Machine Learning
Konkurrenz für den menschlichen Intellekt
Fortsetzung des Artikels von Teil 1
Schlüsselbereiche in der Entwicklung maschinellen Lernens
Grundlegend für die Entwicklung von KI sind mehrere multidisziplinäre Bereiche. Der wichtigste ist das künstliche neuronale Netzwerk. Fortschritte in der Robotik und beim maschinellen Sehen sind zwei weitere Treiber der fortgeschrittenen KI.
Künstliche Neuronale Netze
Die neurologische Funktionsweise eines biologischen Nervensystems, zum Beispiel des menschlichen Gehirns, wird in künstlichen neuronalen Netzen (Artificial Neural Networks, ANNs) lose modelliert. ANNs bilden die Grundlage der meisten KI-Systeme. Jüngste Fortschritte in der numerischen Modellierung haben ANN besonders nützlich für KI-Anwendungen wie Verarbeitung natürlicher Sprache, Bilderkennung und -klassifizierung gemacht. In seiner Grundform nimmt ein neuronales Netz eine Reihe von numerischen Eingaben vor, bestimmt die Gewichtung, die auf jede Eingabe anzuwenden ist, und liefert eine numerische Ausgabe. Ein typisches neuronales Netz verwendet Trainingsdaten (bezeichnete oder unbezeichnete), um Ergebnisse zu modellieren, und lernt die Parameter, um zukünftige Ergebnisse genau vorherzusagen. ANNs ermöglichen maschinelles Lernen und Deep Learning und stellen den ersten Schritt beim Aufbau intelligenter Systeme dar.
Computer Vision
Ein zusammenhängender Bereich von erheblicher Bedeutung in der KI-Forschung und -Anwendung ist die Computer Vision (maschinelles Sehen). Das Gebiet konzentriert sich in erster Linie auf die automatische Extraktion, Analyse und das Verstehen von Informationen aus Bildern. Durch die Entwicklung von Algorithmen, die das visuelle Verstehen und den Mustervergleich automatisieren, ist das maschinelle Sehen ein entscheidendes Werkzeug, um künstlichen Systemen bei der Navigation in Umgebungen zu helfen. Bilder können Videosequenzen von Kameras, Einzelbilder, Scannerdaten usw. sein. Das maschinelle Sehen selbst beruht auf Fortschritten in vielen multidisziplinären Teilbereichen, einschließlich der physikalischen Gegebenheiten bei der Bildaufnahme, der Mustererkennung für das Lernen und der Signalverarbeitung, insbesondere beim biologischen Sehen.
Robotik
Weiterer Schlüsselfaktor für zukünftige KI-Systeme ist die Robotik. Durch die Zusammenführung von Maschinenbau, Elektrotechnik und Informatik entwirft, konstruiert und betreibt das Fachgebiet Roboter, die den Menschen ersetzen und menschliche Handlungen in vielen Anwendungen nachahmen können. Mit Hilfe der KI können Roboter selbstständig mit ihrer Umgebung interagieren und auf Objekte und Probleme, auf die sie stoßen, mit ihrer bereits vorhandenen Programmierung reagieren. Die Anwendungen für Roboter sind zahlreich – von einfachen Staubsaugern für den Haushalt über kommerzielle Drohnen bis hin zu unbemannten Raketen (Bild 2).
Jobangebote+ passend zum Thema
Natural Language Processing
Große Mengen natürlicher Sprachdaten können beim Na- tural Language Processing (NLP) verarbeitet und analysiert werden. Die Verarbeitung natürlicher Sprache umfasst die Spracherkennung, das Verstehen menschlicher Sprache und die Sprachgenerierung. In den letzten Jahren hat die Technologie an Boden gewonnen und ist heute ein Schlüsselelement einiger sehr nützlicher Alltagstechnologien. Bei der Google-Suche und -Übersetzung wird die Verarbeitung natürlicher Sprache ausgiebig genutzt, um die Absicht des Benutzers zu beurteilen und Wörter vorzuschlagen. Alexa von Amazon, Cortana von Microsoft und Siri von Apple sind aufkommende persönliche Assistenten, die NLP-Algorithmen als Kernarchitektur verwenden. Mit zunehmender Erfahrung und auch Nutzung der Technologien wird das Lernen der Algorithmen exponentiell zunehmen, sodass unvergleichliche Spracherkennungs- und Sprachverarbeitungsfähigkeiten entstehen.
