Künstliche Intelligenz Alle Infos auf einen Blick Fraunhofer IESE
Künstliche Intelligenz Wikipedia
Förderung des internationalen und interdisziplinären Wissensaustausches zwischen Nachwuchstalenten auf allen Gebieten der KI. So soll die europäische Zusammenarbeit gestärkt, die Basis zukünftiger Kompetenznetzwerke gelegt und die Bildung junger, paneuropäischer Forschungsteams unterstützt werden. Das BMFTR fördert innovative Entwicklungen, die es allen Menschen ermöglichen, digital möglichst unkompliziert und schnell die Weiterbildung zu finden, die zu ihnen und ihrer Lebenslage passt. Eine wissenschaftsgeleitete Vernetzungs- und Transferstelle sowie vier thematische Kompetenzzentren stärken die digitale Lehrkräftefortbildung und nehmen dazu auch die Chancen von KI-Systemen im Unterricht in den Blick.
Expertensysteme sind spezialisiert auf ganz bestimmte und eng begrenzte Einsatzgebiete. Ein Beispiel dafür sind Programme, mit denen computertomografische Aufnahmen am Computerbildschirm in dreidimensionale Bilder umgesetzt werden. Ärzte können sich so im wahrsten Sinne des Wortes ein «Bild» von der jeweiligen Körperpartie und ihrem nach öffentlicher quelle Zustand machen.
Zudem besteht die Gefahr, dass KI-Entscheidungen intransparent sind. Wenn Algorithmen eigenständig Entscheidungen treffen, kann es schwierig sein, ihre genauen Beweggründe nachzuvollziehen. Deshalb ist es wichtig, ethische Standards zu entwickeln und sicherzustellen, dass KI fair und verantwortungsvoll eingesetzt wird.
Durch die digitale Revolution könnte die menschliche Denkleistung durch maschinelle KI ersetzt111 beziehungsweise ergänzt112 werden. Caroline Criado Perez62 zeigt in ihrer ausführlichen Recherchearbeit das bestehende Gender-Data-Gaps einen negativen Einfluss auf Trainingsdaten von KI nehmen und so bestehende Diskriminierungen reproduziert werden. Eine Fragestellung der KI ist die Erstellung von Wissensrepräsentationen,die dann für automatisches logisches Schließen benutzt werden können. Menschliches Wissen wird dabei – soweit möglich – formalisiert, um es in eine maschinenlesbare Form zu bringen. Diesem Ziel haben sich die Entwickler diverser Ontologien verschrieben.
Obwohl sie noch nicht ausgereift sind, bieten selbstfahrende Autos und andere Fahrzeuge das Potenzial, das Verletzungsrisiko für die Insassen zu verringern. KI ist dauerhaft aktiv, rund um die Uhr verfügbar und liefert jedes Mal eine gleichbleibende Leistung. Tools wie intelligente Chatbot oder virtuelle Assistenten können den Personalbedarf im Kundenservice oder Support verringern. In der Materialverarbeitung oder in Produktionslinien – kann KI dazu beitragen, eine gleichbleibende Produktqualität und Produktionsleistung aufrechtzuerhalten, wenn sie zur Ausführung sich wiederholender oder aufwendiger Aufgaben eingesetzt wird.
- Eine einfache und frühe Form der künstlichen Intelligenz war das sogenannte Expertensystem.
- Er ist nicht flexibel und widersprüchliche Informationen sorgen schnell für Probleme.
- Vor allem bei gesundheitsschädlichen, unfallträchtigen Aufgaben, wie zum Beispiel beim Lackieren oder Schweißen, sind Roboterarme, wie sie bereits in den 1960er-Jahren bei General Motors eingesetzt wurden, nicht mehr wegzudenken.
- Diese Risiken müssen mit entsprechenden Verfahren und Maßnahmen minimiert werden.
EU-rechtliche Definition
Neben diesen Kategorien gibt es noch superintelligente KI, die in der Lage wäre, den menschlichen Verstand in vielen Bereichen zu übertreffen. Auch diese Form von KI existiert derzeit noch nicht, wird jedoch in Zukunft möglicherweise eine wichtige Rolle spielen. Schwache KI, auch als „spezialisierte KI“ bekannt, ist darauf ausgelegt, bestimmte Aufgaben zu erledigen. Sie kann in einem klar definierten Bereich hervorragend arbeiten, hat aber keine allgemeine Problemlösungsfähigkeit. Beispiele dafür sind Sprachassistenten wie Siri oder Alexa, die Aufgaben wie das Abspielen von Musik oder das Beantworten von Fragen übernehmen. Diese KI-Systeme sind zwar hilfreich, können aber nur innerhalb ihres festgelegten Rahmens agieren.
