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.

Computer Vision, die sich auf maschinelle Bildverarbeitung konzentriert, wird oft mit maschinellem Sehen gleichgesetzt. KI ist wichtig, weil sie das Potenzial hat, die Art und Weise, wie wir leben, arbeiten und spielen, zu verändern. Es wurde in Unternehmen effektiv eingesetzt, um von Menschen erledigte Aufgaben zu automatisieren, einschließlich Kundendienstarbeit, Lead-Generierung, Betrugserkennung und Qualitätskontrolle. Insbesondere bei sich wiederholenden, detailorientierten Aufgaben wie der Analyse einer großen Anzahl von Rechtsdokumenten, um sicherzustellen, dass relevante Felder korrekt ausgefüllt sind, erledigen KI-Tools Jobs oft schnell und mit relativ wenigen Fehlern. Aufgrund der riesigen Datensätze, die sie verarbeiten kann, kann KI Keynote Speaker Künstliche Intelligenz Unternehmen auch Einblicke in ihre Abläufe geben, die ihnen möglicherweise nicht bewusst waren.

image

Sie sind vielleicht keine bekannten Namen, aber diese 42 Unternehmen für künstliche Intelligenz arbeiten an einer sehr intelligenten Technologie. Als Reaktion auf Japans FGCS startet die US-Regierung die Strategic Computing Initiative, um DARPA-finanzierte Forschung im Bereich Advanced Computing und KI bereitzustellen. Donald Hebb schlägt die Theorie vor, dass neuronale Bahnen aus Erfahrungen entstehen und dass die Verbindungen zwischen Neuronen stärker werden, je häufiger sie verwendet werden. Es ist jedoch erwähnenswert, dass die Industrie der künstlichen Intelligenz auch Arbeitsplätze schaffen wird – von denen einige noch nicht einmal erfunden wurden. MuZero, ein von DeepMind entwickeltes Computerprogramm, ist ein vielversprechender Vorreiter bei der Suche nach echter künstlicher allgemeiner Intelligenz. Es hat es geschafft, Spiele zu meistern, die ihm nicht einmal beigebracht wurden, darunter Schach und eine ganze Reihe von Atari-Spielen, durch rohe Gewalt, indem es Spiele millionenfach gespielt hat.

Roboter werden häufig verwendet, um Aufgaben auszuführen, die für Menschen schwierig oder konsistent auszuführen sind. Roboter werden beispielsweise in Fließbändern für die Autoproduktion oder von der NASA eingesetzt, um große Objekte im Weltraum zu bewegen. Forscher verwenden maschinelles Lernen auch, um Roboter zu bauen, die in sozialen Umgebungen interagieren können. Die virtuellen digitalen Assistenten haben die Art und Weise verändert, wie wir unsere täglichen Aufgaben erledigen.

  • Maschinelles Lernen eignet sich am besten für diese Art von spezifischen, genau definierten Aufgaben, die in logische Schritte unterteilt werden können.
  • Die Europäische Union hat in Bezug auf diese Fragen der Datenerhebung und -analyse eine restriktive Haltung eingenommen.63 Sie hat Vorschriften, die die Fähigkeit von Unternehmen einschränken, Daten über Straßenbedingungen zu sammeln und Straßenansichten zu kartieren.
  • 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.
  • Hunderte anderer Akteure bieten ebenfalls Modelle an, die auf verschiedene Branchen und Anwendungsfälle zugeschnitten sind.

Zu den moderaten Erfolgen im Zusammenhang mit Affective Computing gehören textuelle Sentimentanalysen und in jüngerer Zeit multimodale Sentimentanalysen, bei denen KI die Affekte klassifiziert, die von einem auf Video aufgenommenen Subjekt gezeigt werden. Viele Forscher begannen zu bezweifeln, dass der symbolische Ansatz in der Lage sein würde, alle Prozesse der menschlichen Kognition zu imitieren, insbesondere Wahrnehmung, Robotik, Lernen und Mustererkennung. Eine Reihe von Forschern begann, sich mit „subsymbolischen“ Ansätzen für spezifische KI-Probleme zu befassen. Robotikforscher wie Rodney Brooks lehnten die symbolische KI ab und konzentrierten sich auf die grundlegenden technischen Probleme, die es Robotern ermöglichen würden, sich zu bewegen, zu überleben und ihre Umgebung zu lernen. Neue generative KI-Tools können verwendet werden, um Anwendungscode basierend auf Eingabeaufforderungen in natürlicher Sprache zu erstellen, aber diese Tools befinden sich noch in den Anfängen und es ist unwahrscheinlich, dass sie Softwareentwickler bald ersetzen werden. KI wird auch zur Automatisierung vieler IT-Prozesse eingesetzt, darunter Dateneingabe, Betrugserkennung, Kundenservice sowie vorausschauende Wartung und Sicherheit.

