{"id":5547,"date":"2019-06-22T15:28:53","date_gmt":"2019-06-22T14:28:53","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5547"},"modified":"2024-09-20T17:45:02","modified_gmt":"2024-09-20T16:45:02","slug":"artificial-intelligence-four-areas-where-you-have-the-advantage","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/artificial-intelligence-four-areas-where-you-have-the-advantage\/","title":{"rendered":"K\u00fcnstliche Intelligenz: Vier Bereiche, in denen Sie im Vorteil sind"},"content":{"rendered":"

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

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

\u201cWerden Maschinen den Menschen ersetzen?\u201d Man schrieb das Jahr 1940, und Franklin D. Roosevelt machte sich in einer Debatte mit dem Pr\u00e4sidenten des MIT Sorgen \u00fcber die Auswirkungen von Maschinen auf die Arbeitslosenquote. Sechzehn Jahre sp\u00e4ter, auf der Dartmouth-Konferenz, wird K\u00fcnstliche Intelligenz (KI) offiziell in das Pantheon der wissenschaftlichen Disziplinen aufgenommen.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

\u201cWerden Maschinen den Menschen ersetzen?\u201d Wir schreiben das Jahr 1940 und Franklin D. Roosevelt debattiert in einer Debatte mit dem Pr\u00e4sidenten der<\/strong>\u00a0MIT<\/strong>, war besorgt \u00fcber die Auswirkungen der Maschinen auf die Arbeitslosenquote. Sechzehn Jahre sp\u00e4ter, auf der Konferenz in Dartmouth, <\/strong>K\u00fcnstliche Intelligenz (KI)<\/strong> tritt offiziell in das Pantheon der wissenschaftlichen Disziplinen ein. Dieses Mal werden die Roboter die Menschen ersetzen. Es ist nur noch eine Frage von Jahren, vielleicht von Monaten... Sechzig Jahre sp\u00e4ter sind unsere Berufskollegen immer noch aus Fleisch und Blut, und unsere Ambitionen wurden endg\u00fcltig nach unten korrigiert. J\u00fcngstes Beispiel: das fahrerlose Auto, das wir vor vier Jahren f\u00fcr 2020 vorausgesagt haben. Ein Ratschlag: Behalten Sie Ihren F\u00fchrerschein noch mindestens zehn Jahre lang.<\/strong><\/p>\n

Ja, es ist wahrscheinlich, dass ein artificial intelligence eines Tages alles so gut kann wie ein Mensch, wie Geoffrey Hinton, Gewinner des Turing-Preises 2019, vorhersagt. Aber das ist keine Frage von Monaten, nicht einmal von Jahren... Ein halbes Jahrhundert? Ein paar hundert Jahre? Mehr? Es w\u00e4re unvorsichtig, auch nur zu raten.<\/p>\n

Die Forscher sind mit mehreren gro\u00dfen Hindernissen konfrontiert, die die KI dazu zwingen, in einem \u201cschwachen\u201d Stadium zu bleiben. Im Moment k\u00f6nnen Algorithmen \u201cspezifische\u201d Probleme l\u00f6sen, f\u00fcr die wir sie trainiert haben (z.B. Spiele), kurzzeitig sensorische data interpretieren (Sprach- und visuelle Erkennung) und sogar Stimmen, Texte oder Bilder erzeugen, wie Samsung und andere k\u00fcrzlich demonstriert haben. Das \u201cDeep Learning\u201d, das auf Netzwerken aus k\u00fcnstlichen Neuronen basiert, hat uns in den letzten Jahren einen gro\u00dfen Schritt nach vorne gebracht. Aber nicht nur die Tatsache, dass eine KI in der Lage ist, den Weltmeister im Go-Spiel oder einen Menschen im Schach zu schlagen, macht sie \u201cleistungsstark\u201d. Bitten Sie AlphaGo, sich Ihren Einkaufszettel zu merken, um sich selbst davon zu \u00fcberzeugen: Sie werden nicht mit viel - wenn \u00fcberhaupt - in Ihrer Tasche aus dem Supermarkt zur\u00fcckkehren. Es wird sogar gesch\u00e4tzt, dass der intellektuelle Quotient des heutigen artificial intelligence dem eines vierj\u00e4hrigen Kindes entspricht (ein Ergebnis, das mit Vorsicht zu genie\u00dfen ist, da die getestete KI speziell f\u00fcr die im Test bewerteten Kompetenzen programmiert wurde). Dennoch ist das Ergebnis f\u00fcr Pr\u00e4sident Roosevelt beruhigend.<\/p>\n

