Künstliche Intelligenz: Ein vollständiger Leitfaden

Veröffentlicht: 2015-05-04

Im Laufe der letzten fünfzig Jahre hat das Forschungsgebiet der künstlichen Intelligenz immense Funktionen hervorgebracht, die von der breiten Öffentlichkeit nicht als KI wahrgenommen werden. Die meisten unserer Online-Aktivitäten beinhalten Formen der KI (virtuelle Agenten, Mustererkennung, gezielte Werbung). Doch bisher ist nur ein Sandkorn in Anspielung auf die missliche Lage der sandigen Zukunft gemacht worden. Um uns entsprechend diesen Fortschritten zu positionieren, müssen wir uns Prozesswissen aneignen.

Unternehmen sind sich zunehmend bewusst geworden, dass künstliche Intelligenz ein entscheidender Erfolgsfaktor sein kann (und in Zukunft sein wird). Derzeit werden diese Eigenschaften in Datenanalysealgorithmen implementiert, die in der Lage sind, Big Data (ein weiterer wachsender Bereich der Unternehmensführung) richtig zu speichern, zu verarbeiten und zu analysieren, aber bald auch Produktoptimierungsalgorithmen und komplexe Kundenbindungstechniken umfassen werden.

Künstliche Intelligenz: Ein vollständiger Leitfaden

Shutterstock.com | Tatiana Shepeleva

In diesem Artikel präsentieren wir einen vollständigen Leitfaden zur künstlichen Intelligenz in den Abschnitten 1) Ursprünge der KI; 2) Ziele der KI ; 3) Ansätze und Werkzeuge ; 4) Probleme der KI ; 5) Anwendung im Unternehmertum und 6) Beispiele für die KI-Implementierung in der Wirtschaft .

URSPRÜNGE KÜNSTLICHER INTELLIGENZ

Die Idee und der philosophische Hintergrund

Die Grundlagen der Ideen rund um die Schaffung künstlicher Intelligenz lassen sich auf Automaten der ägyptischen und chinesischen Zivilisationen sowie auf die antike griechische Mythologie zurückführen. Die Umsetzung menschlicher Eigenschaften in Objekte und abstrakte Ideen ist eine der Methoden, mit denen Menschen mit ihrer Existenz argumentieren, seit sie Bewusstsein erlangt haben.

Mit der Entwicklung der Logik und dem Aufkommen des Feldes des symbolischen Denkens in der Philosophie wurde die Entwicklung von Maschinen, die die menschliche Intelligenz nachahmen konnten, in der Praxis möglich. Die symbolische Argumentation besagt, dass Symbole (Zahlen, Grafiken, Berechnungen, Statistiken usw.) als synonymer Ersatz für längere Ausdrücke verwendet werden können, um Probleme zu lösen. Die Idee wurde im 16. Jahrhundert von Thomas Hobbes vorgeschlagen, der als „Großvater der KI“ gilt.

Später, als die Ingenieurskunst im Laufe der Jahrhunderte fortschritt, begannen die beiden Felder, sich zu korrelieren. Der erste Computer – Analytical Engine – wurde im 19. Jahrhundert von Charles Babbage entwickelt (er wurde jedoch erst 1991 gebaut). Mit dem fortschreitenden technologischen Fortschritt ab dem frühen 20. Jahrhundert sowie der zunehmenden Notwendigkeit, Rechenprozesse besser zu verstehen, entstanden verschiedene Modelle und theoretische Diskurse.

Der Turing-Test

Alan Turing veröffentlichte 1950 ein grundlegendes Werk zu diesem Thema – das Papier Computing Machinery and Intelligence. In der Arbeit schlug er das Turing-Maschinen-Modell vor, mit dem er die theoretischen Möglichkeiten dessen diskutierte, was berechnet werden kann. Um abzuleiten, ob sich die Rechenmöglichkeiten bis in die Sphären der menschlichen Intelligenz erstreckten, entwickelte er den Turing-Test. Ziel des Tests war es herauszufinden, ob eine Maschine einen verdächtigen Vernehmer davon überzeugen kann, dass es sich tatsächlich um einen Menschen handelt. Der Test schien recht einfach zu sein – es waren keine komplexen Aufgaben (wie zum Beispiel das Erstellen von Originalkunstwerken) erforderlich; Um zu bestehen, sollte der Computer in der Lage sein, mit einem Menschen Smalltalk zu führen und Verständnis für den gegebenen Kontext zu zeigen. So einfach es aus menschlicher Sicht klingt, die Umsetzung solcher Ergebnisse erwies sich als äußerst schwierig und bis heute unerreichbar. Primäre Probleme bezogen sich auf die Hardwaretechnik der Mitte des 20. Jahrhunderts – Lagerraumprobleme tarnten die Zukunftsfragen der Softwarerealisierung.

