Kapitel 23

Der Aufstieg der künstlichen Intelligenz und des maschinellen Lernens

Das Jahrzehnt 2010–2020 war geprägt von einer außergewöhnlichen Beschleunigung im Bereich künstliche Intelligenz (KI) und maschinelles Lernen (ML) . Dank einer Kombination aus technologischen und methodischen Faktoren haben diese Disziplinen erhebliche Fortschritte gemacht und sind von Zukunftsversprechen zu konkreten Realitäten mit Anwendungen in verschiedenen Sektoren übergegangen.

23.1 Definition und Schlüsselkonzepte:
Maschinen das Lernen beibringen

Künstliche Intelligenz (KI) ist ein Bereich der Informatik, der sich mit dem Entwurf und der Entwicklung von Systemen befasst, die in der Lage sind, menschliche Intelligenz zu simulieren, wie z. B. die Fähigkeit zu lernen, zu schlussfolgern, Probleme zu lösen und die Umgebung wahrzunehmen. Maschinelles Lernen (ML) ist eine Teilmenge der KI, die sich auf die Entwicklung von Algorithmen konzentriert, die es Computern ermöglichen, aus Daten zu lernen, ohne explizit programmiert zu werden.

Zu den Schlüsselkonzepten des maschinellen Lernens gehören:

• Algorithmen: Sind Regelsätze oder Anweisungen, denen ein Computer folgt, um ein Problem zu lösen oder eine Aufgabe auszuführen. In ML werden Algorithmen entwickelt, um Muster und Beziehungen in Daten zu identifizieren.
• Daten: Sie sind das Rohmaterial des maschinellen Lernens. Große Datenmengen (oft „Big Data“ genannt) werden zum „Trainieren“ von ML-Modellen verwendet.
• Training: Es ist der Prozess, durch den ein ML-Algorithmus Daten analysiert und lernt, Vorhersagen zu treffen oder Entscheidungen zu treffen.
• Schlussfolgerung: Dies ist die Phase, in der das trainierte Modell verwendet wird, um Vorhersagen oder Entscheidungen zu neuen Daten zu treffen, die es während des Trainings nicht gesehen hat.

Es gibt verschiedene Arten des maschinellen Lernens:

• Überwachtes Lernen: Der Algorithmus lernt aus gelabelten Daten, also Daten, in denen die richtige Antwort bereits bekannt ist. Das Ziel besteht darin, dass der Algorithmus lernt, Eingaben den richtigen Ausgaben zuzuordnen.
• Unüberwachtes Lernen: Der Algorithmus lernt aus unbeschrifteten Daten und sucht nach versteckten Mustern und Strukturen in den Daten.
• Reinforcement Learning: Der Algorithmus lernt, indem er mit einer Umgebung interagiert und auf der Grundlage seiner Aktionen „Belohnungen“ oder „Strafen“ erhält. Das Ziel besteht darin, dass der Algorithmus lernt, Entscheidungen zu treffen, die die Belohnung im Laufe der Zeit maximieren.

23.2 Die Schlüsselfaktoren des Aufstiegs:
Der perfekte technologische Sturm

Mehrere Faktoren trugen zum raschen Anstieg von KI und ML im Jahrzehnt 2010–2020 bei:

• Erhöhte Rechenleistung (GPU): Fortschritte in der Hardware, insbesondere bei der Entwicklung von immer leistungsfähigeren und effizienteren GPUs (Graphics Processing Units) , stellten die erforderliche Rechenleistung bereit, um komplexe KI-Modelle wie tiefe neuronale Netze zu trainieren. GPUs, die ursprünglich für die Grafik von Videospielen entwickelt wurden, erwiesen sich als gut geeignet für die parallelen Rechenvorgänge, die zum Trainieren dieser Modelle erforderlich sind.

• Verfügbarkeit von Big Data: Die Explosion der durch das Internet, soziale Medien, Sensoren, Mobilgeräte und andere Quellen generierten Daten lieferte die große Datenmenge, die zum Trainieren effektiver Modelle für maschinelles Lernen erforderlich ist. Ohne ausreichende Daten fällt es selbst den ausgefeiltesten Algorithmen schwer, aussagekräftige Muster zu lernen.
• Fortschritte bei Algorithmen: Parallel zur Steigerung der Rechenleistung und Datenverfügbarkeit gab es wichtige Fortschritte bei der Entwicklung von KI- und ML-Algorithmen, insbesondere im Bereich Deep Learning und neuronale Netze .

23.3 Wichtige Entwicklungen und Durchbrüche:
Meilensteine ​​der modernen KI

Das Jahrzehnt 2010–2020 war voller wichtiger Entwicklungen und Entdeckungen, die den Bereich der KI voranbrachten:

• Deep Learning und neuronale Netze: Deep Learning ist ein Zweig des maschinellen Lernens, der neuronale Netze mit mehreren Schichten (daher der Begriff „tief“) verwendet, um Daten zu analysieren. Diese Netzwerke sind in der Lage, komplexe Darstellungen von Daten zu erlernen, was sie besonders effektiv für Aufgaben wie Bilderkennung, Verarbeitung natürlicher Sprache und Spracherkennung macht.
• Bilderkennung: Die Bilderkennungsfunktionen haben dank Deep Learning enorme Fortschritte gemacht. KI-Systeme konnten Objekte, Personen und Szenen in Bildern mit einer Genauigkeit identifizieren, die oft die von Menschen übertraf. Dies führte zu Anwendungen wie Gesichtserkennung , Objekterkennung in Video und Technologien für autonomes Fahren .
• Verarbeitung natürlicher Sprache (NLP): Die Verarbeitung natürlicher Sprache (NLP) machte große Fortschritte und ermöglichte es Maschinen, menschliche Sprache zu verstehen, zu interpretieren und zu erzeugen. Dies führte zu erheblichen Verbesserungen bei maschinellen Übersetzern , Chatbots und virtuellen Assistenten .
• ​​​​ Spracherkennung: Die Genauigkeit von Spracherkennungssystemen hat sich erheblich verbessert, wodurch Sprachinteraktionen mit digitalen Geräten flüssiger und zuverlässiger werden. Dies war grundlegend für den Erfolg virtueller Assistenten und Sprachsteuerungssysteme.
• Reinforcement Learning: Reinforcement Learning zeigte sein Potenzial in Bereichen wie Spielen (z. B. besiegte DeepMinds AlphaGo -Programm die besten menschlichen Go-Spieler) und Robotik, wo KI-Agenten durch Versuch und Irrtum lernten, optimale Aktionen in einer Umgebung auszuführen und Feedback in Form von Belohnungen zu erhalten.