Vier gro\u00dfe Bereiche beherrscht dieses \u201cvierj\u00e4hrige Kind\u201d noch nicht, und wir Menschen haben ihm gegen\u00fcber erhebliche Vorteile:<\/em><\/p>\n

    \n
  • Autonome Programmierung und Anpassung. Stellen Sie sich einen Reinigungsroboter vor, der in einem Park putzt. Wenn sein Akku leer ist, wird er nicht in der Lage sein, einen eigenen Plan zu erstellen, um sich aufzuladen. Die Programmierer mussten ein System einbauen, damit er wei\u00df, wie er die Ladezone findet und dorthin kommt. Und wenn diese Zone eines Tages au\u00dfer Betrieb ist, wird er nicht wissen, wie er sich selbst anpassen kann, es sei denn, ein solcher Fall wurde von den Entwicklern des Algorithmus im Vorfeld vorgesehen - wo ein menschlicher Agent kein Problem damit h\u00e4tte, sich einen Notfallplan auszudenken, wenn der Sandwich-Laden im Park geschlossen w\u00e4re. Mit anderen Worten, in einer unsicheren Umgebung haben unsere artificial intelligences nicht wirklich viel Intelligenz zu bieten. Es stimmt zwar, dass die Kombination aus aktuellen \u201cDeep Learning\u201d- und \u201cReinforcement Learning\u201d-KI-Techniken unseren Roboter in die Lage versetzt, etwas \u00fcber sein Umfeld und sogar \u00fcber die darin stattfindenden Ver\u00e4nderungen zu lernen, aber nur in geschlossenen Umgebungen mit festen und bekannten Regeln, wie z.B. auf den Brettern eines Go- oder Schachspiels - nicht auf einem Autobahnnetz, wo jederzeit das Unerwartete passieren kann.<\/li>\n<\/ul>\n
      \n
    • Die F\u00e4higkeit, mit weniger Beispielen zu lernen. Stellen Sie sich denselben Roboter in demselben Park vor. Um den sich n\u00e4hernden Hund als potenzielle Gefahr zu erkennen, h\u00e4tte der Roboter Millionen von Fotos mit und ohne Hund verdauen m\u00fcssen, bevor er einsatzbereit war. Denn heute brauchen unsere Algorithmen, egal wie intelligent sie sind, eine riesige Menge an Beispielen, um zu erkennen, was ein Hund, ein Baum oder ein Tisch ist. Ein vierj\u00e4hriges Kind braucht nicht Tausende oder Millionen von Beispielen von Hunden, um einen Hund zu erkennen. Ein Forschungsansatz, das so genannte \u201cTransfer-Lernen\u201d, w\u00fcrde unseren Roboter in die Lage versetzen, die Umgebung, in der er sich befindet, so vielf\u00e4ltig sie auch sein mag, anhand einer geringeren Anzahl von Beispielen zu erkennen.<\/li>\n<\/ul>\n
        \n
      • Erkl\u00e4rungsbasiertes Lernen. Heutzutage werden KI-Algorithmen ausschlie\u00dflich von Beispielen abgeleitet, k\u00f6nnen aber nicht von einer Konzeptualisierung dessen, was sie gelernt haben, profitieren. Wir k\u00f6nnen einem Kind sagen, dass ein Panther eine gro\u00dfe Katze ist und dass ein Boot keine Beine hat, sonst w\u00fcrde es laufen. Das Kind w\u00fcrde also Panther erkennen und nicht erwarten, dass es ein Foto von einem Boot in kurzen Hosen sieht. Eine Maschine kann das nicht. Sie wei\u00df nicht, wie man einen Panther identifiziert, es sei denn, sie hat bereits zahlreiche Exemplare gesehen, und sie wird sich niemals am Anblick eines Fotos eines Katamarans st\u00f6ren, der heruml\u00e4uft.<\/li>\n<\/ul>\n
          \n
        • Erkl\u00e4rbarkeit der Ergebnisse. In den meisten F\u00e4llen sind Menschen in der Lage, auf Nachfrage zumindest teilweise zu erkl\u00e4ren, warum sie eine Entscheidung getroffen haben und eine andere nicht. Die fortschrittlichsten KIs sind sehr schlechte Lehrer, wenn es darum geht zu erkl\u00e4ren, wie sie ein Problem gel\u00f6st haben. Das ist besorgniserregend, wenn man bedenkt, dass sie Bankern, Versicherern und \u00c4rzten mehr und mehr zur Hand gehen. Moderne Deep Learning-Algorithmen bestehen aus Millionen von k\u00fcnstlichen Neuronen, die untereinander organisiert sind. Sobald sie trainiert sind, schalten sie in den \u201cBlack Box\u201d-Modus: Selbst diejenigen, die sie entwickelt haben, k\u00f6nnen die Ergebnisse ihrer Funktionsweise nicht einfach interpretieren. Das ist sowohl praktisch (sie k\u00f6nnen sehr schnell sehr komplexe Probleme l\u00f6sen) als auch \u00e4u\u00dferst problematisch: Wie sollen Sie Ihrem Kunden gegen\u00fcber eine Kreditablehnung rechtfertigen, die von einem Algorithmus beschlossen wurde? Und wie soll man verstehen, dass dieses fahrerlose Auto sich f\u00fcr ein h\u00f6chst gef\u00e4hrliches Man\u00f6ver entschieden hat, bei dem es Sach- oder sogar Personensch\u00e4den riskiert? Selbst wenn es die richtige Entscheidung ist, wie kann man einem artificial intelligence vertrauen, wenn es eine Diagnose stellt, die der eines Facharztes widerspricht?<\/li>\n<\/ul>\n

