Was ist KI (Künstliche Intelligenz)?
Was ist maschinelles Lernen?
Was ist ein künstliches neuronales Netzwerk?

Was bedeutet das alles, wenn im Internet von „KI“, „Künstliche Intelligenz“, „maschinelles Lernen“ und „Künstliche Neuronale Netze“ die Rede ist? Markzware bemerkte ein schönes „Einführung in die KI," präsentiert von DougRose, Data Science Trainer & Agility Coach bei Doug Enterprises, LLC und Autor bei LinkedIn.

Wer sich für künstliche Intelligenz interessiert, sollte sich Dougs Lernkurs ansehen, indem er darauf klickt werden auf dieser Seite erläutert. Folgende grundlegender Zusammenbruch der KI kann Ihnen (neben vielen anderen) eine Vorstellung von Themen geben, zu denen LinkedIn Learning Instructor, DougRose, kann Sie und die Mitglieder Ihrer Organisation weiterbilden.

Was ist Intelligenz?

Da sind viele Arten von Intelligenz und jeder hat sein eigene intelligente Fähigkeiten. Einzelpersonen sind mehr oder weniger geschickt darin, es zu meistern verschiedene Fähigkeiten. Jemand, der sich mit der Fertigstellung auskennt Kreuzworträtsel sind möglicherweise nicht so geschickt im Zusammensetzen von Puzzles. Jemand, der Kreuzworträtsel nicht einfach lösen kann, könnte es vielleicht schaffen Puzzles in Rekordzeit.

Sind Computer intelligent?

Computer zeichnen sich dadurch aus passende festgelegte Regeln und Muster. Manche Menschen halten Computer möglicherweise für intelligent oder sehen etwas anderes digitale Geräte oder Anwendungen als intelligent. 

Google hat einen Ingenieur entlassen, der behauptete, a Chatbot hatte eine Seele, nachdem der Chatbot, der wie eine Person klingen sollte, mitteilte, dass er den Tod mit dem Abschalten gleichsetze. War eigentlich der Chatbot intelligent bzw Habe es einfach gemacht zu sein scheinen intelligent?

Computer vs. menschliche Intelligenz

Computer und Menschen haben unterschiedliche Ursprünge der Intelligenzherunterzuladen. Ein Computer könnte besser sein bei der Bewältigung einer bestimmten Aufgabe besser als ein Mensch. In einigen Fällen, a Computer kann weit übertreffen ein Mensch mit der Fähigkeit, eine bestimmte Aufgabe zu bewältigen. 

In den 1960er Jahren lernten Computer dies Gewinnen Sie, wenn Sie Dame gegen Menschen spielen. Doch diese Computer verstand nicht warum das Spiel gespielt wurde oder warum sie es gespielt haben.

Was ist KI (Künstliche Intelligenz)?

Informatiker beschreiben KI oft als ein System, das demonstriert Verhalten, das als Intelligenz wahrgenommen wird. KI-Systeme können Verarbeiten Sie schnell eine Menge Daten und finden Sie Muster, beides kann für den Menschen schwer fassbar sein. In den frühen Tagen der KI gab es Systeme, die Symbole erkannten schien intelligent zu sein. 

Diese KI-Systeme wurden „Expertensysteme„, weil Programmierer Experten konsultierten, um die Systeme zu erstellen. Programmierer versuchten, Intelligenz über Symbole in die generierten Systeme zu programmieren übermäßige Kombinationen in den Antworten, so dass die Systeme abgekündigt wurden.

Maschinelles lernen

Maschinelles Lernen ist eine Reihe von Techniken zum Aufbau von Systemen, die durch Beobachtung von Daten lernen. Nachdem die Expertensysteme versagt hatten, begannen Programmierer, ein System zu entwickeln, das dies konnte Daten wahrnehmen, ohne die fünf human Sinne und seine Intelligenz durch eigene Beobachtung steigern. 

Arthur Samuel, ein Informatiker, entwickelte a Dameprogramm im Jahr 1959, das habe ich im Solospiel gelernt. Es übernahm dabei beide Rollen des Brettspielers Lernstrategie durch Beobachtung. Da Computer festgelegte Regeln und Muster gut abgleichen, stimmte die Maschine mit Gewinnmustern überein erhöhte seine Intelligenz durch wiederholtes Spielen.

