Page 208 - Handbuch Digitalisierung (2. Ausgabe)

Kapitel 3.7 / Künstliche Intelligenz HANDBUCH DIGITALISIERUNG Entwicklung und die Fähigkeiten der digita- len sind sehr begrenzt. Wir haben es bei KI eben noch nicht mit echter Intelligenz zu tun, sondern mit Programmen, die auf Grundla- ge vorgegebener Algorithmen so etwas wie menschliche Intelligenz simulieren und de- ren Stärke darin besteht, große Datenmengen schnell verarbeiten zu können, und darin, z. B. Zusammenhänge zu erkennen. Die steigen- de Leistungsfähigkeit der Computersysteme ermöglicht nun aber schon neuronale Netze, die selber lernen und sich und ihre Methoden optimieren können – die KI lernt sozusagen gerade laufen. Zukün ig werden Maschinen immer krea- tiver. Wir bringen ihnen bei, autonome Ent- scheidungen zu tre en, und machen sie damit zu handelnden Subjekten. Die zunehmende Autonomisierung bringt auch ethische Fragen mit sich. Darf KI im Krieg verwendet werden? Wer trägt die Verantwortung, wenn autonome Systeme Schäden verursachen? Brauchen wir in Zukun ein Gefängnis für Maschinen? Noch können wir die Zukun mitgestalten. „AI for Good“-Initiativen sind bestrebt, mittels KI Lösungen für globale Probleme zu nden. Sie soll vor allem helfen, die Nachhaltigkeits- ziele im Zuge des Klimawandels zu erfüllen, aber auch im Gesundheitswesen oder bei hu- manitären Katastrophen sind Lösungen ange- strebt. (1) https://www.bmbf.de/ les/Nationale_KI-Strategie.pdf (abge- rufen am 05.04.19)  ÜberblickMachineLearning Welche klassischen Machine-Learning-Techniken und -Algorithmen gibt es? V Linear Classi ers (z. B. Support-Vector- V Decision-Tree Learning Ensemble Learning (z.B. Randomfo- rest, Gradient Boosting) Instance-based Neural Networks (z.B. KNN) Machines) V Clustering (z. B. K-Means, Tree-based) V V Regression-Analysis V V Dimensionality-Reduction (z. B. PCA, tSNE) V Descriptive Statistics Dies ist nur eine beispielha e Auswahl ohne Anspruch auf Vollständigkeit. Darüber hinaus sollten noch die nachfolgenden ML-Techniken erwähnt werden, die eher der KI zugeordnet werden: V Deep Learning Neural Networks (z. B. V Reinforcement Learning Feed Forward Neural Networks, CNNs, RNNs, GANs) V Transfer Learning 208