{"id":5484,"date":"2019-07-15T14:32:29","date_gmt":"2019-07-15T13:32:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5484"},"modified":"2024-09-20T17:45:01","modified_gmt":"2024-09-20T16:45:01","slug":"performance-is-dependent-on-power-quality","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/performance-is-dependent-on-power-quality\/","title":{"rendered":"Die Leistung h\u00e4ngt von der Stromqualit\u00e4t ab"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NACHRICHTEN \/ KI-TECHNOLOGIE<\/p>\n<\/div>

Artefacts drei Dinge, die Sie sich \u00fcber die Realit\u00e4t der KI merken sollten:<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Artefacts drei Dinge, die Sie sich \u00fcber die Realit\u00e4t der KI merken sollten:<\/span><\/p>\n

1. KI ist keine Magie<\/span><\/h3>\n

Die \u201cIntelligenz\u201d der KI erm\u00f6glicht es ihr nicht, das data zu hinterfragen, das ihre \u201cNahrung\u201d darstellt. Sie \u201carbeitet\u201d mit dem, was ihr zur Verf\u00fcgung gestellt wird. Wenn die Qualit\u00e4t des data nicht relevant, vollst\u00e4ndig und zuverl\u00e4ssig ist, wird der Algorithmus die Erwartungen nicht erf\u00fcllen k\u00f6nnen und seine Antwort auf das vorliegende Problem wird unzuverl\u00e4ssig sein.<\/span><\/p>\n

Die Qualit\u00e4t des Modells allein bestimmt nicht die Qualit\u00e4t der Ausgabeergebnisse. Diese stehen in direktem Zusammenhang mit der Qualit\u00e4t der Eingabe data. Qualit\u00e4t durch Design ist eine der Voraussetzungen f\u00fcr jedes KI-Projekt.<\/b><\/p>\n

Die Sicherstellung und Aufrechterhaltung der Qualit\u00e4t von data ist eine der Hauptaufgaben von KI-Kernprojekten.<\/span><\/p>\n

2. Ein notwendiges \u201cHandwerk\u201d der k\u00fcnstlichen<\/span><\/h3>\n

Es reicht nicht aus, das Modell mit hochwertigen data zu versehen. Data ist nicht direkt verwendbar und der Prozess erfordert, dass Menschen einige manuelle Schritte durchf\u00fchren.<\/b><\/p>\n

Modelle f\u00fcr maschinelles Lernen sind mathematische Strukturen mit Potenzial. Genau wie menschliche Muskeln m\u00fcssen sie trainiert werden, um sich an die erforderliche Anstrengung anzupassen.<\/span><\/p>\n

Auch KI-Algorithmen m\u00fcssen auf einer data-Basis \u201ctrainieren\u201d. Auf diese Weise \u201clernen\u201d sie, effizienter zu sein.<\/span><\/p>\n

Um Algorithmen zu trainieren, sind drei manuelle Schritte erforderlich:<\/span><\/p>\n

    \n
  1. Liefern Sie Qualit\u00e4t data:<\/b> Auswahl, Validierung, Import, Qualit\u00e4tsbewertung usw.<\/span><\/li>\n
  2. Bereiten Sie die Lernbasis vor:<\/b> das data ausw\u00e4hlen, umwandeln und kennzeichnen, um es nutzbar zu machen. Letzteres ist f\u00fcr \u00fcberwachte und halb\u00fcberwachte Algorithmen erforderlich, bei denen das data untersucht, analysiert und dann durch metadata* \u201cgetaggt\u201d wird. Nehmen wir die Bilderkennung als Beispiel: Der Etikettierungsprozess liefert eine Reihe von Bildern und eine Beschreibung f\u00fcr jedes Bild. Dies ist ein zeitaufw\u00e4ndiger, manueller Schritt, der die Beschreibung des Inhalts von mehreren tausend Fotos erfordert.<\/span><\/li>\n
  3. Zug: <\/b>eine sich wiederholende Methodik der Modellauswahl und des Trainings, die auf Lernen basiert, bis das richtige Modell gefunden ist. Entgegen der landl\u00e4ufigen Meinung ist KI keine Magie. Es handelt sich nicht um eine intelligente Maschine, die sich einfach mit Informationen f\u00fcttert und von selbst lernt - Plug and Play gibt es nicht.<\/span><\/li>\n<\/ol>\n