Forscher versuchen immer noch, Software zu entwickeln, die den Turing-Test besteht, und sie beim jährlichen Turing-Wettbewerb zu präsentieren. Der Leobner-Preis in Höhe von 100.000 US-Dollar wartet noch darauf, dass sich die erste Software als empfindsam erweist.

KI – Studienrichtung

Basierend auf philosophischen, logischen, mathematischen, kybernetischen, neurowissenschaftlichen und informationstechnischen Fortschritten wurde 1956 auf einer Konferenz am Dartmouth College das Studienfach Künstliche Intelligenz geboren. Die Experten John McCarthy und Marvin Minsky wurden zu prominenten Namen in den weitreichenden Bemühungen, intelligente Maschinen für die nächsten fünfzig Jahre zu entwickeln.

Um Intelligenz zu erschaffen, muss man natürlich wissen, was Intelligenz ist. Die abstrakten Definitionen von Intelligenz als Eigenschaft des Menschen (und einiger Tiere), die sich in Logik, Argumentation, Lernen durch Erfahrung, Anwendung von Wissen, Kreativität und vielem mehr manifestiert, können jedoch nicht einfach in Symbole übersetzt werden und fühlende Menschen erzeugen Maschinen.

Computerschach und Expertensysteme

Wissenschaftler setzten verschiedene Ansätze und Methoden um, um künstliche Intelligenz aufzubauen. Einer der Ansätze war die Entwicklung der Schachsoftware. Da es durch Brute-Force-Techniken viel einfacher war, eine hohe Effizienz zu erreichen – das heißt, der Computer berechnet Lösungsalgorithmen nach dem Prinzip minimaler Kosten für den maximalen Schaden, der für eine bestimmte Anzahl zukünftiger Züge möglich ist – hat die Schachsoftware dies getan konzentrieren sich nicht viel auf den Aufbau von Sensitiven, sondern eher auf fortschrittliche Suchtechniken und nachhaltige Hardware für große Datenbanken.

Andererseits wurden Expertensysteme entwickelt, um in unterschiedlichen Branchen kompetente Hilfestellung zu leisten. Durch den Aufbau einer kompetenten Wissensdatenbank und die Einbindung von Software für maschinelles Lernen – die es Maschinen ermöglicht, Vorhersagen zu treffen und Informationen zu bestimmten Daten zu beraten; sowie Interaktionssoftware (basierend auf natürlicher Sprachentwicklung) – Wissenschaftler erweiterten die Eigenschaften ihrer „intelligenten Maschinen“. Diese Errungenschaften werden heute in Navigationssystemen, in der Medizin sowie in der Wirtschaft genutzt.

Winter der KI

Nach der anfänglichen Begeisterung für das KI-Forschungsfeld wurde schnell klar, dass solide Ergebnisse mehr Zeit in Anspruch nehmen werden als erwartet und angekündigt. Nach ALPAC- und Lighthill-Berichten, die unbefriedigende Fortschritte bei den KI-Projekten zeigten (Probleme mit natürlichsprachlicher Software, langsame Weiterentwicklungen), wurde der Investitionsfluss beendet – der erste KI-Winter begann 1974 und dauerte bis Anfang der 1980er Jahre, als die britische Regierung dies veranlasste KI-Projekte als Antwort auf japanische Bemühungen um Logikprogrammierung. 1987 entstand jedoch aufgrund des Zusammenbruchs des Marktes für Allzweckcomputer und des Rückgangs der Finanzierung der zweite AI Winter, der fünf Jahre dauerte.

In den „Winter“-Perioden wurde die KI-Forschung unter verschiedenen Namen fortgesetzt, die in Zukunft zu Unterkategorien des Feldes werden werden – evolutionäre Programmierung, maschinelles Lernen, Spracherkennung, Data Mining, Industrierobotik, Suchmaschinen und viele andere.

Wo ist KI jetzt?

Das Forschungsfeld Künstliche Intelligenz ermöglichte viele Fortschritte, die heute als „allgemein“ gelten – spezifizierte und personalisierte Suchmaschinenergebnisse, intelligente Personal Assistant Software – Siri, Google Translate, Fahrzeugnavigationssysteme, diverse Robotik-Erweiterungen und unzählige andere.

