K.I. ist derzeit überall und für alles verantwortlich, von den virtuellen Assistenten auf unseren Smartphones bis hin zu von den selbstfahrenden Autos, die bald unsere Straßen füllen werden, bis hin zu den hochmodernen Bilderkennungssystemen, über die Sie berichtet haben wirklich.
Sofern Sie nicht das letzte Jahrzehnt unter einem Felsen gelebt haben, besteht eine gute Chance, dass Sie schon einmal davon gehört – und es wahrscheinlich sogar genutzt haben. Im Moment ist künstliche Intelligenz für das Silicon Valley das, was One Direction für 13-jährige Mädchen ist: eine allgegenwärtige Quelle Besessenheit, sein ganzes Geld rauszuwerfen, während er davon träumt, zu heiraten, wann immer Harry Styles endlich bereit ist, sich niederzulassen runter. (Okay, wir arbeiten also immer noch an der Analogie!)
Aber was genau Ist KI? – und können Begriffe wie „maschinelles Lernen“, „künstliche neurale Netzwerke„Künstliche Intelligenz“ und „Zayn Malik“ (wir arbeiten immer noch an dieser Analogie …) austauschbar verwendet werden?
Um Ihnen zu helfen, einige der Schlagworte und den Fachjargon zu verstehen, die Sie hören, wenn über KI gesprochen wird, haben wir diesen einfachen Leitfaden zusammengestellt, der Ihnen beim Einpacken hilft Machen Sie sich mit den verschiedenen Spielarten der künstlichen Intelligenz vertraut – und sei es nur, damit Sie keinen Fauxpas begehen, wenn die Maschinen es endlich schaffen über.
Künstliche Intelligenz
Wir werden nicht zu tief in die Geschichte der KI eintauchen. Hier ist es jedoch wichtig zu beachten, dass künstliche Intelligenz der Baum ist, auf dem alle folgenden Begriffe verzweigt sind. Beispielsweise ist Reinforcement Learning eine Art maschinelles Lernen, ein Teilgebiet der künstlichen Intelligenz. Allerdings handelt es sich bei künstlicher Intelligenz nicht (notwendigerweise) um verstärkendes Lernen. Habe es?
Bisher hat niemand eine allgemeine Intelligenz aufgebaut.
Es gibt keine offizielle Konsensvereinbarung darüber, was K.I. bedeutet (einige Leute behaupten, es seien einfach coole Dinge, die Computer noch nicht können), aber die meisten Ich würde zustimmen, dass es darum geht, Computer dazu zu bringen, Aktionen auszuführen, die als intelligent gelten würden, wenn sie von einem ausgeführt würden Person.
Der Begriff wurde erstmals 1956 geprägt Sommerworkshop am Dartmouth College in New Hampshire. Der große aktuelle Unterschied in der KI. ist zwischen aktuell domänenspezifisch Schmale KI. Und Künstliche allgemeine Intelligenz. Bisher hat niemand eine allgemeine Intelligenz aufgebaut. Sobald sie das tun, sind alle Wetten ungültig …
Symbolische K.I.
Davon hört man nicht so viel Symbolische K.I. Heute. Wird auch als gute altmodische KI oder symbolische KI bezeichnet. basiert auf logischen Schritten, die einem Computer von oben nach unten gegeben werden können. Dabei geht es darum, einem Computer (oder einem Roboter) viele, viele Regeln vorzugeben, wie er mit einem bestimmten Szenario umgehen soll.
Dies führte zu vielen ersten Durchbrüchen, aber es stellte sich heraus, dass diese in Laboren sehr gut funktionierten wobei jede Variable perfekt kontrolliert werden konnte, in der Unordnung des Alltags jedoch oft weniger gut Leben. Ein Autor witzelte über die symbolische KI, die frühe KI. Systeme waren ein bisschen wie der Gott des Alten Testaments – mit vielen Regeln, aber ohne Gnade.
Heute mögen Forscher Selmer Bringsjord kämpfen dafür, den Fokus wieder auf logikbasierte symbolische KI zu richten, die auf der Überlegenheit logischer Systeme basiert, die von ihren Schöpfern verstanden werden können.
Maschinelles Lernen
Wenn Sie von einer großen KI hören Wenn es heutzutage keinen großen Durchbruch gibt, ist die Wahrscheinlichkeit groß, dass Sie davon hören, es sei denn, es wird lautstark etwas anderes angedeutet maschinelles Lernen. Wie der Name schon sagt, geht es beim maschinellen Lernen darum, Maschinen herzustellen, die lernen.
Wie die Überschrift „KI“ gibt es auch beim maschinellen Lernen mehrere Unterkategorien, die jedoch alle darin enthalten sind Gemeinsam ist die statistikorientierte Fähigkeit, Daten zu erfassen und Algorithmen darauf anzuwenden, um Gewinne zu erzielen Wissen.
