Wie funktioniert die künstliche Intelligenz (KI)?

Da der Hype um KI immer größer wird, bemühen sich die Anbieter, die Nutzung von KI in ihren Produkten und Dienstleistungen zu bewerben. Sie beziehen sich oft auf KI als eine Komponente von KI, z. B. maschinelles Lernen. KI erfordert eine Grundlage aus spezialisierter Hardware und Software zum Schreiben und Trainieren von Algorithmen für maschinelles Lernen. Es gibt keine Programmiersprache, die gleichbedeutend mit KI ist, aber einige, darunter Python, R und Java, sind sehr beliebt.

KI-Systeme arbeiten in der Regel, indem sie große Mengen an gekennzeichneten Trainingsdaten aufnehmen, die Daten auf Korrelationen und Muster analysieren und diese Muster nutzen, um Vorhersagen über zukünftige Zustände zu treffen. Auf diese Weise kann ein Chatbot, der mit Beispielen von Textchats gefüttert wird, lernen, einen lebensechten Austausch mit Menschen zu führen, oder ein Bilderkennungsprogramm kann lernen, Objekte auf Bildern zu identifizieren und zu beschreiben, indem es Millionen von Beispielen überprüft.

Die KI-Programmierung konzentriert sich auf drei kognitive Fähigkeiten: Lernen, Argumentieren und Selbstkorrektur. Die Systeme sind Lernprozesse; dieser Aspekt der KI-Programmierung konzentriert sich auf die Erfassung von Daten und die Erstellung von Regeln, wie die Daten in verwertbare Informationen umgewandelt werden können. Diese Regeln, die Algorithmen genannt werden, geben den Computergeräten Schritt-für-Schritt-Anweisungen für die Ausführung einer bestimmten Aufgabe.

Was sind Beispiele für KI-Technologie und wie wird sie heute eingesetzt?
Künstliche Intelligenz wird in einer Vielzahl verschiedener Technologien eingesetzt. Hier sind fünf Beispiele:

In Verbindung mit KI-Technologien können Automatisierungstools den Umfang und die Art der ausgeführten Aufgaben erweitern. Ein Beispiel ist die robotergestützte Prozessautomatisierung (RPA), eine Art Software, die sich wiederholende, regelbasierte Datenverarbeitungsaufgaben automatisiert, die traditionell von Menschen erledigt werden. In Kombination mit maschinellem Lernen und neuen KI-Tools kann RPA einen größeren Teil der Unternehmensaufgaben automatisieren, so dass die taktischen Bots von RPA die Erkenntnisse der KI weitergeben und auf Prozessänderungen reagieren können.

Dies ist die Wissenschaft davon, einen Computer dazu zu bringen, ohne Programmierung zu handeln. Deep Learning ist ein Teilbereich des maschinellen Lernens, der vereinfacht gesagt als Automatisierung der prädiktiven Analyse betrachtet werden kann. Es gibt drei Arten von Algorithmen für maschinelles Lernen:

Bei dieser Art des maschinellen Lernens stehen Ihnen sowohl Ihre Eingabe- als auch Ihre Ausgabevariablen zur Verfügung: Sie haben also einen vollständigen Datensatz. Während des Trainings des Modells werden Beispiele dafür gegeben, "wie es sein sollte", so dass die Maschine lernen kann, zukünftige Ergebnisse auf der Grundlage neuer Eingaben vorherzusagen. Wenn Sie bereits wissen, was ein Modell auf der Grundlage einer bestimmten Eingabe vorhersagen soll, und wenn Sie diese Daten zur Verfügung haben, ist das überwachte Lernen der am besten geeignete Algorithmus für Ihren Fall.

Wir geben Ihnen hier ein Beispiel dafür, wie überwachtes Lernen in einem Unternehmen eingesetzt werden kann. Stellen Sie sich vor, Sie sind ein Lehrer, der Vorhersagen über die Testergebnisse für den nächsten Test Ihrer Schüler machen möchte. Dazu benötigen Sie zunächst einen Datensatz, in diesem Fall: die Anwesenheit der Schüler im Unterricht und wie gut sie ihre Aufgaben erledigen (Eingabedaten) und ihre Note für die letzte Prüfung (Ausgabedaten). Mit diesen Eingabedaten kann der Algorithmus lernen, eine Korrelation zwischen dem Verhalten während des Kurses und den Prüfungsergebnissen zu erkennen. Nun können Sie Vorhersagen über zukünftige Prüfungsergebnisse machen. Dazu müssen Sie dieselben Eingabedaten sammeln und sie dem trainierten Modell geben, das Ihnen die erwarteten Prüfungsergebnisse liefert.

