Obwohl Künstliche Intelligenz schon in vielen Feldern zur Anwendung kommt und einen großen Nutzen bringt, wird auch weiterhin viel Arbeit in die Forschung und Entwicklung von neuen Machine Learning Lösungen gesteckt. Diese größeren und kleineren Fortschritte sind nicht nur sehr zahlreich, sondern erscheinen auch in immer kleineren Abständen. Die Beiträge in diesem Kapitel sollen Dir den Weg durch diesen Dschungel von wissenschaftlichen Papern und Veröffentlichungen ersparen. Wir erklären Dir die wichtigsten Veröffentlichungen und Machine Learning Modelle und versuchen einzuordnen, welche bestehenden Probleme sich damit lösen lassen und wie sie genutzt werden können:
Einige unserer Beiträge im Bereich Künstliche Intelligenz Blog
Was ist Collaborative Filtering?
Erschließen Sie Empfehlungen mit Collaborative Filtering. Entdecken Sie, wie diese leistungsstarke Technik das Nutzererlebnis verbessert.
Was ist Quantencomputing?
Tauchen Sie ein in das Quantencomputing. Entdecken Sie die Zukunft des Rechnens und sein transformatives Potenzial.
Was ist die Anomalieerkennung?
Entdecken Sie effektive Techniken zur Anomalieerkennung. Erkennen Sie Ausreißer und ungewöhnliche Muster, um bessere Einblicke zu erhalten.
Was ist das T5-Model?
Entdecken Sie die Leistungsfähigkeit des T5-Modells für NLP-Aufgaben - lernen Sie die Implementierung in Python und Architektur kennen.
Was ist MLOps?
Entdecken Sie MLOps und erfahren Sie, wie es den Einsatz von maschinellem Lernen revolutioniert. Erkunden Sie die wichtigsten Konzepte.
Machine Learning Ausblick
Neben den spannenden technischen Entwicklungen im Bereich von Machine Learning soll diese Rubrik auch dazu dienen, einen Blick darüber hinaus zu wagen. Und nein, wir meinen damit nicht Aussagen wie: “Was passiert, wenn Roboter die Macht übernehmen und Künstliche Intelligenz schlauer wird als Menschen?”. Es soll vielmehr um konkrete Fragestellungen gehen, zu denen wir als KI-Entwickler und Gesellschaft Antworten finden müssen:
- Wie gehen wir mit der Datenflut an persönlichen Informationen um?
- Was machen wir mit Neuronalen Netzwerken, die perfekte Vorhersagen treffen können, aber deren Verhalten und Beweggründe wir nicht erklären können?
- Wie gehen wir damit um, wenn ein Algorithmus nachweisbar rassistische oder diskriminierende Entscheidungen trifft, weil er das aus Vergangenheitsdaten gelernt hat?
- Wie schaffen wir es faire Machine Learning Modelle zu bauen und woran messen wir diese Fairness?
- Wollen wir zukünftige Entscheidungen auf Strukturen basieren, die wir in der Vergangenheit entdeckt haben?
Es wird auch darum gehen, Gesetze für Künstliche Intelligenz zu definieren, so wie es beispielsweise Kanada schon getan hat.
Zusammenfassung
Diese Rubrik umfasst alle Beiträge, die über die reinen technischen Modelle und die Grundlagen dazu hinausgehen. Neben den neuesten Erkenntnissen in diesem Feld, sollen auch gesellschaftliche Auswirkungen und Problematiken thematisiert werden.