Die Maschine könnte dann Lernen durch direkte Beobachtung, ohne jegliche Programmierung durch Menschen. Arthur Samuel beschrieb diesen Durchbruch als „Maschinelles Lernen" 

Eine ältere Version eines Apple Macintosh-Computers

Eine neuere Version eines Apple Macintosh-Computers

Mit neuen Strategien erlernt, die Die Maschine begann bald zu gewinnen gegen seinen Programmierer. Allerdings standen damals weniger digitale Daten zur Verfügung, die die Maschine erfassen konnte nur Grundmuster gefunden.

Über das Internet im Anfang der 90er Jahre, jeder könnte Daten generieren, also maschinelles Lernen Systeme steigerten ihre Intelligenz. Mit zahlreichen Webbildern, Systeme könnten lernen, zu erkennen eine Vielzahl von Dingen.

Informatiker haben erfunden mehr Algorithmen für maschinelles Lernen. Forscher entwickelten Systeme, um Gehirnfunktionen nachahmen. 

Je mehr Daten generiert wurden, desto mehr mehr Möglichkeiten für maschinelles Lernen aufgetaucht. Maschinen könnten Neue Muster entdecken und anpassen neue Daten zu verarbeiten, obwohl sie weiterhin lediglich Muster finden würden. 

Aufgrund der Fülle an Daten und Algorithmen-Fortschritten in den letzten Jahren hat sich maschinelles Lernen zu einem der Schlüsselthemen entwickelt beliebtesten und sich am schnellsten entwickelnden KI-Bereiche. In den meisten Fällen können KI-Systeme Ihre Daten akzeptieren, darin nach Regeln und Mustern suchen und die Ergebnisse melden an Ihre Organisation.

IoT-Geräte

Viele digitale Geräte Verbinden Sie sich, um mit der Welt und untereinander zu kommunizieren. Dies ist als bekannt Internet der Dinge (IoT) und eine Fülle von IoT-Unternehmen zahlen Goldmünzen für ihre KI-Systeme.

Es gibt zahlreiche IoT-Geräte, die über Sensoren verfügen, die Daten extern, beispielsweise an das Internet, weitergeben. Sie können Tragen Sie eines oder mehrere dieser Geräte (z. B. einen Schrittzähler oder eine Smartwatch) oder sogar implantieren lassen (vielleicht einen Herzmonitor).

IoT-Geräte können Verfolgen Sie Ihr Online- und Offline-Verhalten. Sie können ihre Standorte melden und Identifizieren Sie Ihre Reisemuster, einschließlich wohin und zu wem Sie reisen. 

Ihre Smartwatch kann es Ihnen sagen Smart Home zum Einschalten des Lichts, lassen Sie die Kaffeemaschine laufen und stellen Sie den Thermostat ein. Mindestens einmal hat ein Alexa-Assistent-Gerät offenbar Empfehlungen zu einer Amazon-Empfehlungsliste hinzugefügt „Abhören“ der Gespräche seines Besitzers.

Ringmarke Türklingeln sammeln Informationen über Menschen die an ihnen vorbeigehen. Dies ermöglicht eine Gesichtserkennung, die a unterstützt Überwachungssystem Wird von Strafverfolgungsbehörden zur Ortung von Personen verwendet.

IoT Medizinprodukte sind ein wachsender KI-Bereich. Eine Smartwatch kann Ihre Herzfrequenz überwachen und gesundheitliche Bedenken melden. 

Apple und andere Unternehmen nutzen dazu ein Netzwerk mit Millionen von Teilnehmern Erforschen Sie EKG-Muster. Anschließend identifizieren sie Muster dazu gesundheitliche Probleme vorhersehen.

Vorhersehbare Muster Die durch das IoT bestimmte Situation kann einen großen Teil der Bevölkerung betreffen. Sie könnten eine erhalten lokale Benachrichtigung über eine Gesundheitsgefahr, auf Ihrem Smartphone.

Digital Maschinelles Lernen auf IoT-Geräten kann gefördert werden zu die physikalisch Welt. Organisationen können die über Ihre Standorte und Bedürfnisse gesammelten Daten nutzen, um Produkte an Sie verkaufen.

Algorithmen für maschinelles Lernen

Es gibt viele Algorithmen für maschinelles Lernen. Da die meisten Algorithmen auf Statistiken basieren, können Organisationen Daten als Werkzeug zur Durchführung einer Aufgabe nutzen neue Funktion.

Eine Organisation kann Algorithmen verwenden, um sein System trainieren zur binären Klassifikation. Die Kundendaten können in verwendet werden überwachtes maschinelles Lernen Kunden zu klassifizieren und zu Kampagnen erstellen. 

