Die erste Frage, die man sich stellen könnte, lautet: Was ist künstliche Intelligenz oder KI? Die einfachste Antwort auf diese Frage ist, dass es sich bei KI um Intelligenz handelt, die von Maschinen gezeigt wird. Wenn wir ein wenig weiter gehen wollen, sind einige Beispiele für maschinelle Intelligenz visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und vieles mehr.
Nachdem wir nun wissen, was unter künstlicherIntelligenz im Allgemeinen zu verstehen ist, können wir versuchen, die Frage zu beantworten, wann das alles angefangen hat. Diese Frage ist viel schwieriger zu beantworten, auch weil sich die Definition von KI im Laufe der Zeit verändert hat. Die ersten wesentlichen Konzepte für künstliche Intelligenz wurden in den 1930er Jahren von Alan Turing entwickelt. Vor den 1950er Jahren ging es bei der KI hauptsächlich um Statistik. Mit der zunehmenden Rechenleistung änderten sich die Möglichkeiten und auch das Konzept von KI. Heute reicht das Feld der KI von einfachen linearen Modellen über Entscheidungsbäume bis hin zu komplexen tiefen neuronalen Netzen. Im Laufe der Zeit wurde der Bereich der künstlichen Intelligenz immer komplexer und entwickelt sich fortlaufend weiter. Heute wird KI in verschiedenen Bereichen eingesetzt. Das größte Anwendungsgebiet ist die personalisierte Werbung. Gefolgt von Buchhaltung und standardisierter Kundenkommunikation. Preisoptimierung und vorausschauende Wartung sind ebenfalls auf dem Vormarsch. All diese Bereiche profitieren von einer riesigen Menge an Daten, die auch als Big Data bezeichnet werden.
Nach der Beantwortung der Fragen, was KI ist, wann sie entstanden ist und wo KI am häufigsten eingesetzt wird, sollten wir uns nun eingehender mit der Frage befassen, wie man mit KI Problemstellungen lösen kann. Dies kann in zwei Hauptthemen aufgeteilt werden: die Daten und die Algorithmen. Im weiteren Verlauf dieses Blogbeitrags möchte ich erläutern, worauf man bei der Auswahl der Daten achten muss und welche grundlegenden Algorithmen es gibt. Ich werde mich dabei auf datengetriebene KI konzentrieren. Jetzt werden Sie sich vielleicht fragen, was ist das? Um diese Frage schnell zu beantworten, muss ich einen weiteren Begriff einführen: expertengetriebene oder wissensgetriebene KI. Wissensgetriebene KI versucht, vorhandene mathematische Modelle und das Wissen von Experten zu nutzen, um den Entscheidungsprozess zu unterstützen. Die datengetriebene KI hingegen nutzt eine große Menge an gelabelten Daten, um daraus zu lernen.
Deshalb sind die Daten einer der wichtigsten Bestandteile einer datengesteuerten KI. Es ist von entscheidender Bedeutung, vor der eigentlichen Datenerfassung Kenntnisse über das Betätigungsfeld und die Daten zu haben. Das bedeutet, dass man nicht einfach nur Daten sammeln und generieren sollte, sondern aussagekräftige Daten erzeugen sollte. Dies wir dauch als Smart Data bezeichnet. Meistens ist es auch notwendig, die Rohdaten vorzuverarbeiten, um einen sauberen Datensatz zu erhalten. Dies kann mehrere Iterationen erfordern. Auf der Grundlage der vorhandenen Daten können Sie einen Algorithmus zur Lösung Ihres Problems auswählen. Dabei ist es sinnvoll, mit einem einfachen Ansatz zu beginnen und die Komplexität des Algorithmus zu erhöhen, bis die Leistungsanforderungen erfüllt sind. Es ist sinnvoll, wie beim Rapid Prototyping verschiedene Ansätze auszuprobieren und die Ergebnisse zu ver gleichen. Es ist üblich, dass nicht nur ein Algorithmus oder Modell dasProblem lösen kann, sondern dass es in der Regel mehrere/unendlich viele praktikable Lösungen gibt. Oft ist es jedoch eine gute Idee, mit dem neuesten Modell oder Konzept für das gegebene Problem zu beginnen.
Werfen wir nun einen Blick auf das andere Hauptthema: die Algorithmen. Die grundlegenden Algorithmen, die im Bereich der künstlichen Intelligenz verwendet werden, können in zwei Kategorien unterteilt werden. Auf der einen Seite gibt es die Klassifizierungsalgorithmen und auf der anderen Seite die Regressionsalgorithmen. Die Klassifizierungsalgorithmen werden verwendet, um die Daten in verschiedene Klassen einzuteilen. Zum Beispiel werden Bilder verschiedener Tiere in die entsprechenden Tierklassen eingeteilt. Gängige Konzepte für Klassifizierungsalgorithmen sind Entscheidungsbäume, Kernel-Support-Vektor-Maschinen, random forest und neuronale Netze. Die Regressionsalgorithmen hingegen werden für die Vorhersage kontinuierlicher Werte verwendet. Um beispielsweise die Raumtemperatur in Ihrem Büro für die nächste Stunde vorherzusagen, könnten Sie einen Regressionsalgorithmus verwenden, der Informationen über die Temperatur in der Vergangenheit nutzt, um zukünftige Werte vorherzusagen. Gängige Algorithmen für diese Art von Problemen sind lineare Regression, Entscheidungsbäume, Random Forest und wie der um neuronale Netze. Es fällt auf, dass die zugrunde liegenden Konzepte ähnlich sind. Ein Random Forest zum Lösen von Klassifizierungsproblemen ist jedoch nicht dasselbe wie ein Random Forest zur Lösung von Regressionsproblemen.
Künstliche Intelligenz ist ein sehr weites und komplexes Gebiet, aber nachdem Sie diesen Blogbeitrag gelesen haben, sollten Sie eine gute Grundlage für den Anfang haben. Und wie bei allem anderen ist der beste Weg, mehr über KI zu lernen, mit KI zu arbeiten.