Einige bemerkenswerte Erfolge sind:

  • IBMs Deep Blue war der erste Computer, der 1997 eine Schachpartie gegen einen Schachmeister – Garry Kasparov – gewann.
  • Das Frage-Antwort-System Watson von IBM gewann 2011 das Jeopardy-Quiz gegen erfahrene Gegner.
  • Eugene Goostman, ein Chatbot, überzeugte 2014 ein Mitglied der Turing-Testjury, dass es sich um einen 13-jährigen Jungen aus der Ukraine handelte. Eugene bestand jedoch mit 33% das absolute Minimum an Verurteilung. Ein solches Ergebnis wird im Wesentlichen nicht als Bestehen des Turing-Tests angesehen, da es hauptsächlich von der äußeren Bedingung abhängt (einem Kind aus einem nicht englischsprachigen Land kann man Unzulänglichkeiten im Smalltalk verzeihen, während ein erwachsener Muttersprachler dies nicht tun würde). gewesen sein). Im Laufe des Jahres 2015 wird von den Entwicklern von Eugene erwartet, dass sie ihren Sieg verteidigen und beweisen, dass sie empfindungsfähige Software erfunden haben (was sie höchstwahrscheinlich nicht getan haben).

Wie aus allem oben Gesagten hervorgeht, ist klar, dass in den letzten fünfzig Jahren in schwierigen Fragen der künstlichen Intelligenz keine großen Fortschritte erzielt wurden. Folglich sagen Experten mindestens fünfzig weitere Jahre des Versuchs und Irrtums voraus, um die menschliche Intelligenz nachzuahmen. Es ist einfach zu umfangreich und zu komplex, um in kurzer Zeit gelöst zu werden. Die Fortschritte, die während der bisherigen Suche gemacht wurden, haben jedoch die Welt, in der wir leben, stark beeinflusst und geprägt.

ZIELE KÜNSTLICHER INTELLIGENZ

Das „endgültige“ Ziel der Bemühungen um künstliche Intelligenz besteht darin, eine intelligente Maschine zu schaffen, die in der Lage ist, zu denken, zu planen, Probleme zu lösen, abstrakt zu denken, komplexe Ideen zu verstehen, schnell zu lernen und aus Erfahrungen zu lernen (was eine vereinbarte Definition der menschlichen Intelligenz ist). In der Praxis soll diese künstlich emulierte Intelligenz eine breite und tiefe Fähigkeit widerspiegeln, ihre Umgebung zu begreifen, um herauszufinden, was in unendlich vielen möglichen Situationen zu tun ist. Um sich angemessen in der Umgebung zu positionieren, muss die KI sozial intelligent sein (d. h. sie muss in der Lage sein, ein breites Spektrum abstrakter Merkmale und Eigenschaften des verständlichen Universums – zum Beispiel Emotionen – wahrzunehmen und richtig darauf zu reagieren. Um Probleme optimal bewältigen zu können, muss es in der Lage sein, Kreativität in seiner Funktionsweise umzusetzen. Alle genannten Eigenschaften werden dem langfristigen Ziel von KI-Studien zugeschrieben – der allgemeinen Intelligenz.

Um ein solches Ziel zu erreichen, müssen sich Wissenschaftler jedoch sowohl einzeln als auch in Korrelation auf eine Vielzahl komplexer Konzepte konzentrieren, die ihre Bausteine ​​sind. Die Erbauer der zukünftigen intelligenten Maschine müssen in ihre Arbeit die empirischen Studien bestehender intelligenter Systeme (hauptsächlich des Menschen) sowie Ergebnisse der theoretischen Erforschung und Analyse möglicher Intelligenzsysteme (und ihrer Mechanismen und Repräsentationen) implementieren. Diese Faktoren sind für die Lösung von Problemen im Zusammenhang mit bestehenden intelligenten Systemen sowie für die Entwicklung neuer intelligenter oder semi-intelligenter Maschinen unerlässlich. Im Wesentlichen bedeutet dies, dass die Komplexität der Aufgabenstellung vollständig überblickt werden muss, da eine Beschränkung der Bemühungen auf einen Bereich (z. B. Ingenieurwesen) keine zufriedenstellenden Ergebnisse liefert. Ohne die Untersuchung von Vögeln wäre es unmöglich gewesen, Flugzeuge zu bauen.

Deduktion, Argumentation, Problemlösung

In den Anfängen der KI-Forschung wurde der Denkprozess durch die schrittweise Nachahmung menschlicher Prozesse beim Lösen von Rätseln oder logischen Schlussfolgerungen induziert. Dieser Ansatz hing jedoch stark von Rechenressourcen und Computerspeicher ab, der zu dieser Zeit ziemlich begrenzt war. Diese Fragen wiesen auf die Notwendigkeit hin, unmittelbare Urteilsprozesse beim Menschen nachzuahmen und nicht die bewussten Denkens. Unmittelbares Urteil kann als intuitives, unterbewusstes Wissen angesehen werden, das die Richtung bewusster Handlungen bestimmt.

