...
Was ist künstliche Intelligenz?
...
Daten sind das neue Öl im Getriebe
Um künstliche Intelligenz erfolgreich einzusetzen, sind Unmengen an Daten notwendig. Ihre Qualität und Vollständigkeit ist für die erwarteten Resultate zentral. Nebst guten Daten stellen enorme Speicherkapazitäten und Rechenleistung weitere Erfolgs-Voraussetzungen dar. Diese können mit standardisierten Lösungen aus der Cloud heutzutage jedoch gut abgedeckt werden.
Arten der künstlichen Intelligenz
Es gibt verschiedene Arten von künstlicher Intelligenz (KI), die je nach ihren Fähigkeiten und Anwendungsgebieten unterschieden werden können. Hier sind einige der Hauptkategorien von KI:
Schwache KI (Weak AI) oder Schmale KI (Narrow AI):
Diese Form der KI ist auf eine bestimmte Aufgabe oder einen bestimmten Anwendungsbereich beschränkt.
Sie kann spezifische Probleme lösen, aber sie besitzt keine allgemeine Intelligenz.
Beispiele sind virtuelle persönliche Assistenten wie Siri oder Alexa.
Starke KI (Strong AI) oder Allgemeine KI (General AI):
Starke KI zielt darauf ab, eine allgemeine Intelligenz zu erreichen, die vergleichbar mit der menschlichen Intelligenz ist.
Diese Art von KI könnte in der Lage sein, eine breite Palette von Aufgaben zu bewältigen und flexibel zu lernen.
Starke KI ist bisher theoretisch und bleibt ein Ziel für die Zukunft.
Reaktive KI:
Diese KI-Systeme reagieren auf bestimmte vordefinierte Situationen und können in begrenzten Umgebungen effektiv sein.
Sie handeln auf Basis von festen Regeln und Algorithmen, ohne die Fähigkeit, aus Erfahrungen zu lernen.
Begrenzt aufgabenspezifische KI:
Diese Art von KI ist auf eine spezielle Aufgabe ausgerichtet und kann in diesem Bereich sehr leistungsstark sein.
Selbstfahrende Autos und Bilderkennungssysteme sind Beispiele für begrenzt aufgabenspezifische KI.
Selbstlernende oder Lernende KI (Machine Learning):
KI-Systeme, die in der Lage sind, aus Erfahrungen zu lernen und ihre Leistung im Laufe der Zeit zu verbessern.
Machine Learning-Algorithmen werden in verschiedenen Anwendungen wie Predictive Analytics und Spracherkennung eingesetzt.
Reinforcement Learning:
Eine Untergruppe des maschinellen Lernens, bei der ein Algorithmus durch positive Verstärkung und Belohnung lernt, bestimmte Handlungen in einer Umgebung auszuführen.
Unüberwachtes Lernen (Unsupervised Learning):
Eine Form des maschinellen Lernens, bei dem das System nicht mit gelabelten Daten trainiert wird.
Das System sucht eigenständig nach Mustern und Strukturen in den Daten.
Überwachtes Lernen (Supervised Learning):
Hierbei wird das Modell mit gelabelten Daten trainiert, wobei es korrekte Ausgabewerte für bestimmte Eingaben lernt.
Diese Kategorien geben einen Überblick über die verschiedenen Ausprägungen von Künstlicher Intelligenz. In der Praxis werden oft hybride Ansätze verwendet, die verschiedene Techniken und Methoden kombinieren, um spezifische Anforderungen zu erfüllen.
Traditionelles Programmieren vs. Machine Learning
...
Das Thema ist eng verwandt mit „Knowledge Discovery in Databases“ und „Data-Mining“, bei dem es jedoch vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Viele Algorithmen können für beide Zwecke verwendet werden. Methoden der „Knowledge Discovery in Databases“ können genutzt werden, um Lerndaten für „maschinelles Lernen“ zu produzieren oder vorzuverarbeiten. Im Gegenzug dazu finden Algorithmen aus dem maschinellen Lernen beim Data-Mining Anwendung. Zu unterscheiden ist der Begriff zudem von dem Begriff „Deep Learning“, welches nur eine mögliche Lernvariante mittels künstlicher neuronaler Netze darstellt.
...