weit verbreitetem Data Mining zunehmend möglich ist. Trainings-Datasets sind riesig und werden immer größer. Das Open-Images-Dataset von Google enthält etwa neun Millionen Bilder, während das Video-Repository YouTube-8M mit Labels auf sieben Millionen Videos mit Labels verweist. ImageNet, eine der frühen Datenbanken dieser Art, verfügt über mehr als 14 Millionen kategorisierte Bilder. Es wurde über zwei Jahre zusammengestellt und von fast 50 000 Personen zusammengestellt – von denen die meisten über Amazon Mechanical Turk rekrutiert wurden –, die fast eine Milliarde Kandidatenbilder überprüft, sortiert und gekennzeichnet haben.
Der Zugriff auf riesige beschriftete Datensätze kann sich auf lange Sicht auch als weniger wichtig erweisen als der Zugriff auf große Mengen an Rechenleistung.
In den letzten Jahren wurden Generative Adversarial Networks (GANs) in Machine-Learning-Systemen eingesetzt, die neben einer großen Menge an nicht gekennzeichneten Daten nur eine geringe Menge an gekennzeichneten Daten benötigen, was, wie der Name schon sagt, weniger manuellen Aufwand zur Vorbereitung erfordert.< /p>
Dieser Ansatz könnte den verstärkten Einsatz von semi-überwachtem Lernen ermöglichen, bei dem Systeme lernen können, Aufgaben mit einer viel geringeren Menge an gekennzeichneten Daten auszuführen, als dies heute für Trainingssysteme mit überwachtem Lernen erforderlich ist.
Unüberwachtes Lernen
Im Gegensatz dazu verwendet das unüberwachte Lernen einen anderen Ansatz, bei dem Algorithmen versuchen, Muster in Daten zu erkennen und nach Ähnlichkeiten zu suchen, die verwendet werden können, um diese Daten zu kategorisieren.
Ein Beispiel könnte das Aneinanderreihen von Früchten mit einem ähnlichen Gewicht oder Autos mit einer ähnlichen Motorgröße sein.
Der Algorithmus ist nicht im Voraus so eingerichtet, dass er bestimmte Datentypen auswählt; Es sucht einfach nach Daten, die seine Ähnlichkeiten gruppieren können, z. B. Google News, das jeden Tag Artikel zu ähnlichen Themen gruppiert.
Verstärkendes Lernen
Ein grobes Analogie zum Reinforcement Learning ist, ein Haustier mit einem Leckerbissen zu belohnen, wenn es einen Trick ausführt. Beim Reinforcement Learning versucht das System, eine Belohnung basierend auf seinen Eingabedaten zu maximieren, indem es im Grunde einen Prozess von Versuch und Irrtum durchläuft, bis es das bestmögliche Ergebnis erreicht.
Ein Beispiel für Reinforcement Learning ist das Deep Q-Netzwerk von Google DeepMind, das in einer Vielzahl klassischer Videospiele verwendet wurde, um die menschliche Leistung zu verbessern. Das System wird mit Pixeln aus jedem Spiel gefüttert und ermittelt verschiedene Informationen, wie z. B. den Abstand zwischen Objekten auf dem Bildschirm.
Indem es sich auch die in jedem Spiel erzielte Punktzahl ansieht, erstellt das System ein Modell, welche Aktion ausgeführt wird Maximieren Sie die Punktzahl unter verschiedenen Umständen, zum Beispiel im Fall des Videospiels Breakout, wo der Schläger bewegt werden sollte, um den Ball abzufangen.
Der Ansatz wird auch in der Robotikforschung verwendet, wo Reinforcement Learning dabei helfen kann, autonomen Robotern das optimale Verhalten in realen Umgebungen beizubringen.
Viele KI-bezogene Technologien nähern sich oder haben es bereits erreicht. der “Gipfel der überhöhten Erwartungen” in Gartners Hype Cycle, mit dem von Gegenreaktionen getriebenen “Tal der Desillusionierung” auf der Lauer.