          Aufgrund dieser Hindernisse sind die heutigen artificial intelligences eine \u201cschwache\u201d KI, gegen\u00fcber der der Mensch im Vorteil ist. Zumal die Forscher mit dem Problem der theoretischen Formalisierung der verwendeten Algorithmen konfrontiert sind. Es gibt zwar einige Theoreme, aber unser Fachwissen beruht immer noch haupts\u00e4chlich auf empirischem Wissen und nicht immer auf unumst\u00f6\u00dflichen mathematischen Theorien. Wir gehen nach dem Prinzip von Versuch und Irrtum vor, wir entwickeln uns weiter, wir modifizieren, um schlie\u00dflich unsere Ziele zu erreichen. Denn wenn es Maschinen manchmal schwer f\u00e4llt, Menschen zu verstehen, f\u00e4llt es auch Menschen schwer, die Funktionsweise ihrer Maschinen zu verstehen.<\/p>\n

          \n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

          \u201cWerden Maschinen den Menschen ersetzen?\u201d Man schrieb das Jahr 1940, und Franklin D. Roosevelt machte sich in einer Debatte mit dem Pr\u00e4sidenten des MIT Sorgen \u00fcber die Auswirkungen von Maschinen auf die Arbeitslosenquote. Sechzehn Jahre sp\u00e4ter, auf der Dartmouth-Konferenz, wird K\u00fcnstliche Intelligenz (KI) offiziell in das Pantheon der wissenschaftlichen Disziplinen aufgenommen.<\/p>","protected":false},"featured_media":5548,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5547","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\/5547","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\/5548"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=5547"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=5547"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=5547"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}