Binäre Klassifizierung klassifiziert Daten wie eine Kundenliste in zwei Gruppen. Nachdem die Kunden in die Gruppen aufgeteilt wurden, unbeaufsichtigtes maschinelles Lernen kann Arten von Ad-Respondern aufdecken.

Die Daten zu Ad-Respondern könnten sein in Cluster unterteilt, einschließlich konsistenter Ad-Responder (ein Cluster mit potenziell höherem ROI). Die Organisation könnte dann den Algorithmus anpassen, also Werbeaktionen können individuell angepasst werden für konsistente Ad-Responder und für höheren Gewinn. 

Die meisten dieser Algorithmen sind in enthalten Software-Toolkits für maschinelles Lernen. Organisationen möchten möglicherweise dies überprüfen Vor-und Nachteile jedes maschinellen Lernalgorithmus, den sie in Betracht ziehen könnten.

Ist es kraftvoll und genau? Wird es verwendet? beaufsichtigt oder unbeaufsichtigt Lernen oder beides? Welches ist besser? Klassifizieren und/oder Clustern? Ihre Organisation könnte es gebrauchen mehrere Algorithmen kreativ, um die nützlichsten Daten zu erhalten. 

Künstliche neuronale Netz

Haben zu viele Daten für maschinelle Lernalgorithmen zur Verarbeitung? Ihre Organisation möchte möglicherweise ein neuronales Netzwerk aufbauen. 

Ein künstliches neuronale Netzwerk ist eine (normalerweise überwachte) Methode des maschinellen Lernens, die ein gehirnimitierendes Framework verwendet, um riesige Datensätze zu zerlegen. Dieses Netzwerk hat Neuronen in Schichten angeordnet (Eingabeebene, ausgeblendete Ebenen und Ausgabeebene), die sich von links nach rechts bewegen. 

Ein künstliches neuronales Netz teilt Daten in kleinere Teile auf als maschinelle Lernalgorithmen. Ihre Organisation kann das Netzwerk trainieren und davon profitieren, wenn es den Input genau widerspiegelt und dann arbeitet daran, sich selbst zu perfektionieren.

Das mehr versteckte Schichten Je mehr Informationen das Netzwerk hat, desto einfacher ist es für das Netzwerk, komplizierte Muster zu erkennen. A tiefe Lernen Ein künstliches neuronales Netzwerk verfügt über viele verborgene Schichten, sodass es mehrere Schichten aufweist tiefherunterzuladen. Ein Feedforward neuronales Netzwerk verfügt über Daten, die sich von links nach rechts durch die Ebenen bewegen.

Beispiel für ein künstliches neuronales Netzwerk

Nehmen wir an, Sie möchten es wissen ob ein Bild eine Katze enthält. Ein künstliches neuronales Netzwerk kann das melden, wenn man a binäre Klassifikation von „Katze oder nicht Katze“, um das Bild aus der Eingabeebene in „Katze“ oder „keine Katze“ zu klassifizieren. 

Das Image wird über die Eingabeschicht eingeführt. Die Einteilung in Katze oder Nicht-Katze ist die Möglichkeiten für das Ausgangssignal:. 

Eine Maschine interpretiert ein Bild als Datensatz (oder ein Pixelsatz)., in diesem Beispiel). Pixel sind Farbpunkte und unterschiedliche Helligkeits-/Kontraststufen im Bild. 

Wenn das Bild hat 50 Pixel Höhe x 50 Pixel Breite, das Bild hat 1250 Pixel (Datenpunkte). Das wären 1250 Pixel in die Eingabeschicht eingespeist des neuronalen Netzwerks. 

Also die Eingabeebene verfügt über 1250 Neuronen, von denen jedes eine Nummer hat, die auf der Pixelfarbe basiert. Jedes Neuron in der verborgenen Schicht hat eine Aktivierungsfunktion wie ein kleiner Eingang, durch den das Neuron Daten an die nächste verborgene Schicht senden kann oder nicht.

Die jeweils verborgenen Schichten Leiten Sie die Pixeldaten weiter zur nächsten verborgenen Ebene. Die beiden Neuronen in der Ausgabeschicht haben jeweils eine Wahrscheinlichkeitswert. 

Da das Netzwerk aufgefordert wurde, eine binäre Klassifizierung zu verarbeiten, wurde die Ausgabeschicht enthält zwei Knoten, „cat“ oder „not cat“. Das ist ein "Feedforward neuronales Netzwerk„, weil sich die Pixeldaten von links nach rechts durch die Ebenen bewegten.