Bild: Gartner/Anmerkungen: ZDNet
Welches sind die führenden Unternehmen im Bereich KI?
Da KI in moderner Software und Dienstleistungen eine immer wichtigere Rolle spielt, kämpft jedes große Technologieunternehmen darum, robuste Technologien für maschinelles Lernen für den internen Gebrauch zu entwickeln und über Cloud-Dienste an die Öffentlichkeit zu verkaufen.
Jede regelmäßig macht Schlagzeilen, um neue Wege in der KI-Forschung zu beschreiten, obwohl Google mit seinen DeepMind AI AlphaFold- und AlphaGo-Systemen wahrscheinlich den größten Einfluss auf die öffentliche Wahrnehmung von KI hatte.
Welche KI-Dienste gibt es?
Alle großen Cloud-Plattformen – Amazon Web Services, Microsoft Azure und Google Cloud Platform – bieten Zugriff auf GPU-Arrays zum Trainieren und Ausführen von Modellen für maschinelles Lernen Chips, deren Design für das Training und das Ausführen von Modellen für maschinelles Lernen optimiert ist.
Alle notwendigen Infrastrukturen und Dienste sind von den großen Drei verfügbar, den Cloud-basierten Datenspeichern, die die riesigen Datenmengen speichern können, die zum Trainieren von Modellen für maschinelles Lernen erforderlich sind, Dienste zur Transformation von Daten, um sie für die Analyse vorzubereiten, Visualisierungstools um die Ergebnisse klar darzustellen, und Software, die die Erstellung von Modellen vereinfacht.
Diese Cloud-Plattformen vereinfachen sogar die Erstellung benutzerdefinierter Modelle für maschinelles Lernen, wobei Google einen Dienst anbietet, der die Erstellung von KI-Modellen automatisiert. namens Cloud AutoML. Dieser Drag-and-Drop-Dienst erstellt benutzerdefinierte Bilderkennungsmodelle und erfordert, dass der Benutzer keine Kenntnisse im Bereich maschinelles Lernen besitzt.
Cloud-basierte Dienste für maschinelles Lernen entwickeln sich ständig weiter. Amazon bietet jetzt eine Vielzahl von AWS-Angeboten an, die den Schulungsprozess von Modellen für maschinelles Lernen rationalisieren sollen, und hat kürzlich Amazon SageMaker Clarify auf den Markt gebracht, ein Tool, das Unternehmen dabei hilft, Verzerrungen und Ungleichgewichte in Trainingsdaten auszumerzen, die zu verzerrten Vorhersagen des trainierten Modells führen könnten .
Für Unternehmen, die keine eigenen Machine=Learning-Modelle erstellen möchten, sondern stattdessen KI-gestützte On-Demand-Dienste wie Sprach-, Bild- und Spracherkennung nutzen möchten, zeichnet sich Microsoft Azure durch die Breite der Dienste auf Angebot, dicht gefolgt von Google Cloud Platform und dann AWS. In der Zwischenzeit versucht IBM neben seinen allgemeineren On-Demand-Angeboten auch, branchenspezifische KI-Dienste zu verkaufen, die auf alles vom Gesundheitswesen bis hin zum Einzelhandel ausgerichtet sind, fasst diese Angebote unter dem Dach von IBM Watson zusammen und hat 2 Milliarden US-Dollar in den Kauf von The Weather investiert Kanal, um eine Fülle von Daten freizuschalten, um seine KI-Dienste zu erweitern.
Welches der großen Technologieunternehmen gewinnt das KI-Rennen?
Bild: Jason Cipriani/ZDNet
Intern nutzen alle Tech-Giganten und andere wie Facebook KI, um unzählige öffentliche Dienste voranzutreiben: Bereitstellung von Suchergebnissen, Angebot von Empfehlungen, Erkennung von Personen und Dingen auf Fotos, On-Demand-Übersetzung, Erkennung von Spam – die Liste ist umfangreich.