Es gibt eine Vielzahl verschiedener Zweige des maschinellen Lernens, aber der Zweig, von dem Sie wahrscheinlich am meisten hören werden, ist …
Neuronale Netze
Wenn Sie schon einmal in unserem Cool-Tech-Bereich waren, haben Sie wahrscheinlich schon davon gehört künstliche neurale Netzwerke. Als vom Gehirn inspirierte Systeme, die die Art und Weise, wie Menschen lernen, nachbilden sollen, modifizieren neuronale Netze ihren eigenen Code Finden Sie den Zusammenhang zwischen Input und Output – oder Ursache und Wirkung – in Situationen, in denen diese Beziehung komplex ist oder unklar.
Künstliche neuronale Netze haben von der Einführung des Deep Learning profitiert.
Das Konzept künstlicher neuronaler Netze ist tatsächlich veraltet zurück in die 1940er Jahre, aber erst in den letzten Jahrzehnten begann es, sein Potenzial wirklich auszuschöpfen: unterstützt durch die Einführung von Algorithmen wie „Rückausbreitung“, was es neuronalen Netzwerken ermöglicht, ihre verborgenen Neuronenschichten in Situationen anzupassen, in denen das Ergebnis nicht den Erwartungen des Erstellers entspricht. (Zum Beispiel ein Netzwerk zur Erkennung von Hunden, das eine Katze falsch identifiziert.)
In diesem Jahrzehnt haben künstliche neuronale Netze von der Einführung von profitiert tiefes Lernen, bei dem verschiedene Schichten des Netzwerks unterschiedliche Merkmale extrahieren, bis es erkennen kann, wonach es sucht.
Innerhalb der Rubrik „Neuronale Netze“ gibt es verschiedene Modelle potenzieller Netze – mit Feedforward Und Faltungsnetzwerke Wahrscheinlich sind es diejenigen, die Sie erwähnen sollten, wenn Sie auf einer Dinnerparty neben einem Google-Ingenieur stecken bleiben.
Verstärkungslernen
Verstärkungslernen ist eine weitere Variante des maschinellen Lernens. Es ist stark von der Verhaltenspsychologie inspiriert und basiert auf der Idee, dass Software-Agenten lernen können, in einer Umgebung Maßnahmen zu ergreifen, um eine Belohnung zu maximieren.
Beispielsweise veröffentlichte DeepMind von Google im Jahr 2015 einen Artikel, der zeigte, wie es dazu gekommen ist trainierte eine K.I. um klassische Videospiele zu spielen, ohne andere Anweisungen als die Bildschirmbewertung und die etwa 30.000 Pixel, aus denen jedes Bild besteht. Um seine Punktzahl zu maximieren, bedeutete Reinforcement Learning, dass der Software-Agent nach und nach lernte, das Spiel durch Ausprobieren zu spielen.
MarI/O – Maschinelles Lernen für Videospiele
Im Gegensatz zu einem Expertensystem ist beim Reinforcement Learning kein menschlicher Experte erforderlich, der ihm sagt, wie eine Punktzahl maximiert werden kann. Stattdessen findet es es im Laufe der Zeit heraus. In einigen Fällen können die Regeln, die es lernt, festgelegt sein (wie beim Spielen eines klassischen Atari-Spiels). In anderen Fällen passt es sich im Laufe der Zeit immer wieder an.
Evolutionäre Algorithmen
Wird als generischer bevölkerungsbasierter metaheuristischer Optimierungsalgorithmus bezeichnet, falls Sie ihn noch nicht kennen: evolutionäre Algorithmen sind eine andere Art des maschinellen Lernens; Entwickelt, um das Konzept der natürlichen Selektion in einem Computer nachzuahmen.
Der Prozess beginnt damit, dass ein Programmierer die Ziele eingibt, die er oder sie mit seinem Algorithmus erreichen möchte. Beispielsweise hat die NASA evolutionäre Algorithmen verwendet, um Satellitenkomponenten zu entwerfen. In diesem Fall besteht die Aufgabe möglicherweise darin, eine Lösung zu finden, die in eine 10 cm x 10 cm große Box passt. in der Lage, ein sphärisches oder halbkugelförmiges Muster auszustrahlen und mit einem bestimmten WLAN zu arbeiten Band.
Der Algorithmus erstellt dann mehrere Generationen iterativer Entwürfe und testet jeden einzelnen anhand der angegebenen Ziele. Wenn man schließlich alle richtigen Kästchen ankreuzt, hört es auf. Evolutionäre Algorithmen helfen der NASA nicht nur beim Entwurf von Satelliten, sondern sind auch bei Kreativen beliebt, die künstliche Intelligenz für ihre Arbeit nutzen: wie zum Beispiel die Designer dieser raffinierten Möbel.
Empfehlungen der Redaktion
- Deep-Learning-K.I. hilft Archäologen bei der Übersetzung antiker Tafeln
- Deep-Learning-K.I. kann die Verzerrungseffekte ikonischer Gitarrengötter imitieren
- Gedankenlesende KI analysiert Ihre Gehirnwellen, um zu erraten, welches Video Sie gerade ansehen
- Der Hausgutachter der Zukunft ist wahrscheinlich eine KI. Algorithmus
- Fotorealistische K.I. Das Tool kann Lücken in Bildern, einschließlich Gesichtern, füllen