KI versucht, das Ziel der sofortigen Beurteilung durch eine Kombination von:

  • Verkörperte Agenten (autonome Einheiten, die mit der Umgebung interagieren können und als dreidimensionale virtuelle Simulation/realer Roboterkörper präsentiert werden);
  • Sensomotorische Fähigkeiten (Kombination von Umweltwahrnehmung durch Sensoren und Reaktion mit motorischen Fähigkeiten – zum Beispiel nimmt ein Roboter die Annäherung einer Person wahr und bietet eine Hand zur Begrüßung an – der Roboter reagiert, indem er der Person die Hand schüttelt);
  • Neuronale Netze (Simulation von Strukturen und Prozessen in den neuronalen Systemen, insbesondere des menschlichen Gehirns: Berechnung von Werten aus Eingaben; maschinelles Lernen; Mustererkennung; adaptive Natur);
  • Statistische Ansätze (mathematische Ansätze zu spezifischen Problemlösungen).

Wissensrepräsentation

Um einen Menschen nachzuahmen, muss KI immenses Wissen über Objekte, ihre Eigenschaften, Kategorien und Beziehungen untereinander einfließen lassen. Darüber hinaus muss es Situationen und Zustände umsetzen, Ursachen, Wirkungen und Ideen abstrahieren. Das KI-Feld verwendet einen ontologischen Ansatz zur Wissensrepräsentation – das heißt, Wissen wird in Konzeptsätzen postuliert, deren Beziehung innerhalb einer Domäne definiert ist.

Themen

  • Unmöglichkeit wahr/falsch Aussagen – alles hat Ausnahmen;
  • Die Breite des menschlichen Wissens macht es fast unmöglich, eine umfassende Ontologie zu erstellen;
  • Die unterbewussten und subsymbolischen Wissensformen müssen einbezogen werden.

Lösungen

  • Statistische KI – mathematische Lösung bestimmter Probleme;
  • Situierte KI – Systeme als autonome Einheiten entwickeln durch Interaktion mit der Umwelt elementare Verhaltensweisen;
  • Computational Intelligence – Computer, der genügend Konzepte verstanden hat, sodass er selbst weitere Ontologien bereitstellen kann (z. B. über das Internet).

Automatisierte Planung

KI muss in der Lage sein, komplexe und optimierte Lösungen im mehrdimensionalen Raum zu konstruieren und diese Strategien/Handlungsfolgen umzusetzen. Mit anderen Worten, intelligente Agenten müssen in der Lage sein, potenzielle Zukunft zu visualisieren (prädiktive Analyse), Handlungsziele zu setzen (Entscheidungsfindung) und so zu agieren, dass die Effizienz (Wert) des Prozesses maximiert wird.

Diese Ziele sind sowohl offline (für die bekannte Umgebung) als auch online (für unerwartete Umgebungen) zu handhaben. Wissenschaftler müssen sich immer noch mit unvorhergesehenen Szenarien auseinandersetzen – wenn die Maschine intelligent reagieren soll.

Maschinelles Lernen

Maschinelles Lernen ist die Konstruktion und Untersuchung von Algorithmen, die es KI-Systemen ermöglichen, Vorhersagen und Entscheidungen auf der Grundlage von Dateneingaben und dadurch erworbenem Wissen zu treffen.

Es kann fokussiert werden auf:

  • unüberwachte Mustererkennung in Eingabeströmen (beispielsweise das Definieren von Spam-Mail von Nicht-Spam-Mail in elektronischen Mailsystemen);
  • überwachte (programmierte) Klassifizierung und Relationsbildung in den Eingabedaten (z. B. Einleiten von Spam- und Nicht-Spam-Mails in verschiedene Kategorien im System).

Maschinelles Lernen wird in verschiedenen Bereichen der Informationstechnologie wie Spamfilterung (oben als Beispiel erwähnt), optische Zeichenerkennung, Suchmaschinenpersonalisierung, Computer Vision und Data Mining (prädiktive Analyse) verwendet.

Eine weitere Verbesserung der Algorithmen des maschinellen Lernens sollte der allgemeinen Computerintelligenz von Maschinen zugeschrieben werden.

