Inhaltsverzeichnis
Deep-Learning-Modelle in Labors und Startups werden für bestimmte Bilderkennungsaufgaben trainiert. Um alle potenziellen Befunde in medizinischen Bildern vollständig zu identifizieren, sind jedoch Tausende solcher engen Erkennungsaufgaben erforderlich, und nur wenige davon können heute von KI erledigt werden. Jvion bietet eine „klinische Erfolgsmaschine“, die die Patienten identifiziert, die am stärksten gefährdet sind, sowie diejenigen, die am wahrscheinlichsten auf die Behandlungsprotokolle ansprechen. Jede davon könnte Klinikern, die nach der besten Diagnose und Behandlung für Patienten suchen, eine Entscheidungshilfe bieten. Algorithmen der künstlichen Intelligenz sind darauf ausgelegt, Entscheidungen zu treffen, häufig unter Verwendung von Echtzeitdaten.
Für KI entwickelte Hardware umfasst KI-Beschleuniger und neuromorphes Computing. Die Hauptkategorien von Netzwerken sind azyklische oder Feedforward-neuronale Netzwerke und rekurrente neuronale Netzwerke (die Rückmeldungen und Kurzzeiterinnerungen an frühere Eingabeereignisse ermöglichen). Zu den beliebtesten Feedforward-Netzwerken gehören Perceptrons, Multi-Layer-Perceptrons und Radial-Basis-Netzwerke. Die Logik erster Ordnung fügt Quantoren und Prädikate hinzu und kann Fakten über Objekte, ihre Eigenschaften und ihre Beziehungen zueinander ausdrücken.
Auf diese Weise kann ein Chatbot, der mit Textbeispielen gefüttert wird, lernen, einen lebensechten Austausch mit Menschen zu erzeugen, oder ein Bilderkennungstool kann lernen, Objekte in Bildern zu identifizieren und zu beschreiben, indem es Millionen von Beispielen überprüft. Neue, sich schnell verbessernde generative KI-Techniken können realistische Texte, Bilder, Musik und andere Medien erstellen. Nach den globalen Automatisierungstrends und dem Aufkommen der Robotik im Bereich der KI können wir sagen, dass dies definitiv ein Zeichen für eine steigende Nachfrage nach Robotikwissenschaftlern ist. In dieser schnelllebigen Welt, in der die Technologie zum Vorreiter wird, stehlen Roboter tatsächlich die Arbeit von Menschen, die manuelle oder sich wiederholende Handhabungen vornehmen Im Bildungsbereich kann KI verwendet werden, um personalisierten Unterricht basierend auf den Bedürfnissen jedes Kindes anzubieten und auch einen besseren Zugang zu Bildung zu ermöglichen. Es kann dazu beitragen, das unglaubliche Potenzial von Talenten mit Behinderungen freizusetzen.
- Der Aufbau anpassungsfähiger Systeme, die während der Arbeit lernen, hat das Potenzial, die Effektivität und Effizienz zu verbessern.
- Trotz ihres weit verbreiteten Mangels an Vertrautheit ist KI eine Technologie, die jeden Lebensbereich verändert.
- Ein KI-Analyst/Spezialist muss über einen guten Hintergrund in den Bereichen Programmierung, Systemanalyse und Computerstatistik verfügen.
- Dies führte zu philosophischen Argumenten über den Geist und die ethischen Konsequenzen der Schaffung künstlicher Wesen, die mit menschenähnlicher Intelligenz ausgestattet sind; Diese Fragen wurden bereits seit der Antike von Mythos, Fiktion und Philosophie untersucht.
- Diese Art von Algorithmen kann komplexe Aufgaben bewältigen und Urteile fällen, die das replizieren oder übertreffen, was ein Mensch tun könnte.
Städte könnten beispielsweise Informationen von Mitfahrdiensten mit ihrem eigenen Material zu Standorten sozialer Dienste, Buslinien, Nahverkehrsmitteln und Autobahnstaus integrieren, um den Transport zu verbessern. Das würde Metropolregionen helfen, Verkehrsstaus zu bewältigen und bei der Autobahn- und Nahverkehrsplanung helfen. In Nicht-Transportbereichen haften digitale Plattformen oft nur eingeschränkt für das, was auf ihren Seiten passiert.