Wissensrepräsentation
Im Bereich der Wissensrepräsentation der künstlichen Intelligenz befasst man sich damit, wie Wissen symbolisch dargestellt und durch schlussfolgernde Programme automatisiert gesteuert werden kann. Anstatt zu versuchen, Gehirne von Grund auf zu verstehen oder nachzubauen, beinhaltet die Wissensrepräsentation Schlüsse, um intelligentes Verhalten von oben nach unten zu verstehen oder aufzubauen. In diesem Bereich wird untersucht, welches Wissen ein Agent benötigt, um sich intelligent zu verhalten, und mit welchen Rechenmechanismen dieses Wissen dem Agenten bei Bedarf zur Verfügung gestellt werden könnte. Wissensrepräsentation ist also die Untersuchung der Frage, wie das, was wir wissen, gleichzeitig so verständlich wie möglich dargestellt und so effektiv wie möglich argumentiert werden kann.
Die Zukunft der KI-Systeme beruht auf Fortschritten in den miteinander verbundenen Bereichen neuronale Netze, Sprachverarbeitung, Robotik und Computersehen. Ein künstliches Gebilde kann die menschliche Entscheidungsfindung nur dann nachahmen, wenn es sich sowohl intellektuell als auch physisch wie ein Mensch in der Welt bewegen kann. Während neuronale Netze und maschinelles Lernen die intellektuelle Grundlage bieten, helfen Robotik und Computer Vision bei der Interaktion und Steuerung der physischen Welt.
Schlussfolgerungen
Das Gebiet der KI ist weitläufig und umfasst eine Vielzahl von Bereichen, die gleichzeitig an Bedeutung gewinnen und Forschungsinvestitionen erfordern. Es steht außer Zweifel, dass die künstliche Intelligenz fast jede Industrie verändern wird. Dieser Wandel wird von grundlegenden Veränderungen in der Art und Weise angetrieben, wie wir Maschinen zur Automatisierung von Aufgaben, zur Vorhersage von Ergebnissen und zur Steigerung der menschlichen Produktivität einsetzen. Gleichzeitig müssen neue Fragen nach einer angemessenen Ethik und einem angemessenen Regulierungsrahmen für das KI-Zeitalter formuliert und umgesetzt werden, um sicherzustellen, dass intelligente Maschinen nicht zu Herren der Menschheit werden. Während dystopische Weltanschauungen im Hollywood-Stil über Maschinen, die die Welt erobern, weit von der Realität entfernt sind, ist eine Welt, in der Maschinen mit dem menschlichen Intellekt und Fachwissen konkurrieren, unvermeidlich. Sie breitet sich schnell in vielen Bereichen des täglichen Lebens aus. Um mit dieser Zukunft fertig zu werden, ist ein grundlegendes Verständnis der Grundlagen für das weite Feld der KI unerlässlich.
Der Autor
Ulrich Schmidt
ist Segment Manager für High-End Processing bei EBV Elektronik. Er begann 1990 seine Karriere als System Engineer bei Texas Instruments in der RF-ID Division. Seit 1999 spezialisierte er sich als Field Application Engineer auf die DSP-, MPU- und SoC-Produkte von TI. Bevor er im Jahr 2014 als Field Application Engineer bei EBV begann, war er als Technology Manager bei E.ON für die Unterstützung und Einführung von Smart-Home Appliances verantwortlich. Ulrich leitet seit 2018 das High-End Processing Segment bei EBV, um Technologiethemen aus diesem Bereich sowohl auf Bauteilebene als auch bei Softwarethemen umzusetzen.
- Konkurrenz für den menschlichen Intellekt
- Schlüsselbereiche in der Entwicklung maschinellen Lernens
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
Hybride Arbeitsmodelle
»Die Coronakrise könnte einen Schub fürs Homeoffice bedeuten.«
Stimmen erfolgreicher Frauen
International Women in Engineering Day 2020
Das sind die Gewinnerinnen
Wettbewerb Global Women Makers and Engineers