Verarbeitung natürlicher Sprache

Die Verarbeitung und Generierung natürlicher Sprache ist eines der zentralen Themen, mit denen sich das Studienfach Künstliche Intelligenz beschäftigt. Kein Wunder, dass sich der Turing-Test um die Fähigkeit von Maschinen dreht, sich (zumindest scheinbar) gewissenhaft zu unterhalten – eine Maschine, die gesprochene oder geschriebene Wörter in ihrem Kontext verstehen und entsprechend reagieren kann, kann als eine intelligente Entität (weil sie abstrakte Eigenschaften beinhaltet – soziale Intelligenz, Wissen, Wahrnehmung, Problemlösung usw.).

Maschinenwahrnehmung

Die maschinelle Wahrnehmung stellt die Fähigkeit zur Interpretation von Eingaben dar, die den Prozessen der menschlichen Wahrnehmung durch Sinne ähnelt. Die wichtigen Themen, die angegangen werden sollen, sind die der umfassenden Wahrnehmung, der Übertragung an einen intelligenten Kern der Entität und der Reaktionssysteme (d. h. die maschinelle Wahrnehmung trifft auf Schwierigkeiten sowohl bei den technischen als auch bei den Computerfunktionen).

  • Vision – Sammeln von Informationen basierend auf dem Bild der hochdimensionalen Außenwelt und deren Umwandlung in Algorithmen/Lösungen für bestimmte Probleme (derzeit können Maschinen Gesichtserkennung und ästhetisches Urteilsvermögen ausüben, aber es liegt noch ein langer Entwicklungsweg vor uns);
  • Hören – Fähigkeit, Audiodaten wie Musik oder Sprache zu verarbeiten (derzeit: Spracherkennung, Sprachübersetzer);
  • Berührung – Fähigkeit, Oberflächeneigenschaften und Fingerfertigkeit zu verarbeiten, um effektiv und intelligent mit der Umgebung zu interagieren.

Robotik

Ziele in der Robotik verbinden Ingenieurwissenschaften mit Studien der künstlichen Intelligenz und drehen sich um Fragen von:

  • Objektmanipulation;
  • Navigation;
  • Lokalisierung;
  • Kartierung;
  • Bewegungsplanung.

ANSÄTZE UND WERKZEUGE VON AI

Nähert sich

Seit dem Aufkommen der KI-Forschung in den 1950er Jahren wurden zahlreiche Ansätze durch die Umsetzung von Wissen in verschiedenen Branchen und akademischen Kreisen verfolgt. Diese Ansätze entwickelten sich als Reaktion auf Mängel, die jeder von ihnen in Bezug auf die Verwirklichung des Ziels – der allgemeinen Intelligenz – aufwies. Als die KI-Forschung während der KI-Winter die Mittel verlor, war die Desintegration von Ansätzen die einzige Möglichkeit, Investitionen für kontinuierliche Studien zu akquirieren. Aus heutiger Sicht lässt sich schlussfolgern, dass all diese Ansätze für die enorme Komplexität der künstlichen Intelligenz unerlässlich sind und dass sie alle immens zum Prozess beigetragen haben (egal wie langsam oder ohne berauschende Fortschritte der Prozess selbst auch sein mag). .

Konnektivität

Durch die Kombination von Techniken und Kenntnissen der Neurologie, Informationstechnologie und Kybernetik gelang es Wissenschaftlern in den 1950er Jahren, grundlegende Intelligenz zu simulieren. Der Ansatz wurde im folgenden Jahrzehnt aufgegeben und tauchte in den 1980er Jahren wieder auf.

Erfolge

  • sensorische Verarbeitung;
  • Verhalten neuronaler Netze;
  • Kenntnisse über Regulierungssysteme.

Symbolismus

Der Ansatz besagt, dass menschliche Intelligenz ausschließlich durch Manipulation von Symbolen simuliert werden kann. Es wird auch die „gute altmodische künstliche Intelligenz“ genannt – GOFAI und hatte in den 1960er Jahren Erfolg in der hochintelligenten Simulation – beschränkt auf begrenzte Demonstrationsprogramme.

Erfolge

  • Expertensysteme

Kognitive Simulation

Der kognitive Simulationsansatz wird in psychologischen Tests verkörpert, die durchgeführt wurden, um Wissen über menschliche Problemlösungsfähigkeiten zu erwerben. Die Ergebnisse sollten formalisiert werden, um Programme zu entwickeln, die diese Eigenschaften der menschlichen Intelligenz simulieren.

Erfolge

  • Grundlagen der künstlichen Intelligenzforschung – maschinelles Lernen, natürliche Sprachverarbeitung usw.

Logik

Vertreter des logischen Ansatzes waren der Ansicht, dass die menschliche Intelligenz in ihrem Wesen abstraktes Denken und Problemlösen anspornt und daher mit den Techniken der Logik behandelt werden kann.