Projekte
Beispiele für maschinelles Lernen sind Bild- und Spracherkennung, Betrugsschutz und mehr. Ein konkretes Beispiel ist das Bilderkennungssystem, wenn Benutzer ein Foto auf Facebook hochladen. Das soziale Netzwerk kann das Bild analysieren und Gesichter erkennen, was zu Empfehlungen führt, verschiedene Freunde zu markieren. Mit der Zeit und Übung verfeinert das System diese Fähigkeit und lernt, genauere Empfehlungen zu geben. Die tragbaren Sensoren und Geräte, die in der Keynote Speaker Künstliche Intelligenz Gesundheitsbranche verwendet werden, wenden auch Deep Learning an, um den Gesundheitszustand des Patienten zu beurteilen, einschließlich seines Blutzuckerspiegels, Blutdrucks und seiner Herzfrequenz.
Andere Beispiele für Maschinen mit künstlicher Intelligenz sind Schach spielende Computer und selbstfahrende Autos. Jede dieser Maschinen muss die Konsequenzen jeder ihrer Maßnahmen abwägen, da sich jede Maßnahme auf das Endergebnis auswirkt. Bei selbstfahrenden Autos muss das Computersystem alle externen Daten berücksichtigen und berechnen, um so zu handeln, dass eine Kollision verhindert wird. Diese Modelle verwenden unbeaufsichtigtes maschinelles Lernen und werden mit riesigen Textmengen trainiert, um zu lernen, wie die menschliche Sprache funktioniert.
Die gleichen Gesetze können kodifiziert und auf Algorithmen der künstlichen Intelligenz angewendet werden. Das Problem bei diesem Ansatz ist, dass die Lösung eines Problems im Prinzip und die Lösung in der Praxis sehr unterschiedlich sein können und kontextuelle Nuancen erfordern. Außerdem gibt es einige Maßnahmen, die wir ergreifen, ohne uns eines Ergebnisses zu 100 % sicher zu sein, das ein Algorithmus möglicherweise nicht replizieren kann, wenn zu viele Parameter vorhanden sind. Wir haben diese Technologien als einzelne beschrieben, aber sie werden zunehmend kombiniert und integriert; Roboter bekommen KI-basierte „Gehirne“, Bilderkennung wird in RPA integriert.
Deep Learning verwendet riesige neuronale Netze mit vielen Schichten von Verarbeitungseinheiten und nutzt Fortschritte in der Rechenleistung und verbesserte Trainingstechniken, um komplexe Muster in großen Datenmengen zu lernen. Die größten Wetten liegen auf der Verbesserung der Patientenergebnisse und der Reduzierung der Kosten. Unternehmen wenden maschinelles Lernen an, um bessere und schnellere medizinische Diagnosen zu stellen als Menschen. Es versteht natürliche Sprache und kann auf Fragen antworten, die ihm gestellt werden. Das System durchsucht Patientendaten und andere verfügbare Datenquellen, um eine Hypothese zu bilden, die es dann mit einem Konfidenzbewertungsschema präsentiert. Eine Reihe von KI-Technologien wird auch verwendet, um Pandemien wie COVID-19 vorherzusagen, zu bekämpfen und zu verstehen.
Was Ist Künstliche Intelligenz Im Jahr 2023? Arten, Trends Und Zukunft Davon?