Forscher und Entwickler auf diesem Gebiet machen überraschend schnelle Fortschritte bei der Nachahmung von Aktivitäten wie Lernen, Denken und Wahrnehmung, soweit diese konkret definiert werden können. Einige glauben, dass Innovatoren bald in der Lage sein könnten, Systeme zu entwickeln, die die Fähigkeit des Menschen, ein Thema zu lernen oder zu begründen, übersteigen. Aber andere bleiben skeptisch, weil jede kognitive Aktivität von Werturteilen durchzogen ist, die der menschlichen Erfahrung unterliegen. Als Teil der Familie des maschinellen Lernens beinhaltet Deep Learning das Training künstlicher neuronaler Netze mit drei oder mehr Schichten, um verschiedene Aufgaben auszuführen. Diese neuronalen Netze werden zu weitläufigen Netzen mit einer großen Anzahl tiefer Schichten erweitert, die mit riesigen Datenmengen trainiert werden.

Künstliche Neurale Netzwerke

Diese Fähigkeit umfasst die Analyse von bisher unbekanntem Code auf DNA-Ebene mit der Möglichkeit, eingehenden bösartigen Code zu erkennen und zu stoppen, indem eine Zeichenfolgenkomponente der Datei erkannt wird. Auf diese Weise stoppten bestimmte Schlüsselsysteme in den USA die schwächenden „WannaCry“- und „Petya“-Viren. NIST trägt zu der Forschung, den Standards und den Daten bei, die erforderlich sind, um das volle Versprechen der künstlichen Intelligenz als Wegbereiter für amerikanische Innovationen in allen Industrie- und Wirtschaftssektoren zu verwirklichen.

Neuronen haben ein kontinuierliches Aktivierungsspektrum; Darüber hinaus können Neuronen Eingaben auf nichtlineare Weise verarbeiten, anstatt einfache Stimmen zu gewichten. Frühe Forscher entwickelten Algorithmen, die das schrittweise Denken nachahmten, das Menschen verwenden, wenn sie Rätsel lösen oder logische Schlussfolgerungen ziehen. In den späten 1980er und 1990er Jahren hatte die KI-Forschung Methoden entwickelt, um mit unsicheren oder unvollständigen Informationen umzugehen, wobei Konzepte aus der Wahrscheinlichkeits- und Wirtschaftswissenschaft verwendet wurden. Forscher der 1960er und 1970er Jahre waren davon überzeugt, dass es mit symbolischen Ansätzen schließlich gelingen würde, eine Maschine mit künstlicher allgemeiner Intelligenz zu schaffen, und betrachteten dies als Ziel ihres Fachgebiets. Herbert Simon sagte voraus, dass „Maschinen in zwanzig Jahren in der Lage sein werden, jede Arbeit zu erledigen, die ein Mensch tun kann“.

KI-Unternehmen Mit Künstlicher Intelligenz, Die Sie Kennen Sollten

Die Empfehlungen können Anbietern, Patienten, Krankenschwestern, Call-Center-Agenten oder Pflegekoordinatoren zur Verfügung gestellt werden. Physische Roboter sind inzwischen wohlbekannt, da jedes Jahr weltweit mehr als 200.000 Industrieroboter installiert werden. Sie führen vordefinierte Aufgaben aus, wie das Heben, Umpositionieren, Schweißen oder Montieren von Objekten an Orten wie Fabriken und Lagern und die Lieferung von Hilfsgütern in Krankenhäusern. In jüngerer Zeit sind Roboter kooperativer mit Menschen geworden und lassen sich leichter trainieren, indem sie sie durch eine gewünschte Aufgabe bewegen. Sie werden auch intelligenter, da andere KI-Fähigkeiten in ihr „Gehirn“ eingebettet werden.

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.

image

Zu den Technologien, die unter das Dach der KI fallen, gehören maschinelles Lernen und Deep Learning. Künstliche Intelligenz ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere Computersysteme. Spezifische Anwendungen von KI umfassen Expertensysteme, Verarbeitung natürlicher Sprache, Spracherkennung und maschinelles Sehen. Das liegt aber noch in ferner Zukunft – von solchen Ergebnissen sind wir noch weit entfernt.

Ja, genau wie Alexa ist auch Siri eine künstliche Intelligenz, die fortschrittliche maschinelle Lerntechnologien verwendet, um zu funktionieren. Die Hauptverantwortung besteht darin, KI-orientierte Lösungen und Schemata bereitzustellen, um die von einer bestimmten Branche erbrachten Dienstleistungen zu verbessern, indem die Fähigkeiten zur Datenanalyse verwendet werden, um die Trends und Muster bestimmter Datensätze zu untersuchen. Egal, ob Sie über die Gesundheitsbranche, die Finanzbranche, den Geologiesektor, die Cybersicherheit oder einen anderen Sektor sprechen, KI-Analysten oder -Spezialisten haben überall einen recht guten Einfluss. Ein KI-Analyst/Spezialist muss über einen guten Hintergrund in den Bereichen Programmierung, Systemanalyse und Computerstatistik verfügen. Ein Bachelor- oder gleichwertiger Abschluss kann Ihnen helfen, eine Einstiegsposition zu finden, aber ein Master- oder gleichwertiger Abschluss ist ein Muss für die Kernpositionen als KI-Analyst. Das durchschnittliche Gehalt eines KI-Analysten kann zwischen 3 Lakhs INR und 10 Lakhs pro Jahr liegen, basierend auf der Erfahrung und dem Unternehmen, für das Sie arbeiten.