Erfolge

  • Wissensrepräsentation;
  • automatisierte Planung;
  • maschinelles Lernen;
  • Logikprogrammierung.

Anti-Logik

Gegner des logischen Ansatzes stellten fest, dass kein allgemeines Prinzip die Komplexität intelligenten Verhaltens erfassen kann.

Erfolge

  • wies auf die mangelnde Effizienz des logischen Ansatzes in Sachen Machine Vision und Natural Language Processing hin

Wissen

Der wissensbasierte Ansatz wurde in den Forschungsstudien zur künstlichen Intelligenz seit dem Aufkommen von Expertensystemen und der Erhöhung der Speicherkapazitäten von Betriebssystemen stark implementiert.

Erfolge

  • Implementierung in Expertensysteme;
  • eines der entscheidenden Elemente der allgemeinen Intelligenz.

Abstrakt

Der abstrakte Ansatz entstand aus der Notwendigkeit, subsymbolische und intuitive Gespenster der menschlichen Intelligenz zu adressieren, um optimale Lösungen für Probleme der Künstlichen Intelligenz zu bieten.

Erfolge

  • Computerwahrnehmung;
  • Robotik;
  • maschinelles Lernen;
  • Mustererkennung.

Gelegen

Der situierte oder neuartige Ansatz der künstlichen Intelligenz konzentriert sich auf grundlegende technische Probleme und lehnt die Exklusivität des symbolischen Ansatzes ab. Ziel ist es, eine realistische Maschine zu konstruieren, die in der realen Umgebung existieren kann.

Erfolge

  • motorische Fähigkeiten;
  • sensorische Fähigkeiten;
  • Computerwahrnehmung.

Statistisch

Der statistische Ansatz verwendet messbare und überprüfbare mathematische Werkzeuge und kombiniert sie mit Wirtschaftswissenschaften, um bestimmte Probleme zu lösen. Kritisiert wird der Ansatz unter Missachtung des Ziels der allgemeinen Intelligenz.

Erfolge

  • erfolgreiches Angehen spezieller Probleme

Werkzeuge

Das Studienfach Künstliche Intelligenz ist auf seiner Suche nach der Verwirklichung auf unendliche Probleme gestoßen. Es wurden jedoch verschiedene Methoden implementiert, mit denen Probleme erfolgreich angegangen werden können.

Such- und Optimierungsmethode

Die Suche nach vielen möglichen Lösungen, die Eliminierung derjenigen, die wahrscheinlich nicht zu dem jeweiligen (oder Gesamt-)Ziel führen, und die Wahl eines optimalen Weges kann ein effizienter Weg zur Lösung von Problemen sein. Mit Hilfe von Suchtechniken basierend auf Optimierung werden Schlussfolgerungs-, Planungs- und Robotikalgorithmen erstellt.

Die mathematische Optimierungstheorie wird gebildet, indem man die Lösungssuche mit einer intelligenten Vermutung beginnt und zu ihrer Verfeinerung fortschreitet (auch als "Hügelklettern" bezeichnet: Auswahl eines zufälligen Punktes in der Landschaft und Fortschreiten in zufälligen Bewegungen in Richtung der Hügelspitze).

Die evolutionäre Berechnung folgt dem 'Survival of the Fittest'-Prinzip – eine Reihe von Vermutungen wird postuliert, durch Verfeinerung fallen einige der Vermutungen weg und somit stellt sich die optimale Lösung dar.

Logik als Lösungsmethode

Logik wird zur Lösung von Problemen der automatisierten Planung und des maschinellen Lernens sowie der Logikprogrammierung verwendet. Es wird verwendet, um die Gültigkeit durch Wahr/Falsch-Attribution zu bestimmen und Fakten über Objekte, ihre Eigenschaften und Beziehungen auszudrücken, was für die Ontologie in der Wissensrepräsentation wesentlich ist.

Andere Methoden

  • Wahrscheinlichkeitsalgorithmen zum Filtern und zur Vorhersageanalyse von Datenströmen;
  • Klassifikatoren und statistische Lernmethoden;
  • Künstliche neurale Netzwerke;
  • Programmiersprachen (unterscheiden sich je nach spezifischen Bedürfnissen einer Unterkategorie von KI).

FRAGEN DER KÜNSTLICHEN INTELLIGENZ

Die meisten Forscher auf dem Gebiet der künstlichen Intelligenz geben an, dass die allgemeine Intelligenz in Maschinen im Laufe der nächsten fünfzig Jahre erreicht werden wird. Obwohl wir solche Aussagen nicht bestätigen können, erscheint es plausibel, dass die Fortschritte passieren und die Welt vollständig verändern werden. Daraus ergeben sich zwangsläufig verschiedene Probleme.

