KI ist zu einem Sammelbegriff für Anwendungen geworden, die komplexe Aufgaben ausführen, für die früher ein Mensch gebraucht wurde, wie z. Der Begriff wird oft synonym mit seinen Unterbereichen verwendet, zu denen maschinelles Lernen und Deep Learning gehören. Beim maschinellen Lernen geht es zum Beispiel um die Entwicklung von Systemen, die auf der Grundlage der von ihnen genutzten Daten lernen oder ihre Leistung verbessern. Es ist wichtig zu wissen, dass zwar alles maschinelle Lernen KI ist, aber nicht alles KI maschinelles Lernen ist. Die KI-Forschung hat sich während des größten Teils ihrer Geschichte nicht auf eine einheitliche Theorie oder ein Paradigma stützen können. Der beispiellose Erfolg des statistischen maschinellen Lernens in den 2010er Jahren hat alle anderen Ansätze in den Schatten gestellt (so sehr, dass einige Quellen, insbesondere in der Geschäftswelt, den Begriff „künstliche Intelligenz“ für „maschinelles Lernen mit neuronalen Netzen“ verwenden).
Das maschinelle Lernen hat die Qualität einiger Expertensysteme verbessert und ihre Erstellung erleichtert. Sie werden Konzepte und Techniken des maschinellen Lernens beherrschen, einschließlich überwachtem und unüberwachtem Lernen, mathematischen und heuristischen Aspekten und praktischer Modellierung, um Algorithmen zu entwickeln und Sie auf die Rolle eines Machine Learning Engineer vorzubereiten. Computer konnten mehr Informationen speichern und wurden schneller, billiger und leichter zugänglich. Auch die Algorithmen des maschinellen Lernens wurden verbessert, und die Menschen wussten immer besser, welchen Algorithmus sie auf ihr Problem anwenden sollten. Frühe Demonstrationen wie Newell und Simons General Problem Solver und Joseph Weizenbaums waren vielversprechend in Bezug auf das Lösen von Problemen bzw. Diese Erfolge sowie das Engagement führender Forscher überzeugten Regierungsstellen wie die Defense Advanced Research Projects Agency, die KI-Forschung an mehreren Einrichtungen zu finanzieren.
In einer Umfrage aus dem Jahr 2017 gab jedes fünfte Unternehmen an, dass es „KI in einige Angebote oder Prozesse integriert“ hat. Die verschiedenen Teilbereiche der KI-Forschung sind auf bestimmte Ziele und den Einsatz bestimmter Werkzeuge ausgerichtet. Zu den traditionellen Zielen der KI-Forschung gehören logisches Denken, Wissensrepräsentation, Planung, Lernen, Verarbeitung natürlicher Sprache, Wahrnehmung und die Fähigkeit, Objekte zu bewegen und zu manipulieren.
Ein weiteres Beispiel: Google ist zu einem der größten Anbieter einer Reihe von Online-Diensten geworden, indem es maschinelles Lernen einsetzt, um zu verstehen, wie Menschen seine Dienste nutzen, und diese dann verbessert. Im Jahr 2017 verkündete der CEO des Unternehmens, Sundar Pichai, dass Google als ein „AI first“-Unternehmen agieren würde. Der Hype um KI hat sich beschleunigt, und die Anbieter bemühen sich, die Nutzung von KI in ihren Produkten und Diensten zu bewerben.
Während die riesigen Datenmengen, die täglich anfallen, einen menschlichen Forscher erdrücken würden, können KI-Anwendungen, die maschinelles Lernen einsetzen, diese Daten schnell in verwertbare Informationen umwandeln. Zum jetzigen Zeitpunkt besteht der Hauptnachteil des Einsatzes von KI darin, dass die Verarbeitung der großen Datenmengen, die für die KI-Programmierung erforderlich sind, teuer ist. Da Deep Learning und maschinelles Lernen in der Regel synonym verwendet werden, lohnt es sich, die Nuancen zwischen den beiden zu beachten. Wie bereits erwähnt, sind sowohl Deep Learning als auch maschinelles Lernen Teilbereiche der künstlichen Intelligenz, und Deep Learning ist eigentlich ein Teilbereich des maschinellen Lernens. Präsident Putins Vorhersage, dass künftige Kriege mit Hilfe von KI geführt werden, hat sich nach dem russischen Einmarsch in die Ukraine am 24.
Die KI-Technologie verbessert die Leistung und Produktivität von Unternehmen, indem sie Prozesse oder Aufgaben automatisiert, die früher menschliche Arbeitskraft erforderten. Netflix beispielsweise nutzt maschinelles Lernen, um ein Maß an Personalisierung zu erreichen, das dem Unternehmen 2017 zu einem Kundenzuwachs von mehr als 25 Prozent verhalf. Andrew Ng, Gründer des Google Brain Deep Learning-Projekts, füttert ein neuronales Netzwerk, das Deep Learning-Algorithmen verwendet, mit 10 Millionen YouTube-Videos als Trainingsset. Das neuronale Netzwerk lernte, eine Katze zu erkennen, ohne dass ihm gesagt wurde, was eine Katze ist, und leitete damit die bahnbrechende Ära für neuronale Netzwerke und Deep-Learning-Finanzierung ein.
Ein gutes Beispiel dafür ist Rank Brain, einer der wichtigsten Suchmaschinenalgorithmen von Google. In Zukunft werden Maschinen mit einer Kombination aus maschinellem Lernen und künstlicher Intelligenz wie ein natürlicher Mensch arbeiten. Ich kann mich nicht erinnern, wann ich das letzte Mal bei einem Unternehmen angerufen und direkt mit einem Menschen gesprochen habe. Man könnte sich vorstellen, mit einem Expertensystem in einem flüssigen Gespräch zu interagieren oder ein Gespräch in zwei verschiedenen Sprachen zu führen, das in Echtzeit übersetzt wird.
Andere bleiben jedoch skeptisch, weil jede kognitive Tätigkeit mit Werturteilen verbunden ist, die der menschlichen Erfahrung unterliegen. Die Steigerung der Rechenleistung und die explosionsartige Zunahme der Datenmenge lösten in den späten 1990er ki entwicklung Jahren eine Renaissance der KI aus, die bis heute anhält. Die jüngste Konzentration auf KI hat zu Durchbrüchen in den Bereichen Verarbeitung natürlicher Sprache, Computer Vision, Robotik, maschinelles Lernen, Deep Learning und mehr geführt.
Im Gegensatz zum menschlichen Gehirn, das über eine allgemeine Intelligenz verfügt, kann die spezialisierte Intelligenz der KI Ärzten auf internationaler Ebene als Hilfsmittel dienen. Der medizinische Bereich verfügt über eine vielfältige und umfangreiche Datenmenge, die KI zur Erstellung einer prädiktiven Diagnose nutzen kann. Forscher eines Krankenhauses in Oxford haben eine künstliche Intelligenz entwickelt, die mit Hilfe von Herz-Scans Herzkrankheiten und Krebs diagnostizieren kann. Diese künstliche Intelligenz kann winzige Details in den Scans erkennen, die Ärzten möglicherweise entgehen. Die künstliche Intelligenz in der Medizin wird die Branche verbessern, indem sie den Ärzten die Möglichkeit gibt, mit den verfügbaren Mitteln eine genaue Diagnose zu stellen.