Unüberwachtes Lernen kann als das Gegenteil von überwachtem Lernen betrachtet werden. Diese Methode kann verwendet werden, wenn Sie einen Datensatz nur mit Eingabedaten haben, aber noch keine gewünschte Ausgabe haben. In diesem Fall möchten Sie in Ihren vorhandenen Daten nach Gruppen oder Kategorien suchen: eine Beziehung zwischen Beobachtungen, um Gruppen zu definieren. Die Maschine scannt die eingehenden Daten und strukturiert sie in Kategorien oder Clustern.

Daher wird unüberwachtes Lernen hauptsächlich bei der Untersuchung von Prozessen eingesetzt. Nehmen wir an, Sie haben einen großen Datensatz mit Lebensmitteln, aber Sie wissen nicht, in welche Kategorien Sie sie einteilen möchten. Der Algorithmus kann nach Ähnlichkeiten suchen, z. B.: Obst und Gemüse. Das wären dann zwei Kategorien. Letztendlich kann dies noch weiter unterteilt werden, z. B. kann Obst in Zitrusfrüchte und exotische Früchte unterteilt werden.

Reinforcement Learning ist eine Form des maschinellen Lernens, bei der eine Maschine auf der Grundlage von Versuch und Irrtum lernt. Beim Reinforcement Learning wird das Modell durch Rückmeldungen zu früheren Aktionen und Erfahrungen optimiert. Normalerweise basiert die Optimierung auf Belohnungen, was bedeutet, dass bestimmte Aktionen sinnvollere Erfahrungen bieten, z. B. eine Maus, die Käse bekommt, wenn sie aus einem Labyrinth herauskommt. Das Modell aktualisiert sich selbst, indem es dieses Feedback nutzt, um die Belohnungen zu optimieren, je nachdem, welche Aktion durchgeführt werden soll.

Um ein eindrucksvolles Beispiel dafür zu geben, wie Verstärkungslernen tatsächlich eingesetzt wurde, werden wir erklären, wie einem Computer beigebracht wurde, ein Level von Super Mario zu beenden. Dem Modell wird beigebracht, dass es umso besser ist, je länger ein Level gespielt wird und je mehr Punkte es sammelt. Der Algorithmus beginnt also, das Spiel zu spielen. Jedes Mal, wenn er im Spiel "stirbt", weiß er, dass er sich an diesem Punkt verbessern muss. Wenn der Algorithmus im Spiel mehr Punkte sammelt, wird dies als Belohnung angesehen. Zu diesem Zeitpunkt weiß der Algorithmus, dass er diese Züge erneut versuchen muss. Letztendlich hat der Algorithmus durch Versuch und Irrtum gelernt, wie er ein Spiel von Super Mario beenden kann.

Diese Technologie verleiht einer Maschine die Fähigkeit zu sehen. Die maschinelle Bildverarbeitung erfasst und analysiert visuelle Informationen mithilfe einer Kamera, einer Analog-Digital-Wandlung und einer digitalen Signalverarbeitung. Es wird oft mit dem menschlichen Sehvermögen verglichen, aber das maschinelle Sehen ist nicht an die Biologie gebunden und kann so programmiert werden, dass es z. B. durch Wände hindurch sieht. Es wird in verschiedenen Anwendungen eingesetzt, von der Unterschriftenerkennung bis zur medizinischen Bildanalyse. Das maschinelle Sehen, das sich auf die maschinelle Bildverarbeitung konzentriert, wird oft mit dem maschinellen Sehen verwechselt.

autonome fahrzeuge nutzen eine kombination aus computer vision, bilderkennung und deep learning, um automatisierte fähigkeiten zur steuerung eines fahrzeugs zu entwickeln, während sie in einer bestimmten spur bleiben und unerwarteten hindernissen, wie fußgängern, ausweichen.