In erster Linie verfügen KI-Systeme über Fähigkeiten zur Datenverarbeitung und prädiktiven Analyse, die die des Menschen weit übertreffen. Um eine optimale Leistung zu erzielen, sind sie einigermaßen autonom und unterliegen einem sorgfältig ausgewählten Regelwerk, um ein bestimmtes Ziel zu erreichen. Aufgrund ihrer Autonomie können sie jedoch in Bezug auf ihre Benutzer in einem Missverhältnis agieren – wenn ein potenzielles Problem in der Programmierung nicht berücksichtigt wurde, würde das System es übernehmen – wenn es dem Ziel dient (und es für den Menschen unmöglich ist, alle möglichen Situationen vorherzusagen) und entsprechende Algorithmen dafür). Das Problem muss durch die Bereitstellung klarer Sicherheitskriterien angegangen werden, um den Schaden im Fehlerfall zu minimieren. Darüber hinaus ist die richtige Zuweisung von Verantwortung eine Frage, die bei Bemühungen um künstliche Intelligenz angegangen werden muss.

Im weiteren Verlauf der allgemeinen Intelligenz müssen die Menschen moralische Systeme definieren, nach denen sie die KI-Systeme strukturieren, aber auch die moralischen Regeln, nach denen sie sich in Bezug auf KI-Systeme positionieren. Die ethischen Fragen der Künstlichen Intelligenz sind unglaublich komplex – wie kann man definieren, ob ein System darauf programmiert ist, sich zu verhalten und empfindungsfähig oder empfindungsfähig zu beanspruchen?

Wer wird außerdem für die Entscheidungsfindung in Bezug auf allgemeine KI verantwortlich sein? Während wir alle mit den positiven und fortschrittlichen Möglichkeiten vertraut gemacht werden, die die KI-Technologie mit sich bringen wird – Beendigung von Krankheiten, Raumfahrt, Reduzierung der Arbeit usw. Natürlich müssen einige Regelungen zum Einsatz von KI-Systemen getroffen werden.

KI-ANWENDUNG IM UNTERNEHMERSCHAFT

Big Data und spezialisierte Analysen

In den letzten Jahren hat das exponentielle Wachstum der technologischen Fähigkeiten (in erster Linie der Speicher- und Computing-Funktionen) der Datenzufluss enorm zugenommen. Unternehmen können heute Big Data in strukturierter und unstrukturierter Form (Bilder, Videos) sammeln, verarbeiten und analysieren, um wertvolle Erkenntnisse zur Geschäftsstrategie zu gewinnen. Eines der Probleme des Big-Data-Managements ist der Mangel an Experten, die daraus einen Sinn machen und ihn in die Praxis umsetzen könnten. Zur Vereinfachung des Prozesses wurden verschiedene Softwarelösungen vorgestellt – etwa Expertensysteme und prädiktive Analysen. Offensichtlich sind dies Produkte von Studien zur künstlichen Intelligenz.

Mit der Weiterentwicklung der Algorithmen wird jedoch auch ihr Einfluss auf das Datenmanagement zunehmen. Machine Learning ist ein datenbasierter Vorhersage- und Entscheidungsalgorithmus, der in Kombination mit der Verarbeitung natürlicher Sprache verwertbare (und wertvolle) Informationen und Lösungen zu Geschäftsstrategien (Werbung, Kundenbeziehungen, Mitarbeitercoaching) mit dem Gesamtziel der Steigerung präsentieren kann Produktivität und Kundenbindung (Zufriedenheit), Wettbewerbsfähigkeit am Markt und Wachstum.

Optimierung von Produkten und Dienstleistungen

Künstliche Intelligenzalgorithmen werden nicht nur in den betriebswirtschaftlichen Bereichen, sondern auch in der Produkteffizienz und Attraktivität implementiert. Rasenmäher können beispielsweise ohne menschliche Beteiligung mähen. Darüber hinaus sind sie in der Lage, spezialisierte und personalisierte konstruktive Aufgaben auszuführen, wie z. All dies trägt zur Kundenzufriedenheit bei, da es eine kontinuierliche exponentielle Verringerung des Zeit- und Arbeitsaufwands seitens des Kunden für maximale Effizienz und Wert darstellt.

BEISPIELE FÜR DIE UMSETZUNG VON KI IM UNTERNEHMEN

Neben den erheblichen Bemühungen von IBM im Bereich Künstliche Intelligenz seit den Anfängen mussten sich große Unternehmen wie Google und Facebook aufgrund riesiger Datenmengen und komplexer Management- und Strategiefindungsprozesse auch um KI-Möglichkeiten kümmern. Hier werfen wir einen Blick auf diese drei Unternehmen und ihre Verstrickung in KI.