Aber eine der sichtbarsten Manifestationen dieses KI-Krieges war der Aufstieg virtueller Assistenten wie Siri von Apple, Alexa von Amazon, Google Assistant und Microsoft Cortana.
Da sie sich stark auf Spracherkennung und Verarbeitung natürlicher Sprache verlassen und einen immensen Korpus für die Beantwortung von Anfragen benötigen, wird viel Technologie in die Entwicklung dieser Assistenten gesteckt.
Aber während Siri von Apple möglicherweise zuerst an Bedeutung gewonnen hat , es sind Google und Amazon, deren Assistenten Apple im KI-Bereich inzwischen überholt haben – Google Assistant mit seiner Fähigkeit, eine Vielzahl von Anfragen zu beantworten, und Amazons Alexa mit der enormen Anzahl von „Skills“, die Entwickler von Drittanbietern entwickelt haben, um sie hinzuzufügen zu seinen Fähigkeiten.
Im Laufe der Zeit erwerben diese Assistenten Fähigkeiten, die sie reaktionsschneller machen und besser in der Lage sind, mit den Arten von Fragen umzugehen, die Menschen in regelmäßigen Gesprächen stellen. Google Assistant bietet beispielsweise jetzt eine Funktion namens Fortgesetzte Konversation, mit der ein Nutzer Folgefragen zu seiner ersten Anfrage stellen kann, beispielsweise “Wie ist das Wetter heute?”, gefolgt von “Was ist mit morgen?” und das System versteht, dass sich die Folgefrage auch auf das Wetter bezieht.
Diese Assistenten und zugehörigen Dienste können auch weit mehr als nur Sprache. Die neueste Version des Google Lens kann Text in Bilder übersetzen und ermöglicht Ihnen die Suche nach Kleidung oder Möbeln mithilfe von Fotos.
Obwohl Cortana in Windows 10 integriert ist, hatte es in letzter Zeit eine besonders harte Zeit, da Amazons Alexa jetzt kostenlos auf Windows 10-PCs verfügbar ist. Gleichzeitig hat Microsoft die Rolle von Cortana im Betriebssystem überarbeitet, um sich mehr auf Produktivitätsaufgaben wie die Verwaltung des Zeitplans des Benutzers zu konzentrieren, anstatt auf verbraucherorientiertere Funktionen anderer Assistenten wie das Abspielen von Musik.
Welche Länder sind bei der KI führend?
Es wäre ein großer Fehler zu glauben, dass die US-Technologiegiganten das Feld der KI zurechtgezimmert haben. Die chinesischen Firmen Alibaba, Baidu und Lenovo investieren stark in KI in Bereichen, die vom E-Commerce bis zum autonomen Fahren reichen. Als Land verfolgt China einen dreistufigen Plan, um KI zu einer Kernindustrie des Landes zu machen, die bis Ende 2020 einen Wert von 150 Milliarden Yuan (22 Mrd. $) haben wird, um bis 2030 die weltweit führende KI-Macht zu werden.
Baidu hat in die Entwicklung selbstfahrender Autos investiert, die von seinem Deep-Learning-Algorithmus Baidu AutoBrain angetrieben werden. Nach mehreren Testjahren beförderte das selbstfahrende Auto Apollo mehr als 5 Millionen Kilometer in Tests und beförderte über 100.000 Passagiere in 27 Städten weltweit.
Baidu startete eine Flotte von 40 Apollo Go Robotaxis in Peking dieses Jahr. Der Firmengründer hat vorausgesagt, dass selbstfahrende Fahrzeuge innerhalb von fünf Jahren in Chinas Städten üblich sein werden.
Die Kombination aus schwachen Datenschutzgesetzen, enormen Investitionen, konzertierter Datensammlung und Big-Data-Analysen von großen Unternehmen wie Baidu, Alibaba und Tencent bedeutet, dass einige Analysten glauben, dass China bei der zukünftigen KI-Forschung einen Vorteil gegenüber den USA haben wird , wobei ein Analyst die Chancen, dass China die Führung gegenüber den USA übernimmt, mit 500 zu 1 zu Gunsten Chinas beschreibt.
