Eine Kostenlose Online-Einführung In Die Künstliche Intelligenz Für Nichtfachleute
Angesichts der rasanten Fortschritte bei der KI für die Bildanalyse ist es wahrscheinlich, dass die meisten radiologischen und pathologischen Bilder irgendwann von einer Maschine untersucht werden. Sprach- und Texterkennung werden bereits für Aufgaben wie Patientenkommunikation und die Erfassung klinischer Notizen eingesetzt, und ihr Einsatz wird weiter zunehmen. Viele Organisationen des Gesundheitswesens haben Probleme mit der Implementierung von KI. künstliche intelligenz workshop
Die Regierung war vor allem an einer Maschine interessiert, die gesprochene Sprache transkribieren und übersetzen konnte, sowie an einer Datenverarbeitung mit hohem Durchsatz. In jüngster Zeit hat Watson von IBM in den Medien große Aufmerksamkeit erregt, weil es sich auf die Präzisionsmedizin konzentriert, insbesondere auf die Krebsdiagnose und -behandlung. Watson setzt eine Kombination aus maschinellem Lernen und NLP-Fähigkeiten ein. Die meisten Beobachter sind der Meinung, dass die Watson-APIs technisch leistungsfähig sind, aber die Übernahme der Krebsbehandlung war ein zu ehrgeiziges Ziel. Watson und andere firmeneigene Programme haben auch unter dem Wettbewerb mit kostenlosen Open-Source-Programmen einiger Anbieter, wie z.
Die Algorithmen der künstlichen Intelligenz werden auch dazu dienen, die Diagnose im Laufe der Zeit weiter zu verbessern, und zwar durch eine Anwendung des maschinellen Lernens, die als Präzisionsmedizin bezeichnet wird. Darüber hinaus kann die enge Anwendung der künstlichen Intelligenz das „Deep Learning“ nutzen, um die medizinische Bildanalyse zu verbessern. In der radiologischen Bildgebung nutzt die KI Deep-Learning-Algorithmen, um potenziell krebserregende Läsionen zu identifizieren, was ein wichtiger Prozess zur Unterstützung der Frühdiagnose ist. Schnellere Computer, algorithmische Verbesserungen und der Zugang zu großen Datenmengen ermöglichten Fortschritte beim maschinellen Lernen und bei der Wahrnehmung; datenintensive Deep-Learning-Methoden begannen um 2012 herum, die Genauigkeits-Benchmarks zu dominieren. 2015 war laut Jack Clark von Bloomberg ein wegweisendes Jahr für die künstliche Intelligenz: Die Zahl der Softwareprojekte, die KI innerhalb von Google nutzen, stieg von einer „sporadischen Nutzung“ im Jahr 2012 auf mehr als 2.700 Projekte. Er führt dies auf eine Zunahme erschwinglicher neuronaler Netze zurück, die auf eine wachsende Cloud-Computing-Infrastruktur sowie auf eine Zunahme von Forschungstools und Datensätzen zurückzuführen ist.
In der Neuzeit wurde der Begriff der künstlichen Intelligenz 1955 von John McCarthy geprägt. Im Jahr 1956 organisierten McCarthy und andere eine Konferenz mit dem Titel „Dartmouth Summer Research Project on Artificial Intelligence“. Diese Anfänge führten zur Entwicklung des maschinellen Lernens, des Deep Learning, der prädiktiven Analytik und jetzt der präskriptiven Analytik.
Deep Learning hat die Leistung von Programmen in vielen wichtigen Teilbereichen der künstlichen Intelligenz wie Computersehen, Spracherkennung, Bildklassifizierung und anderen drastisch verbessert. Zahlreiche akademische Forscher waren besorgt darüber, dass die KI nicht mehr das ursprüngliche Ziel verfolgte, vielseitige, voll intelligente Maschinen zu schaffen. Ein Großteil der aktuellen Forschung befasst sich mit statistischer KI, die überwiegend zur Lösung spezifischer Probleme eingesetzt wird, selbst bei sehr erfolgreichen Techniken wie Deep Learning. Aus dieser Sorge heraus entstand das Teilgebiet der allgemeinen künstlichen Intelligenz (oder „AGI“), das in den 2010er Jahren mehrere gut finanzierte Einrichtungen hatte. Wir leben heute im Zeitalter von „Big Data“, einem Zeitalter, in dem wir in der Lage sind, riesige Mengen an Informationen zu sammeln, die für einen Menschen zu schwerfällig sind, um sie zu verarbeiten.
Doch die Entwicklung und Nutzung der neuen Technologien ist nicht ohne technische Herausforderungen und Risiken. Maschinelles Lernen wird häufig in Systemen eingesetzt, die große Datenmengen erfassen. Intelligente Energiemanagementsysteme beispielsweise sammeln Daten von Sensoren, die an verschiedenen Anlagen angebracht sind.
Um diese Probleme zu lösen, haben KI-Forscher eine breite Palette von Problemlösungstechniken adaptiert und integriert, darunter Suche und mathematische Optimierung, formale Logik, künstliche neuronale Netze und Methoden auf der Grundlage von Statistik, Wahrscheinlichkeit und Wirtschaft. Die KI stützt sich auch auf die Informatik, Psychologie, Linguistik, Philosophie und viele andere Bereiche. Sind die Menschen von der Möglichkeit fasziniert, Maschinen zu schaffen, die das menschliche Gehirn nachahmen.
Trotz potenzieller Risiken gibt es derzeit nur wenige Vorschriften für den Einsatz von KI-Tools, und wo es Gesetze gibt, beziehen sie sich in der Regel indirekt auf KI. Wie bereits erwähnt, sind Finanzinstitute nach den Fair-Lending-Vorschriften der Vereinigten Staaten beispielsweise verpflichtet, potenziellen Kunden Kreditentscheidungen zu erläutern. Dies schränkt das Ausmaß ein, in dem Kreditgeber Deep-Learning-Algorithmen verwenden künstliche intelligenz workshop, die von Natur aus undurchsichtig sind und nicht erklärt werden können. Jeder, der maschinelles Lernen als Teil von realen, produktiven Systemen nutzen möchte, muss ethische Aspekte in seine KI-Trainingsprozesse einbeziehen und sich bemühen, Voreingenommenheit zu vermeiden. Dies gilt insbesondere für den Einsatz von KI-Algorithmen, die bei Deep Learning und generativen adversarischen Netzwerken von Natur aus unerklärlich sind.
Deep Learning und maschinelles Lernen unterscheiden sich in der Art und Weise, wie jeder Algorithmus lernt. Die Datenanalyse ist eine grundlegende Eigenschaft der künstlichen Intelligenz, die es ihr ermöglicht, in allen Bereichen des Lebens eingesetzt zu werden, von Suchergebnissen bis hin zur Art und Weise, wie Menschen Produkte kaufen. Nach Angaben von NewVantage Partners investieren über 90 % der führenden Unternehmen kontinuierlich in künstliche Intelligenz. Laut IBM, einem der weltweit führenden Technologieunternehmen, haben 45 % der Befragten aus Unternehmen mit mehr als 1.000 Mitarbeitern KI eingeführt.