IBM

Neben einem bedeutenden Erfolg, den IBM mit ihren Bemühungen um KI-Technologien wie dem Schachalgorithmus Deep Blue und dem komplexen Watson-System öffentlich erhielt, liegt der eigentliche Nutzen in den Eigenschaften, die ihre Technologien beherrschen, und deren Umsetzung in die Wirtschaft. Der Deep Blue-Algorithmus hat es geschafft, eine enorme Menge an prädiktiver Analyse auf der Grundlage von Effizienzmaximierung nach den Schachregeln zu verarbeiten und zeigte, dass durch klare Formulierung von Zielen keine Notwendigkeit (wie unmöglich) besteht, mögliche Lösungen manuell abzudecken – den Computer tat es autonom und, beschränkt auf das Ziel, für das es programmiert war, so optimiert, dass selbst ein Schachmeister den Prozess nicht übersteuern konnte.

Das Watson-System wurde als Echtzeit-Frage-und-Antwort-Algorithmus entwickelt, der es schaffte, natürliche Sprache wahrzunehmen und zu verarbeiten sowie richtige Antworten zu begründen und in natürlicher Sprache zu generieren – gewann das Jeopardy-Quiz im Offline-Betrieb. Es wurde auf der Grundlage des maschinellen Lernens erstellt, da es ein zeitaufwändiger und möglicherweise nicht effektiver Ansatz wäre, die Ontologie eines riesigen Wissens manuell darin zu implementieren.

Diese Fortschritte sind für Geschäftsstrategien von großer Bedeutung, da sie die breite Verarbeitung relevanter Inhalte optimieren und eine konstruktive Kommunikation ermöglichen, um Erkenntnisse zu präsentieren und Entscheidungen basierend auf diesen analytischen Prozessen zu treffen.

Derzeit konzentriert sich IBM darauf, ihre Algorithmen in einer Cloud-basierten Umgebung zu implementieren und Datenbanken für das Gesundheitswesen, die Wirtschaft und das Bildungswesen zu erstellen.

Google

Google hat Funktionen der künstlichen Intelligenz zur Personalisierung und Spezifikation seiner Suchmaschinen verwendet, Google Translate entwickelt, das ein ausreichendes Werkzeug zur Verarbeitung und Generierung natürlicher Sprache ist (abgesehen von seinem Mangel an Kontext und subsymbolischen Bedeutungen) sowie ein neuronales . implementiert Netzwerkstrategie bei der Verwaltung ihrer immensen Datenbanken. Diese neuronalen Strategien sind darauf ausgelegt, Muster zu erkennen und extrem schnell Entscheidungen zu treffen. Auch die maschinellen Lernalgorithmen sind enthalten, was bedeutet, dass Systeme durch Erfahrung lernen und als solche effektiver arbeiten.

Facebook

Facebook-Profile sind ein Schmelztiegel für strukturierte und unstrukturierte Daten: Freundeslisten, gelikte Seiten, beigetretene Gruppen. Um das Kundenerlebnis zu optimieren, setzt Facebook künstliche Intelligenz ein, um Verhaltensmuster einzelner Nutzer (auf der Facebook-Domain, aber auch online allgemein) zu erkennen und Angebote nach bestimmten Neigungen und Interessen anzubieten. Ihre Bemühungen zielen darauf ab, einen intelligenten Agenten zu entwickeln, der mit Benutzern interagieren und sofort wertvolle Informationen bereitstellen kann.

Betrachtet man Moores Theorie des exponentiellen Wachstums von Technologie und Wissen, können wir voraussagen, dass die Science-Fiction-Darstellungen der Zukunft tatsächlich vor der Tür stehen, insbesondere wenn wir die Komplexität der Ziele berücksichtigen. Obwohl es zahlreiche Probleme in Bezug auf die KI-Realisierung und ethische Rätsel in Bezug auf verschiedene Gespenster der KI gibt, sind die Fortschritte im Gange und werden viele positive Eigenschaften mit sich bringen. In der Geschäftswelt wird es Strategien ermöglichen, die auf einzelne Benutzer zugeschnitten sind – um deren Zufriedenheit und Gewinngenerierung für das Unternehmen zu steigern. Sie wird noch weitreichendere Folgen für Medizin, nachhaltiges Wirtschaften, Armutsbekämpfung und Bildung haben. Wir sollten nur hoffen, dass der Fortschritt immer seinen altruistischen Zwecken dient.