Das selbstfahrende Auto von Baidu, ein modifizierter BMW 3er.
Bild: Baidu
Wie kann ich mit KI beginnen?
Während Sie eine mäßig leistungsstarke Nvidia-GPU für Ihren PC kaufen könnten – irgendwo um die Nvidia GeForce RTX 2060 oder schneller – und mit dem Training eines Modells für maschinelles Lernen beginnen könnten, ist der wahrscheinlich einfachste Weg, mit KI-bezogenen Diensten zu experimentieren, über die Cloud.
Alle großen Technologieunternehmen bieten verschiedene KI-Dienste an, von der Infrastruktur zum Erstellen und Trainieren eigener Modelle für maschinelles Lernen bis hin zu Webdiensten, mit denen Sie auf KI-gestützte Tools wie Sprache, Sprache, Vision und Sentiment-Erkennung auf Abruf.
Wie wird KI die Welt verändern?
Roboter und fahrerlose Autos
Der Wunsch, dass Roboter autonom agieren und die Welt um sie herum verstehen und navigieren können, führt zu einer natürlichen Überschneidung zwischen Robotik und KI. Obwohl KI nur eine der Technologien ist, die in der Robotik verwendet werden, hilft KI Robotern dabei, in neue Bereiche wie selbstfahrende Autos, Lieferroboter und Roboter beim Erlernen neuer Fähigkeiten vorzudringen. Anfang 2020 stellten General Motors und Honda den Cruise Origin vor, ein elektrisch betriebenes, fahrerloses Auto, und Waymo, die selbstfahrende Gruppe innerhalb der Google-Mutter Alphabet, hat kürzlich seinen Robotaxi-Service in Phoenix, Arizona, für die breite Öffentlichkeit geöffnet und bietet a Service, der ein 50 Quadratkilometer großes Gebiet in der Stadt abdeckt.
Fake News
Wir stehen kurz davor, neuronale Netze zu haben, die fotorealistische Bilder erstellen oder die Stimme von jemandem in Tonhöhe nachbilden können. Damit birgt das Potenzial für einen enorm disruptiven sozialen Wandel, wie beispielsweise die Möglichkeit, Video- oder Audiomaterial nicht mehr als echt zu vertrauen. Es werden auch Bedenken geäußert, wie solche Technologien verwendet werden, um die Bilder von Menschen zu missbrauchen, wobei bereits Tools entwickelt werden, um berühmte Gesichter überzeugend in Erotikfilme einzufügen.
Sprach- und Spracherkennung
Maschinelle Lernsysteme haben Computern geholfen, das Gesagte mit einer Genauigkeit von fast 95 % zu erkennen. Die Microsoft-Gruppe für künstliche Intelligenz und Forschung berichtete außerdem, dass sie ein System entwickelt hat, das gesprochenes Englisch genauso genau transkribiert wie menschliche Transkribierer.
Da Forscher das Ziel einer Genauigkeit von 99 % verfolgen, ist zu erwarten, dass das Sprechen mit Computern neben mehr immer häufiger wird. traditionelle Formen der Mensch-Maschine-Interaktion.
Unterdessen hat das Sprachvorhersagemodell GPT-3 von OpenAI kürzlich mit seiner Fähigkeit, Artikel zu erstellen, die als von einem Menschen geschrieben gelten könnten, für Aufsehen gesorgt.