KI-Systeme benötigen große Mengen an Daten, was Fragen zu Privatsphäre und Sicherheit aufwirft. KI kann wiederkehrende Aufgaben übernehmen, was den Menschen entlastet und Zeit für kreative oder strategische Arbeiten schafft. Zudem ermöglicht sie personalisierte Erlebnisse, etwa in Online-Shops oder bei Streaming-Diensten, indem sie Nutzerdaten analysiert und darauf basierend Empfehlungen gibt. Die meisten heutigen Anwendungen basieren auf schwacher KI, die auf maschinellem Lernen und Datenanalyse fußt, um spezialisierte Aufgaben zu bewältigen. Mit der Einführung leistungsfähigerer Computer und dem Aufkommen von maschinellem Lernen in den 1980er und 1990er Jahren nahm die Entwicklung wieder Fahrt auf. Der eigentliche Durchbruch kam jedoch in den letzten zwei Jahrzehnten, als große Datenmengen („Big Data“) und verbesserte Rechenkapazitäten die Grundlage für moderne KI-Anwendungen schufen, wie wir sie heute kennen.
Ein wichtiger Aspekt ist die ständige Verbesserung der KI durch neue Daten. Wenn du zum Beispiel Sprachassistenten wie Siri oder Alexa nutzt, lernen diese ständig aus den Interaktionen, um sich besser an deine Wünsche und Befehle anzupassen. Die Grundlage für diese Entwicklung sind dabei immer die zugrunde liegenden Algorithmen und die Verarbeitung von Daten. Je mehr Daten eine KI verarbeitet, desto genauer werden ihre Vorhersagen.
Maschinelles Lernen
Die Simulationsmethode orientiert sich so nah wie möglich an den tatsächlichen kognitiven Prozessen des Menschen. Dagegen kommt es dem phänomenologischen Ansatz nur auf das Ergebnis an. Wissensbasierte Systeme modellieren eine Form rationaler Intelligenz für sogenannte Expertensysteme. Diese sind in der Lage, auf eine Frage des Anwenders auf Grundlage formalisierten Fachwissens und daraus gezogener logischer Schlüsse Antworten zu liefern. Beispielhafte Anwendungen finden sich in der Diagnose von Krankheiten oder der Suche und Beseitigung von Fehlern in technischen Systemen.
Auch KI-Nachwuchsforschende werden zielgerichtet mit speziellen Maßnahmen gefördert. Über KMU-spezifische Maßnahmen soll der Transfer von Forschungsergebnissen insbesondere in den Mittelstand durch KI für Unternehmen unterstützt werden. Wenn Unternehmen bei der Entwicklung und Bereitstellung von KI-Systemen nicht auf Sicherheit und Ethik achten, riskieren sie Datenschutzverletzungen und verzerrte Ergebnisse. Unmittelbar unterhalb der KI befindet sich das maschinelle Lernen, bei dem Modelle erstellt werden, indem ein Algorithmus darauf trainiert wird, auf der Grundlage von Daten Vorhersagen oder Entscheidungen zu treffen.
Mit zunehmender Weiterentwicklung der KI steht der Mensch vor der Herausforderung, den Weg, auf dem der Algorithmus zu einem Ergebnis gekommen ist, zu verstehen und nachzuvollziehen. Explainable AI bezeichnet eine Reihe von Prozessen und Methoden, anhand derer menschliche Benutzer die von Algorithmen erstellten Ergebnisse und Ausgaben interpretieren, verstehen und ihnen vertrauen können. Unternehmen können KI-gestützte Chatbots und virtuelle Assistenten einsetzen, um Kundenanfragen, Support-Tickets und vieles mehr zu bearbeiten.
Unternehmen können immer größere Datensätze verwalten, die eines Tages für das Training von KI-Modellen verwendet werden. Unternehmen sollten klare Verantwortlichkeiten und Governance-Strukturen für Entwicklung, Bereitstellung und Ergebnisse von KI-Systemen implementieren. Darüber hinaus sollten Nutzer in der Lage sein, zu sehen, wie ein KI-Dienst funktioniert, seine Funktionalität zu bewerten und seine Stärken und Grenzen zu verstehen. Durch die erhöhte Transparenz erhalten KI-Nutzer Informationen, die ihnen ein besseres Verständnis der Erstellung des KI-Modells oder -Dienstes ermöglichen. Wie alle Technologien sind auch Modelle anfällig für operationelle Risiken wie Modellabweichungen, Verzerrungen und Ausfälle in der Governance-Struktur. Wenn diese Risiken nicht berücksichtigt werden, können sie zu Systemausfällen und Cybersicherheitslücken führen, die von Bedrohungsakteuren ausgenutzt werden können.
Diese Tools können Aufgaben beschleunigen, die Konsistenz des Codes sicherstellen und Fehler reduzieren. Für die Erstellung eines Foundation Models trainieren Anwender einen Deep-Learning-Algorithmus mit riesigen Mengen relevanter, unstrukturierter, nicht gekennzeichneter Rohdaten, wie z. Terabytes oder Petabytes an Daten, Texten, Bildern oder Videos aus dem Internet.
