Abschnittsübersicht

◄Herzlich Willkommen ...
►Historie und Entwicklung von KI

  • AI meets Prof

    Künstliche Intelligenz (KI) bezieht sich auf die Entwicklung von Computern oder Maschinen, die in der Lage sind, menschenähnliche Denkprozesse* durchzuführen. Es handelt sich um eine interdisziplinäre Wissenschaft, die sich mit der Schaffung intelligenter Maschinen befasst, die in der Lage sind, Aufgaben zu erledigen, die normalerweise menschliche Intelligenz erfordern würden.

    KI-Systeme nutzen verschiedene Techniken, um Informationen zu verarbeiten, zu verstehen, zu lernen und Entscheidungen zu treffen. Dazu gehören maschinelles Lernen, neuronale Netze, tiefe neuronale Netze, natürliche Sprachverarbeitung und z.B. Computer Vision.

    Ein grundlegendes Merkmal der KI ist die Fähigkeit, aus Erfahrungen zu lernen und sich an neue Situationen anzupassen. Dies wird oft als "maschinelles Lernen" bezeichnet, bei dem Algorithmen verwendet werden, um Muster in großen Datenmengen zu erkennen und daraus zu lernen. Auf diese Weise kann KI beispielsweise Spracherkennung, Bilderkennung, automatisierte Entscheidungsfindung, Robotik und vieles mehr ermöglichen.

    Statistik spielt in der KI eine wichtige Rolle, insbesondere im Zusammenhang mit dem maschinellen Lernen. Wahrscheinlichkeiten ermöglichen es, die Unsicherheit und Variabilität von Daten zu modellieren. Bei vielen KI-Algorithmen werden Wahrscheinlichkeitsmodelle verwendet, um Vorhersagen oder Entscheidungen zu treffen. Wahrscheinlichkeiten spielen auch eine Rolle bei der Bewertung und Interpretation von KI-Ergebnissen. Anhand von Wahrscheinlichkeiten können beispielsweise die Zuverlässigkeit oder Vertrauenswürdigkeit einer Vorhersage eingeschätzt werden.

    Es ist wichtig anzumerken, dass KI-Systeme auf der Grundlage von Daten und Algorithmen arbeiten und keine tatsächliche Bewusstheit oder emotionale Erfahrungen haben. Obwohl KI viele nützliche Anwendungen hat und schnelle Fortschritte macht, gibt es auch ethische und soziale Herausforderungen im Zusammenhang mit der Verwendung von KI, die sorgfältig berücksichtigt werden müssen.

    Es gibt "[...]keine allgemein in der Wissenschaft akzeptierte Definition von KI" (vgl. Gethmann et al., 2022: 6). Das Fraunhofer Institut definiert KI als [...]ein Teilgebiet der Informatik. Sie imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert. Diese Intelligenz kann auf programmierten Abläufen basieren oder durch maschinelles Lernen erzeugt werden." (ebd., 2023).

    • Mustererkennung

      Künstliche Intelligenz und Muster

      Mustererkennung ist ein grundlegender Prozess, bei dem ein System bestimmte Muster in Daten identifiziert und interpretiert. Ein Beispiel für Mustererkennung ist die Erkennung eines Hundes anhand von visuellen Merkmalen.

      Beim Erkennen eines Hundes z.B. betrachtet das Mustererkennungssystem verschiedene visuelle Eigenschaften oder Merkmale, die charakteristisch für Hunde sind. Diese Merkmale können beispielsweise Ohrenform, Schnauzenlänge, Körpergröße, Fellfarbe oder Schwanzform sein.

      Das Mustererkennungssystem analysiert dann ein Bild oder eine visuelle Eingabe und sucht nach diesen spezifischen Merkmalen, um ein Muster zu identifizieren, das mit einem Hund übereinstimmen könnte. Es vergleicht die beobachteten Merkmale mit dem in seinem Gedächtnis gespeicherten Wissen über Hunde.

      Das System kann ein neuronales Netzwerk sein, das zuvor mit Hundebildern trainiert wurde. Das Netzwerk kann durch das Training lernen, Merkmale zu extrahieren und zu generalisieren, um Hunde in verschiedenen Situationen zu erkennen. Je mehr Daten das Netzwerk während des Trainings gesehen hat, desto besser kann es Muster erkennen und Hunde von anderen Objekten unterscheiden.

      Wenn das Mustererkennungssystem genügend Übereinstimmungen zwischen den beobachteten Merkmalen und dem gespeicherten Wissen über Hunde feststellt, wird es zu dem Schluss kommen, dass es sich um einen Hund handelt. Es kann auch die Wahrscheinlichkeit angeben, dass das erkannte Muster zu einem Hund gehört.

      Mustererkennung ist jedoch nicht auf visuelle Merkmale beschränkt. Es kann auch andere Arten von Daten analysieren, wie zum Beispiel Audiosignale zur Spracherkennung oder Text für die Textklassifikation. In jedem Fall besteht das Ziel darin, Muster zu identifizieren und Informationen zu extrahieren, um spezifische Aufgaben zu erfüllen.


    • Deep Learning

      Deep Learning - Wie funktioniert komplexe Mustererkennung?

      Deep Learning ist ein Teilbereich des maschinellen Lernens, der sich auf künstliche neuronale Netze konzentriert und es ermöglicht, komplexe Muster in Daten zu erkennen und zu verstehen.

      Es nutzt tiefe neuronale Netzwerke mit vielen Zwischenschichten, um abstrakte Merkmale zu lernen und Aufgaben wie Bilderkennung, Sprachverarbeitung und automatisiertes Fahren zu bewältigen.

      Durch das Training mit großen Datensätzen und Optimierungsalgorithmen passt sich das Netzwerk an, um genaue Vorhersagen und Entscheidungen zu treffen.

      Deep Learning hat in den letzten Jahren beeindruckende Fortschritte erzielt und wird in vielen Bereichen eingesetzt, um innovative Lösungen zu liefern.


      In dem Beispiel "König" (siehe Bild) spielt beim Deep Learning der Kontext & die Kategorie eine entscheidende Rolle, genau wie die semantische Position und Assoziationen. Aufgrund dieser Faktoren und Daten kann die KI ein sehr wahrscheinliches Ergebnis dieser Mustererkennungs-Prozesse berechnen und andere "Könige" als Antwort einer entsprechenden Suche ausschließen. Diese Lernprozesse basieren auf diesen "Zwischenschichten", die komplexe Mustererkennung der KI erst ermöglichen.
◄Herzlich Willkommen ...
►Historie und Entwicklung von KI