Gesichtserkennung und -überwachung
In den letzten Jahren ist die Genauigkeit von Gesichtserkennungssystemen sprunghaft gestiegen, bis zu einem Punkt, an dem der chinesische Technologieriese Baidu sagt, dass er Gesichter mit einer Genauigkeit von 99 % abgleichen kann, vorausgesetzt, das Gesicht ist im Video deutlich genug. Während die Polizei in westlichen Ländern die Verwendung von Gesichtserkennungssystemen im Allgemeinen nur bei Großveranstaltungen erprobt hat, bauen die Behörden in China ein landesweites Programm auf, um CCTV im ganzen Land mit der Gesichtserkennung zu verbinden und KI-Systeme zur Verfolgung von Verdächtigen und verdächtigem Verhalten einzusetzen. und hat auch die Verwendung von Gesichtserkennungsbrillen durch die Polizei ausgeweitet.
Obwohl die Datenschutzbestimmungen weltweit variieren, ist es wahrscheinlich, dass dieser aufdringlichere Einsatz von KI-Technologie – einschließlich KI, die Emotionen erkennen kann – allmählich mehr wird weit verbreitet. Eine wachsende Gegenreaktion und Fragen zur Fairness von Gesichtserkennungssystemen haben jedoch dazu geführt, dass Amazon, IBM und Microsoft den Verkauf dieser Systeme an die Strafverfolgungsbehörden pausieren oder einstellen.
Gesundheitswesen< /p>
Künstliche Intelligenz könnte schließlich dramatische Auswirkungen auf das Gesundheitswesen haben, indem sie Radiologen hilft, Tumore im Röntgenbild zu erkennen, Forschern dabei zu helfen, genetische Sequenzen im Zusammenhang mit Krankheiten zu erkennen und Moleküle zu identifizieren, die zu wirksameren Medikamenten führen könnten. Der jüngste Durchbruch des maschinellen Lernsystems AlphaFold 2 von Google soll die Zeit für einen wichtigen Schritt bei der Entwicklung neuer Medikamente von Monaten auf Stunden verkürzen.
Es gab Versuche mit KI-bezogener Technologie in Krankenhäusern auf der ganzen Welt. Dazu gehören das klinische Entscheidungsunterstützungstool Watson von IBM, das Onkologen am Memorial Sloan Kettering Cancer Center ausbilden, und die Verwendung von Google DeepMind-Systemen durch den britischen National Health Service, wo es hilft, Augenanomalien zu erkennen und das Screening von Patienten auf Kopf- und Halskrebs.
Verstärkung von Diskriminierung und Voreingenommenheit
Ein wachsendes Problem ist die Art und Weise, wie maschinelle Lernsysteme die menschlichen Vorurteile und gesellschaftlichen Ungleichheiten, die sich in ihren Trainingsdaten widerspiegeln, kodifizieren können. Diese Befürchtungen wurden durch mehrere Beispiele bestätigt, wie ein Mangel an Vielfalt bei den Daten, die zum Trainieren solcher Systeme verwendet werden, negative Auswirkungen auf die reale Welt hat.
Im Jahr 2018 wurde in einem Forschungspapier von MIT und Microsoft festgestellt, dass Gesichtserkennungssysteme, die von großen Technologieunternehmen verkauft werden, bei der Identifizierung von Personen mit dunklerer Haut eine deutlich höhere Fehlerquote aufweisen von weißen Männern.
Eine weitere Studie ein Jahr später ergab, dass das Gesichtserkennungssystem Rekognition von Amazon Probleme bei der Identifizierung des Geschlechts von Personen mit dunklerer Haut hatte, ein Vorwurf, der von Amazon-Führungskräften angefochten wurde, und veranlasste einen der Forscher, auf die in der Amazon-Widerlegung angesprochenen Punkte einzugehen.
Seit der Veröffentlichung der Studien haben viele der großen Technologieunternehmen den Verkauf von Gesichtserkennungssystemen an Polizeidienststellen zumindest vorübergehend eingestellt.
Ein weiteres Beispiel für unzureichend unterschiedliche Trainingsdaten, die die Ergebnisse verzerren, machte 2018 Schlagzeilen, als Amazon ein Rekrutierungstool für maschinelles Lernen abschaffte, das männliche Bewerber als bevorzugt identifizierte. Derzeit wird an Möglichkeiten geforscht, Verzerrungen in selbstlernenden Systemen auszugleichen.