Beispielaufgaben, in denen dies erfolgt, umfassen Spracherkennung, Computer Vision, Übersetzung zwischen Sprachen sowie andere Zuordnungen von Eingaben. Ebenso wichtig ist, dass Hardwareanbieter wie Nvidia den Mikrocode für die parallele Ausführung auf mehreren GPU-Kernen für die gängigsten Algorithmen optimieren. Nvidia behauptete, dass die Kombination aus schnellerer Hardware, effizienteren KI-Algorithmen, Feinabstimmung von GPU-Anweisungen und besserer Rechenzentrumsintegration zu einer millionenfachen Verbesserung der KI-Leistung führt. Nvidia arbeitet auch mit allen Cloud-Center-Anbietern zusammen, um diese Funktion als AI-as-a-Service über IaaS-, SaaS- und PaaS-Modelle zugänglicher zu machen. Dieser Aspekt der KI verwendet neuronale Netze, regelbasierte Systeme, statistische Methoden und andere KI-Techniken, um neue Bilder, neuen Text, neue Musik und neue Ideen zu generieren.
Diese Technologien haben das Potenzial, viele Aspekte der Patientenversorgung sowie administrative Prozesse innerhalb von Anbietern, Kostenträgern und pharmazeutischen Organisationen zu verändern. Autonome Fahrzeuge können Maschine-zu-Maschine-Kommunikation nutzen, um andere Autos auf der Straße vor bevorstehenden Staus, Schlaglöchern, Straßenbauarbeiten oder anderen möglichen Verkehrsbehinderungen zu warnen. Die Vereinigten Staaten sollten eine Datenstrategie entwickeln, die Innovation und Verbraucherschutz fördert. Derzeit gibt es keine einheitlichen Standards in Bezug auf Datenzugriff, Datenaustausch oder Datenschutz. Fast alle Daten sind urheberrechtlich geschützt und werden nicht sehr umfassend mit der Forschungsgemeinschaft geteilt, was Innovation und Systemdesign einschränkt. KI benötigt Daten, um ihre Lernfähigkeit zu testen und zu verbessern.50 Ohne strukturierte und unstrukturierte Datensätze wird es nahezu unmöglich sein, die Vorteile der künstlichen Intelligenz voll auszuschöpfen.
Die zweite Vision, die als konnektionistischer Ansatz bekannt ist, zielte darauf ab, Intelligenz durch Lernen zu erreichen. Befürworter dieses Ansatzes, allen voran Frank Rosenblatt, versuchten, Perceptron auf eine Weise zu verbinden, die von Verbindungen von Neuronen inspiriert war. James Manyika und andere haben die beiden Herangehensweisen an den Geist und das Gehirn verglichen. Manyika argumentiert, dass symbolische Ansätze den Drang nach künstlicher Intelligenz in dieser Zeit dominierten, teilweise aufgrund ihrer Verbindung zu intellektuellen Traditionen von Descartes, Boole, Gottlob Frege, Bertrand Russell und anderen. Konnektionistische Ansätze, die auf Kybernetik oder künstlichen neuronalen Netzen basieren, wurden in den Hintergrund gedrängt, haben aber in den letzten Jahrzehnten eine neue Bedeutung erlangt.
Bundesbeamte müssen sich überlegen, wie sie mit künstlicher Intelligenz umgehen. Wie bereits erwähnt, gibt es viele Probleme, die von der Notwendigkeit eines verbesserten Datenzugriffs bis hin zur Behandlung von Voreingenommenheit und Diskriminierung reichen. Es ist von entscheidender Bedeutung, dass diese und andere Bedenken berücksichtigt werden, damit wir die Vorteile dieser neuen Technologie voll ausschöpfen können. Da sich KI-Anwendungen in vielen Bereichen beschleunigen, ist es von entscheidender Bedeutung, dass wir unsere Bildungseinrichtungen für eine Welt neu gestalten, in der KI allgegenwärtig sein wird und Schüler eine andere Art von Ausbildung benötigen, als sie derzeit erhalten. Derzeit erhalten viele Schüler keinen Unterricht in den Fähigkeiten, die in einer von KI dominierten Landschaft benötigt werden.
2012 – Andrew Ng, der Gründer des Google Brain Deep Learning-Projekts, fütterte 10 Millionen YouTube-Videos mithilfe von Deep-Learning-Algorithmen in ein neuronales Netzwerk. Das neuronale Netzwerk lernte, eine Katze zu erkennen, ohne darüber informiert zu sein, was eine Katze ist, was den Beginn einer neuen Ära des Deep Learning und der neuronalen Netzwerke markierte. Drittens benötigen Deep-Learning-Algorithmen für die Bilderkennung „gekennzeichnete Daten“ – Millionen von Bildern von Patienten, die eine definitive Diagnose von Krebs, Knochenbruch oder anderen Pathologien erhalten haben.