Deep Learning ist ein Teilbereich des maschinellen Lernens, der mehrschichtige neuronale Netze (sogenannte tiefe neuronale Netze) verwendet, um die komplexen Entscheidungsstrukturen des menschlichen Gehirns genauer zu simulieren. Die einfachste Form des maschinellen Lernens wird als Supervised Learning bezeichnet. Dabei werden gekennzeichnete Datensätze verwendet, um Algorithmen zu trainieren, die Daten klassifizieren oder Ergebnisse genau vorhersagen können. Beim überwachten Lernen ordnen Menschen jedes Trainingsbeispiel einem Eingabe-Label zu. Ziel ist es, dass das Modell die Zuordnung zwischen Eingaben und Ausgaben in den Trainingsdaten erlernt, damit es die Labels neuer, unbekannter Daten vorhersagen kann. In vielen Anwendungen geht es darum, aus einer Menge von Daten eine allgemeine Regel abzuleiten (maschinelles Lernen).
Die KI bildete fälschlicherweise daraus das Muster, dass Männer besser für den Job geeignet seien. Jedoch wurde dabei nicht beachtet, dass grundsätzliche mehr Männer im Tech-Bereich arbeiten. Steht in einer Beschreibung bestimmter Bilder das Wort „Katze“, so weiß er, dass diese Bilder etwas mit Katzen zu tun haben. Bei genügend Bildern lernt er dadurch das Wort „Katze“ ohne, dass ein Mensch es explizit einprogrammiert hat. Wenn die künstliche Intelligenz fertig trainiert ist, kann sie dann selbstständig ein beliebiges Bild einer Katze erkennen. Das Problem hierbei ist, dass der Computer alle Regeln von einem Menschen benötigt.
Algorithmen für maschinelles Lernen können ihre Genauigkeit kontinuierlich verbessern und Fehler weiter reduzieren, wenn sie mit mehr Daten konfrontiert werden und aus Erfahrungen „lernen“. Diese Automatisierung schafft Freiraum für eine kreativere Arbeit mit einem höheren Wertschöpfungsgrad. Die gängigsten Foundation Models sind heute Large Language Models (LLMs), die für Anwendungen zur Textgenerierung entwickelt wurden. Es gibt aber auch Foundation Models für die Generierung von Bildern, Videos, Ton oder Musik sowie multimodale Foundation Models, die mehrere Arten von Inhalten unterstützen.
Eine andere Form des logischen Schließens stellt die Induktion dar (Induktionsschluss, Induktionslogik), in der Beispiele zu Regeln verallgemeinert werden (maschinelles Lernen). Auch hier spielen Art und Mächtigkeit der Wissensrepräsentation eine wichtige Rolle. Neben den Forschungsergebnissen der Kerninformatik selbst sind in die Erforschung der KI Ergebnisse der Psychologie, Neurologie und Neurowissenschaften, der Mathematik und Logik, Kommunikationswissenschaft, Philosophie und Linguistik eingeflossen. Umgekehrt nahm die Erforschung der KI auch ihrerseits Einfluss auf andere Gebiete, vor allem auf die Neurowissenschaften. Dies zeigt sich in der Ausbildung des Bereichs der Neuroinformatik, der der biologieorientierten Informatik zugeordnet ist, sowie der Computational Neuroscience.
Ein Kochrezept ist ein anschauliches Beispiel für einen Algorithmus aus dem Alltag. Man gibt Zutaten hinein, verarbeitet diese und erhält ein Ergebnis – in diesem Fall das fertige Gericht. In der Informatik erhalten Algorithmen Eingabedaten, verarbeiten diese nach einer bestimmten Vorschrift und geben Ausgabedaten zurück. Die Sprachwissenschaft liefert mit ihren Grammatikmodellen und psycholinguistischen Semantikmodellen wie der Merkmals- oder der Prototypensemantik Grundlagen für das maschinelle „Verstehen“ komplexer natürlichsprachlicher Phrasen. Diese werden je nach Struktur entweder mit Suchalgorithmen aus der Informatik oder, zunehmend, mit Mitteln der mathematischen Optimierung gelöst.
Bei der Gestaltung entsprechender Systeme ist jedoch geboten, verschiedene Qualitätsaspekte und Rahmenbedingungen zu beachten. Die Risiken, die mit KI und insbesondere mit den sehr großen künstlichen neuronalen Netzen einhergehen, liegen in den Bereichen Sicherheit, Konformität und Ethik. Diese Risiken müssen mit entsprechenden Verfahren und Maßnahmen minimiert werden. Gleichzeitig gelten Rahmenbedingungen, die insbesondere mit dem EU AI Act sowie dem EU Data Act gesetzliche Grundlagen erhalten haben.
No hay Comentarios