KI und globale Erwärmung
Mit der Größe der Machine-Learning-Modelle und der zu ihrem Training verwendeten Datensätze wächst auch der CO2-Fußabdruck der riesigen Rechencluster, die diese Modelle formen und ausführen. Die Umweltauswirkungen der Stromversorgung und Kühlung dieser Rechenfarmen waren Gegenstand eines Papiers des Weltwirtschaftsforums aus dem Jahr 2018. Einer Schätzung aus dem Jahr 2019 zufolge verdoppelt sich der Stromverbrauch von Systemen für maschinelles Lernen alle 3,4 Monate.
Das Problem der enormen Energiemenge, die zum Trainieren leistungsstarker Modelle für maschinelles Lernen erforderlich ist, wurde kürzlich durch die Veröffentlichung des Sprachvorhersagemodells GPT-3, einem weitläufigen neuronalen Netzwerk mit etwa 175 Milliarden Parametern, in den Fokus gerückt.
Während die Ressourcen, die zum Trainieren solcher Modelle erforderlich sind, immens sein können und größtenteils nur großen Unternehmen zur Verfügung stehen, ist der Energiebedarf zum Betrieb dieser Modelle nach dem Training deutlich geringer. Da jedoch die Nachfrage nach auf diesen Modellen basierenden Diensten wächst, werden der Stromverbrauch und die daraus resultierenden Umweltauswirkungen wieder ein Thema.
Ein Argument ist, dass die Umweltauswirkungen des Trainings und der Ausführung größerer Modelle gegen die potenziellen Auswirkungen von maschinellem Lernen abgewogen werden müssen, beispielsweise die schnelleren Fortschritte im Gesundheitswesen, die nach dem Durchbruch von AlphaFold von Google DeepMind wahrscheinlich sind 2.
Wird KI uns alle töten?
Auch hier kommt es darauf an, wen Sie fragen. Da KI-gestützte Systeme leistungsfähiger geworden sind, werden Warnungen vor den Nachteilen immer schlimmer.
Elon Musk, CEO von Tesla und SpaceX, hat behauptet, KI sei ein „grundlegendes Risiko für die Existenz der menschlichen Zivilisation“. Als Teil seiner Bemühungen um eine stärkere Regulierungsaufsicht und verantwortungsvollere Forschung zur Minderung der Nachteile der KI gründete er OpenAI, ein gemeinnütziges Forschungsunternehmen für künstliche Intelligenz, das darauf abzielt, eine freundliche KI zu fördern und zu entwickeln, die der gesamten Gesellschaft zugute kommt. In ähnlicher Weise warnte der angesehene Physiker Stephen Hawking, dass eine ausreichend fortschrittliche KI, sobald sie geschaffen ist, schnell bis zu dem Punkt vordringen wird, an dem sie die menschlichen Fähigkeiten bei weitem übertrifft. Ein Phänomen ist als Singularität bekannt und könnte eine existenzielle Bedrohung für die Menschheit darstellen.
Die Vorstellung, dass die Menschheit am Rande einer KI-Explosion steht, die unseren Intellekt in den Schatten stellen wird, erscheint einigen KI-Forschern jedoch lächerlich.
Chris Bishop, Microsofts Forschungsdirektor in Cambridge, England, betont, wie unterschiedlich die engen Die Intelligenz der KI stammt heute von der allgemeinen Intelligenz des Menschen und sagt, wenn sich die Leute Sorgen machen über “Terminator und das Aufkommen der Maschinen und so weiter? Absoluter Unsinn, ja. Solche Diskussionen sind bestenfalls Jahrzehnte entfernt.”
< h2> Wird eine KI Ihren Job stehlen?
Amazon
Die Möglichkeit, dass künstlich intelligente Systeme einen Großteil der modernen Handarbeit ersetzen, ist vielleicht eine glaubwürdigere nahe Zukunft Möglichkeit.