    Diese manuellen Schritte lassen sich in wichtige Gesch\u00e4ftsregeln und Methoden \u00fcbersetzen, die verwendet werden sollten, damit wir Algorithmen richtig nutzen und in bestehende Infrastrukturen integrieren k\u00f6nnen.<\/span><\/p>\n

    3. KI verbessert den Menschen, ersetzt aber nicht seine Intelligenz<\/span><\/h3>\n

    KI wird nach wie vor von Menschen programmiert, auch wenn einige Algorithmen ihre Parameter auf automatisierte Weise anpassen. Wenn es bei der Programmierung kognitive Verzerrungen gibt oder wenn die Eingabe data verzerrt ist, wird die KI diese nicht erkennen und ein verzerrtes Ergebnis produzieren, das nicht mit den urspr\u00fcnglichen Zielen \u00fcbereinstimmt oder unethische Absichten hat.<\/span><\/p>\n

    Im Jahr 2016 entwickelte Microsoft eine KI namens Tay, \u201cum mit Menschen zu interagieren und sie zu unterhalten\u201d. Tay \u00e4u\u00dferte sich auf Twitter, einem Kanal, der die KI durch Interaktionen mit Internetnutzern bereicherte. Wenn Tay \u2018frei\u2019 war, sammelte er alle Informationen, die die Twitter-Sph\u00e4re teilen wollte - im Guten wie im Schlechten...<\/span><\/p>\n

    ...Nach 24 Stunden Existenz und 96.000 Tweets wurde die KI abgeschaltet. Tays Tonfall, der offen und enthusiastisch war, als sie zum ersten Mal online ging, hatte sich schnell ge\u00e4ndert. Tay wurde mit extremen Ansichten konfrontiert und begann, sich rassistisch zu \u00e4u\u00dfern.<\/span><\/p>\n

    Motherboard*, eine der Referenzseiten der amerikanischen Tech-Presse, kommentierte das Ereignis:<\/span> \u201cRousseau hatte Recht: Menschen werden gut geboren, die Gesellschaft verdirbt sie. Was er nicht wusste, ist, dass das Postulat genauso gut mit der Maschine funktioniert.\u201d<\/span><\/i><\/p>\n

    Auch wenn das Beispiel von Tay kaum Auswirkungen hatte, kann eine voreingenommene KI als Waffe der Massendiskriminierung eingesetzt werden. Ein Bewerberbewertungssystem, das ein Unternehmen einsetzt, kann beispielsweise die Wahrscheinlichkeit erh\u00f6hen, dass Profile aufgrund von Parametern wie Geschlecht oder geografischer Herkunft ausgeschlossen werden, um den aktuellen Profilen zu entsprechen, ohne dass dies von den Einstellungsteams bemerkt wird. Die KI muss verfeinert werden, um unerw\u00fcnschte Parameter zu eliminieren, die das Modell negativ beeinflussen k\u00f6nnten.<\/span><\/p>\n

    Die Verwendung komplexer Algorithmen, wie z. B. neuronaler Netze, l\u00e4sst m\u00f6gliche Verzerrungen nicht erkennen. Das Modell wird auf der Grundlage seiner F\u00e4higkeit, Beispiele zu reproduzieren, validiert, was mit Vorsicht zu genie\u00dfen ist. Der explorative Charakter des Modells erm\u00f6glicht auch die Erkennung von Parametern, die von Menschen intuitiv verworfen werden w\u00fcrden, die aber einen Einfluss auf das gew\u00fcnschte Ergebnis haben.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

    Artefacts drei Dinge, die Sie sich \u00fcber die Realit\u00e4t der KI merken sollten:<\/p>","protected":false},"featured_media":5488,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5484","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/5484","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/5488"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=5484"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=5484"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=5484"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}