Verwendung von KI-Systemen und KI-Tools

KI-Systeme sind wird jetzt gebaut um komplizierte Probleme für Organisationen zu lösen. Sie könnten Hilfe Wir koordinieren den Versand Organisation.

Die meisten Menschen, die mit KI-Systemen arbeiten, sind es keine ausgebildeten Data-Science-Experten, aber vielleicht hast du es schon versucht ChatGPToder ein anderes KI-Tool. Wenn Sie es noch nicht getan haben, möchten Sie vielleicht mehr über KI lernen, indem Sie einige KI-Tools verwenden, wie zum Beispiel die in diesem großartigen (und ausführlichen) erwähnten. Liste der KI-Tools von Jeff Foster, Direktor bei Sound Visions Media.

Für den Erfolg, ein KI-System erfordert:
- effektives Management, Aufsicht und Leitung
- Qualitätseingang mit genauen, realen Daten
- Geduld, damit das System experimentieren und gleichzeitig die besten Ergebnisse ermitteln kann

Wie könnte Ihre Organisation mit KI arbeiten? Es könnte helfen Listen Sie Ihre organisatorischen Probleme auf das muss gelöst werden und wie das System sie lösen soll. Welche Art von DatenMöchten Sie beispielsweise Kundeninformationen zum Nutzen Ihres Unternehmens sammeln? Welche Art von Problemen Möchten Sie das durch eine KI-Karriere lösen?

Die Zukunft der KI

Das weitere Wachstum der Daten erhöht die Chancen der KI zukünftiger Erfolg. Wie werden die Daten verwendet?, jetzt, wo Unternehmen immer mehr davon sammeln?

Eine Organisation basierend auf a Platz setzen (Online-Shop oder Suchunternehmen) könnten von einem KI-System profitieren. Wenn eine Organisation handelt Aufgaben, die von Computern problemlos erledigt werden können, es wird wahrscheinlich von KI beeinflusst werden.

IoT-Geräte und KI ermöglichen es Unternehmen, solche Systeme zu entwickeln menschliches Verhalten vorhersagen. Da KI neue Muster meldet, Organisationen können schnell handeln um Kampagnen zu erstellen, die auf der Grundlage dieses Verhaltens einen ROI erzielen können.

Die Chancen stehen gut du wirst bald mit einem KI-System arbeiten. Software-Engineering-Manager Von ihnen wird wahrscheinlich bald, wenn nicht schon jetzt, erwartet, dass sie Ziele setzen, Ergebnisse analysieren und KI-Berichte bereitstellen.

KI vereinfacht die Datengenerierung, aber Die Analyse dieser Daten ist schwierigerDaher ist die Datenanalyse ein wachsender Berufszweig im Bereich KI. Wenn du möchte im KI-Bereich arbeitenMöglicherweise möchten Sie sich bei Organisationen bewerben, die einen Datensatzabgleich oder einen Datenregelabgleich benötigen.

Es kann einige Zeit dauern, sich an KI-Systeme zu gewöhnen, die voraussichtlich bald verfügbar sein werden menschlicher werden-wie. Dennoch werden erfolgreiche KI-Systeme dies tun Ergänzungnicht ausgeschnitten, menschliche Kreativität. 

PDF- und DTP-Lösungen für KI-Kreative und Content-Ersteller

Markzware Angebote vertrauenswürdig Lösungen Für KI-gestützte Kreative und Content-Ersteller zur Vorschau, Vorabprüfung, zum Export und zur Konvertierung von PDF- und Desktop-Publishing-Dokumenten. Um die neuesten Nachrichten zu erhalten Markzware Für Neuigkeiten zu Produkten und der Druckindustrie, abonnieren Sie uns! Mailing-Liste und folgen Markzware on LinkedIn, YouTube, Facebook, und andere Social-Media-Websites. 

Quellen

„Einführung in die KI“, von Doug Rose, Data Science Trainer und Agility Coach bei Doug Enterprises, LLC / Autor bei LinkedIn, 15. März 2023, https://www.linkedin.com/learning/introduction-to-artificial-intelligence/why-you-need-to-know-about-artificial-intelligence

„KI-Tools: Die Liste, die Sie jetzt brauchen!“ von Jeff Foster, Principal bei Sound Visions Media, soundvisionsmedia.com, Aktualisierung vom 12. September 2023, https://www.provideocoalition.com/ai-tools-the-list-you-need-now/

Was ist KI? Künstliche Intelligenz? Maschinelles Lernen? Neurales Netzwerk?