Obwohl KI nicht alle Arbeitsplätze ersetzen wird, scheint sicher, dass KI die Art der Arbeit verändern wird. Die einzige Frage ist, wie schnell und wie tiefgreifend die Automatisierung den Arbeitsplatz verändern wird.
Es gibt kaum einen Bereich menschlicher Bemühungen, auf den KI nicht das Potenzial hat, Einfluss zu nehmen. Wie der KI-Experte Andrew Ng es ausdrückt: „Viele Menschen verrichten routinemäßige, sich wiederholende Jobs. Leider ist die Technologie besonders gut darin, routinemäßige, sich wiederholende Arbeiten zu automatisieren“, und sagt, er sehe ein „erhebliches Risiko der technologischen Arbeitslosigkeit in den nächsten Jahrzehnten“.< /p>
Die Beweise dafür, welche Arbeitsplätze verdrängt werden, beginnen sich abzuzeichnen. Mittlerweile gibt es in den USA 27 Amazon Go-Läden und kassenfreie Supermärkte, in denen Kunden einfach Artikel aus den Regalen nehmen und aussteigen. Was dies für die mehr als drei Millionen Menschen in den USA bedeutet, die als Kassierer arbeiten, bleibt abzuwarten. Amazon ist erneut führend beim Einsatz von Robotern, um die Effizienz in seinen Lagern zu verbessern. Diese Roboter tragen Regale mit Produkten zu menschlichen Kommissionierern, die die zu versendenden Artikel auswählen. Amazon hat mehr als 200.000 Bots in seinen Logistikzentren und plant, weitere hinzuzufügen. Aber Amazon betont auch, dass mit der Zahl der Bots auch die Zahl der menschlichen Arbeiter in diesen Lagern gestiegen ist. Amazon und kleine Robotikunternehmen arbeiten jedoch daran, die verbleibenden manuellen Arbeiten im Lager zu automatisieren. Daher ist es nicht selbstverständlich, dass manuelle und Roboterarbeit Hand in Hand zunehmen werden.
Vollautonome selbstfahrende Fahrzeuge sind noch keine Realität, aber einigen Prognosen zufolge wird allein die selbstfahrende Lkw-Branche im nächsten Jahrzehnt 1,7 Millionen Arbeitsplätze übernehmen, auch ohne die Auswirkungen auf Kuriere und Taxifahrer zu berücksichtigen.< /p>
Einige der am einfachsten zu automatisierenden Jobs erfordern jedoch nicht einmal Robotik. Gegenwärtig arbeiten Millionen von Menschen in der Verwaltung, geben Daten zwischen Systemen ein und kopieren sie, verfolgen und buchen Termine für Unternehmen, da die Software immer besser darin wird, Systeme automatisch zu aktualisieren und wichtige Informationen zu kennzeichnen, sodass der Bedarf an Administratoren sinkt.
Wie bei jedem technologischen Wandel werden neue Arbeitsplätze geschaffen, um die verlorenen zu ersetzen. Ungewiss ist jedoch, ob diese neuen Stellen schnell genug geschaffen werden, um den Vertriebenen eine Beschäftigung zu bieten, und ob die neuen Arbeitslosen die erforderlichen Fähigkeiten oder das Temperament haben, um diese neuen Stellen zu besetzen.
Nicht jeder ist ein Pessimist. Für einige ist KI eine Technologie, die die Mitarbeiter eher ergänzt als ersetzt. Darüber hinaus argumentieren sie, dass es eine kommerzielle Notwendigkeit geben wird, Menschen als KI-unterstützter Arbeiter nicht direkt zu ersetzen – denken Sie an einen menschlichen Concierge mit einem AR-Headset, das ihnen genau sagt, was ein Kunde will, bevor er danach fragt – produktiver oder effektiver sein als eine allein arbeitende KI.
Unter KI-Experten gibt es eine breite Palette von Meinungen darüber, wie schnell künstlich intelligente Systeme die menschlichen Fähigkeiten übersteigen werden.