Diese Herausforderungen werden letztendlich bewältigt werden, aber es wird viel länger dauern, bis dies erreicht ist, als es dauert, bis die Technologien selbst ausgereift sind. Infolgedessen erwarten wir einen begrenzten Einsatz von KI in der klinischen Praxis innerhalb von 5 Jahren und einen umfassenderen Einsatz innerhalb von 10 Jahren. Es gibt auch mehrere Firmen, die sich speziell auf Diagnose- und Behandlungsempfehlungen für bestimmte Krebsarten auf der Grundlage ihrer genetischen Profile konzentrieren. Da viele Krebsarten genetisch bedingt sind, wird es für Humanmediziner immer komplexer, alle genetischen Varianten von Krebs und ihre Reaktion auf neue Medikamente und Protokolle zu verstehen. Firmen wie Foundation Medicine und Flatiron Health, beide heute im Besitz von Roche, haben sich auf diesen Ansatz spezialisiert.
Viele KI-Algorithmen – insbesondere Deep-Learning-Algorithmen, die für die Bildanalyse verwendet werden – sind praktisch unmöglich zu interpretieren oder zu erklären. Wenn ein Patient darüber informiert wird, dass ein Bild zu einer Krebsdiagnose geführt hat, wird er oder sie wahrscheinlich wissen wollen, warum. Deep-Learning-Algorithmen und sogar Ärzte, die im Allgemeinen mit ihrer Operation vertraut sind, können möglicherweise keine Erklärung liefern. Wenn eine stärkere Einbeziehung der Patienten zu besseren Gesundheitsergebnissen führt, können dann KI-basierte Fähigkeiten bei der Personalisierung und Kontextualisierung der Versorgung wirksam sein? Es gibt bereits eine Reihe von Forschungsstudien, die darauf hindeuten, dass KI bei wichtigen Gesundheitsaufgaben wie der Diagnose von Krankheiten genauso gut oder besser als Menschen abschneiden kann.
Beim maschinellen Lernen wird ein System mit großen Datenmengen trainiert, damit es aus Fehlern lernen und Muster erkennen kann, um genaue Vorhersagen und Entscheidungen zu treffen, unabhängig davon, ob es den spezifischen Daten ausgesetzt war oder nicht. Wie ein Mensch wäre AGI potenziell in der Lage, jede intellektuelle Aufgabe zu verstehen, abstrakt zu denken, aus seinen Erfahrungen zu lernen und dieses Wissen zu nutzen, um neue Probleme zu lösen. Im Wesentlichen sprechen wir von einem System oder einer Maschine mit gesundem Menschenverstand, die derzeit mit keiner Form verfügbarer KI erreichbar ist.
Seit den 1950er Jahren streiten sich Wissenschaftler darüber, was „Denken“ und „Intelligenz“ ausmacht und was „vollständig autonom“ ist, wenn es um Hard- und Software geht. Fortgeschrittene Computer wie der IBM Watson haben die Menschen bereits beim Schach geschlagen und sind in der Lage, riesige Mengen an Informationen sofort zu verarbeiten. Einige Personen haben argumentiert, dass es Möglichkeiten für Menschen geben muss, die Aufsicht und Kontrolle über KI-Systeme auszuüben. Oren Etzioni, CEO des Allen Institute for Artificial Intelligence, argumentiert beispielsweise, dass es Regeln für die Regulierung dieser Systeme geben sollte. Erstens, sagt er, muss KI allen Gesetzen unterliegen, die bereits für menschliches Verhalten entwickelt wurden, einschließlich Vorschriften zu „Cybermobbing, Aktienmanipulation oder terroristischen Bedrohungen“ sowie „Menschen dazu verleiten, Verbrechen zu begehen“.