--- title: "Artificial Intelligence (AI)" canonical: "https://help.telegra.de/space/CCG/9561279823895/Artificial%20Intelligence%20(AI)" format: markdown --- ![image](media://c1cd9cb0-bc6a-474f-b7e9-9346325c1dae) **Artificial Intelligence** ist die englische Bezeichnung für **Künstliche Intelligenz** nutzt Computer und Maschinen, um die Problemlösungs- und Entscheidungsfähigkeiten des menschlichen Geistes nachzuahmen. --- ## Was ist künstliche Intelligenz? Während in den letzten Jahrzehnten eine Reihe von Definitionen von künstlicher Intelligenz (KI) aufgetaucht sind, bietet John McCarthy in [diesem Papier](https://www.csee.umbc.edu/courses/471/papers/turing.pdf) (PDF, 106 KB) aus dem Jahr 2004 die folgende Definition an: ***"Es ist die Wissenschaft und Technik, intelligente Maschinen zu bauen, insbesondere intelligente Computerprogramme. Sie ist verwandt mit der ähnlichen Aufgabe, Computer zu nutzen, um menschliche Intelligenz zu verstehen, aber KI muss sich nicht auf Methoden beschränken, die biologisch beobachtbar sind."*** Alan Turings Definition würde unter die Kategorie "Systeme, die wie Menschen handeln" fallen. In ihrer einfachsten Form ist künstliche Intelligenz ein Gebiet, das Informatik und robuste Datensätze kombiniert, um Problemlösungen zu ermöglichen. Sie umfasst auch die Teilbereiche des maschinellen Lernens und des Deep Learning, die häufig in Verbindung mit künstlicher Intelligenz genannt werden. Diese Disziplinen umfassen KI-Algorithmen, die darauf abzielen, Expertensysteme zu schaffen, die auf der Grundlage von Eingabedaten Vorhersagen oder Klassifizierungen vornehmen. --- ## Arten von künstlicher Intelligenz - schwache AI vs. starke AI Schwache KI - auch *Narrow AI *oder *Artificial Narrow Intelligence (ANI)* genannt - ist KI, die auf bestimmte Aufgaben trainiert und ausgerichtet ist. Schwache KI bestimmt den größten Teil der KI, die uns heute umgibt. “Narrow" (eng) wäre vielleicht eine genauere Beschreibung für diese Art von KI, denn sie ist alles andere als schwach; sie ermöglicht einige sehr robuste Anwendungen, wie Apples Siri, Amazons Alexa und autonome Fahrzeuge. Starke KI setzt sich aus *Artificial Genreal Intelligence (AGI)* und *Artificial Super Intelligence* (ASI) zusammen. *Artificial Genreal Intelligence (AGI)* oder allgemeine KI ist eine theoretische Form der KI, bei der eine Maschine eine dem Menschen gleichwertige Intelligenz besitzt; sie verfügt über ein Bewusstsein, das in der Lage ist, Probleme zu lösen, zu lernen und für die Zukunft zu planen. Künstliche Superintelligenz (ASI) - auch bekannt als Superintelligenz - würde die Intelligenz und die Fähigkeiten des menschlichen Gehirns übertreffen. Starke KI ist zwar immer noch rein theoretisch und ohne praktische Beispiele, aber das bedeutet nicht, dass KI-Forscher/innen nicht auch an ihrer Entwicklung arbeiten. In der Zwischenzeit sind die besten Beispiele für KI vielleicht in der Science-Fiction zu finden, wie z. B. *HAL 9000*, der übermenschliche Computerassistent in *2001: Odyssee im Weltraum*. --- ## Deep Learning vs. Machine Learning Da Deep Learning und maschinelles Lernen oft synonym verwendet werden, lohnt es sich, auf die Unterschiede zwischen den beiden Begriffen hinzuweisen. Wie bereits erwähnt, sind sowohl Deep Learning als auch maschinelles Lernen Teilgebiete der künstlichen Intelligenz, und Deep Learning ist eigentlich ein Teilgebiet des maschinellen Lernens. ![image](media://e4b9149f-281f-49f2-8055-cf491845323d) Deep Learning besteht eigentlich aus neuronalen Netzwerken. "Deep" in Deep Learning bezieht sich auf ein neuronales Netzwerk, das aus mehr als drei Schichten besteht - einschließlich der Eingänge und der Ausgänge - und als Deep Learning-Algorithmus betrachtet werden kann. Deep Learning und maschinelles Lernen unterscheiden sich darin, wie jeder Algorithmus lernt. Deep Learning automatisiert einen großen Teil der Merkmalsextraktion, wodurch ein Teil der manuellen Eingriffe entfällt und die Verwendung größerer Datensätze möglich wird. Du kannst dir Deep Learning als "skalierbares maschinelles Lernen" vorstellen, wie Lex Fridman in der oben erwähnten MIT-Vorlesung sagte. Klassisches oder "nicht-tiefes" maschinelles Lernen ist mehr auf menschliches Eingreifen angewiesen, um zu lernen. Menschliche Experten legen die Hierarchie der Merkmale fest, um die Unterschiede zwischen den Eingabedaten zu verstehen, was in der Regel mehr strukturierte Daten erfordert. Das "tiefe" maschinelle Lernen kann markierte Datensätze, auch bekannt als überwachtes Lernen, als Grundlage für seinen Algorithmus nutzen, benötigt aber nicht unbedingt einen markierten Datensatz. Es kann unstrukturierte Daten in ihrer Rohform aufnehmen (z. B. Text, Bilder) und automatisch die Hierarchie der Merkmale bestimmen, die verschiedene Datenkategorien voneinander unterscheiden. Anders als beim maschinellen Lernen ist für die Verarbeitung der Daten kein menschliches Eingreifen erforderlich, wodurch wir das maschinelle Lernen auf interessantere Weise skalieren können. --- ## Anwendungen der künstlichen Intelligenz Es gibt heute zahlreiche Anwendungen von KI-Systemen in der realen Welt. Im Folgenden sind einige der häufigsten Beispiele aufgeführt: **Spracherkennung:** Sie wird auch als Automatic speech Recognition (ASR), Computer-Spracherkennung oder Speech-to-Text (SST) bezeichnet und nutzt die Verarbeitung natürlicher Sprache (NLP), um menschliche Sprache in ein schriftliches Format zu übertragen. Viele mobile Geräte nutzen die Spracherkennung, um eine Sprachsuche durchzuführen oder um die Zugänglichkeit von Texten zu verbessern. **Kundenservice:** [Virtuelle Online-Agenten](https://www.telegra.de/voicebot/) ersetzen menschliche Agenten auf dem Weg zum Kunden. Sie beantworten häufig gestellte Fragen (FAQs), z. B. zum Versand, oder bieten persönliche Beratung, Cross-Selling von Produkten oder Größenvorschläge für Nutzer/innen. Beispiele sind Messaging Bots auf E-Commerce-Seiten mit virtuellen Agenten, Messaging-Apps wie Slack und Facebook Messenger und Aufgaben, die normalerweise von virtuellen Assistenten und Sprachassistenten übernommen werden. **Computer Vision:** Diese KI-Technologie ermöglicht es Computern und Systemen, aus digitalen Bildern, Videos und anderen visuellen Eingaben aussagekräftige Informationen abzuleiten und auf der Grundlage dieser Eingaben Maßnahmen zu ergreifen. Diese Fähigkeit, Empfehlungen zu geben, unterscheidet sie von Bilderkennungsaufgaben. Auf der Grundlage von neuronalen Faltungsnetzwerken findet die Computer Vision Anwendung beim Foto-Tagging in sozialen Medien, bei der radiologischen Bildgebung im Gesundheitswesen und bei selbstfahrenden Autos in der Autoindustrie. **Empfehlungsmaschinen:** Anhand von Daten über das bisherige Konsumverhalten können KI-Algorithmen helfen, Datentrends zu erkennen, die zur Entwicklung effektiverer Cross-Selling-Strategien genutzt werden können. Bei Online-Händlern werden den Kunden während des Bestellvorgangs relevante Zusatzangebote empfohlen. --- ## Geschichte der künstlichen Intelligenz: Wichtige Daten und Namen Die Idee einer "denkenden Maschine" geht auf das antike Griechenland zurück. Aber seit dem Aufkommen der elektronischen Datenverarbeitung sind wichtige Ereignisse und Meilensteine in der Entwicklung der künstlichen Intelligenz die folgenden: - **1950: **Alan Turing veröffentlicht "Computing Machinery and Intelligence". Darin schlägt Turing - berühmt für das Knacken des ENIGMA-Codes der Nazis im Zweiten Weltkrieg - vor, die Frage "Können Maschinen denken?" zu beantworten und führt den Turing-Test ein, um festzustellen, ob ein Computer die gleiche Intelligenz (oder die Ergebnisse der gleichen Intelligenz) wie ein Mensch zeigen kann. Seitdem wird über den Wert des Turing-Tests debattiert. - **1956:** John McCarthy prägt den Begriff "künstliche Intelligenz" auf der allerersten KI-Konferenz am Dartmouth College. Im selben Jahr entwickeln Allen Newell, J.C. Shaw und Herbert Simon den Logic Theorist, das erste laufende KI-Programm. - **1967:** Frank Rosenblatt baut den Mark 1 Perceptron, den ersten Computer, der auf einem neuronalen Netzwerk basiert und durch Versuch und Irrtum "lernt". Nur ein Jahr später veröffentlichen Marvin Minsky und Seymour Papert ein Buch mit dem Titel Perceptrons, das zum Meilenstein der neuronalen Netze wird, aber auch ein Argument gegen zukünftige Forschungsprojekte zu neuronalen Netzen darstellt. - **1980(er):** Neuronale Netze, die einen Backpropagation-Algorithmus verwenden, um sich selbst zu trainieren, werden in vielen KI-Anwendungen eingesetzt. - **1997:** Deep Blue von IBM besiegt den damaligen Schachweltmeister Garri Kasparow in einem Schachmatch (und Rückkampf). - **2011:** IBM Watson besiegt die Champions Ken Jennings und Brad Rutter bei Jeopardy! - **2015:** Baidus Supercomputer Minwa verwendet eine spezielle Art von tiefem neuronalem Netzwerk, ein sogenanntes Convolutional Neural Network, um Bilder mit einer höheren Genauigkeit zu identifizieren und zu kategorisieren als der durchschnittliche Mensch. - **2016:** Das DeepMind-Programm AlphaGo, das von einem tiefen neuronalen Netzwerk angetrieben wird, besiegt Lee Sodol, den Go-Weltmeister, in einem Spiel mit fünf Partien. Der Sieg ist angesichts der riesigen Anzahl möglicher Züge im Laufe des Spiels (über 14,5 Billionen nach nur vier Zügen!) von Bedeutung. Später kaufte Google DeepMind für angeblich 400 Millionen USD.