Das Future of Humanity Institute der Oxford University hat mehrere Hundert Experten für maschinelles Lernen gebeten, die KI-Fähigkeiten in den kommenden Jahrzehnten vorherzusagen.
Bemerkenswerte Daten waren KI-Aufsätze, die bis 2026 als von einem Menschen geschrieben gelten könnten, wobei Lkw-Fahrer bis 2027 überflüssig gemacht, KI bis 2031 die menschlichen Fähigkeiten im Einzelhandel übertrifft, bis 2049 einen Bestseller schreibt und bis 2053 die Arbeit eines Chirurgen übernimmt.
Sie schätzten, dass die Wahrscheinlichkeit, dass KI Menschen innerhalb von 45 Jahren bei allen Aufgaben übertrifft und alle menschlichen Aufgaben innerhalb von 120 Jahren automatisiert, relativ hoch ist.
Mehr anzeigen:
Erklärbare KI: Vom Höhepunkt überhöhter Erwartungen bis zu den Fallstricken bei der Interpretation von Modellen für maschinelles Lernen.KI-Bias-Erkennung (auch bekannt als – das Schicksal unserer datengesteuerten Welt). Das Problem mit KI: Warum wir neue Gesetze brauchen, um zu verhindern, dass Algorithmen unser Leben ruinieren.Mensch trifft KI: Das Intel Labs-Team geht mit Deep Learning an die Grenzen der Mensch-Maschine-Interaktion.Große Unterstützung, um Ärzte mit KI-unterstützter Technologie zu koppeln.Was kommt als nächstes für KI: Gary Marcus spricht über den Weg zu einer robusten künstlichen Intelligenz.Die Zeit könnte reif sein, um Praktiken der künstlichen Intelligenz zu professionalisieren .Dies ist eine KI, was ist Ihr Notfall?.Neuromorphe Netzwerke zum Spaß und Gewinn züchten: Die neue Reproduktionswissenschaft.Anreise: Strukturierte Daten , Semantik, Robotik und die Zukunft der KI.Adobe führt KI-Tools ein, um Omnichannel zu verfolgen und Anomalien schneller zu erkennen.
IBM fügt Watson-Tools für das Leseverständnis und die Extraktion von FAQ hinzu.
Zugehörige Berichterstattung
Wie ML und KI Business Intelligence und Analytics transformieren werden
Die Fortschritte bei maschinellem Lernen und künstlicher Intelligenz in fünf Bereichen werden die Datenvorbereitung, -erkennung, -analyse, -vorhersage und datengesteuerte Entscheidungsfindung vereinfachen.
Bericht: Künstliche Intelligenz schafft Arbeitsplätze und generiert wirtschaftliche Vorteile
Eine neue Studie von Deloitte zeigt, dass die frühen Anwender kognitiver Technologien ihre aktuelle und zukünftige Rolle positiv beurteilen.
KI und Arbeitsplätze: Wo Menschen besser sind als Algorithmen und umgekehrt
Es ist leicht, sich in die düsteren Vorhersagen über das Auslöschen der künstlichen Intelligenz zu verfangen Millionen Arbeitsplätze. Hier ist ein Realitätscheck.
Wie künstliche Intelligenz eine neue Art von Cyberkriminalität entfesselt(TechRepublic)
Anstatt sich hinter einer Maske zu verstecken, um eine Bank auszurauben, verstecken sich Kriminelle jetzt hinter künstlicher Intelligenz, um ihren Angriff durchzuführen. Aber auch Finanzinstitute können KI einsetzen, um diese Verbrechen zu bekämpfen.
Elon Musk: Künstliche Intelligenz könnte den dritten Weltkrieg auslösen (CNET)
Der Serien-CEO kämpft bereits die Science-Fiction-Schlachten von morgen, und er ist weiterhin besorgt über Killer Roboter als alles andere.
Verwandte Themen:
Cloud Digital Transformation CXO Internet of Things Innovation Unternehmenssoftware 