Was ist künstliche Intelligenz? Entwicklungsgeschichte und Perspektiven. Forschungsschwerpunkte

Die Auseinandersetzung mit dem Thema Künstliche Intelligenz begann Mitte des 20. Jahrhunderts. Aber viele stellen sich immer noch die Eroberung von Galaxien, den Aufstieg von Maschinen und andere Science-Fiction-Filme vor, wenn sie von künstlicher Intelligenz hören. Mittlerweile kommen Technologien der künstlichen Intelligenz bereits im Alltag zum Einsatz. Dank dieser Technologien sind Maschinen in der Lage, immer mehr Aufgaben schneller und besser zu lösen. Vor allem, wenn Sie dafür große Datenmengen verarbeiten müssen: Künstliche Intelligenz löst solche Probleme viel effizienter als ein Mensch. Manche glauben, dass dieser Trend vielen mit dem Verlust des Arbeitsplatzes droht: Laut Forschung Laut Oxford Martin School wird die Technologie bis 2033 47 % der Arbeitsplätze vollständig automatisieren. Auf der Website wird darüber gesprochen, was künstliche Intelligenz ist, wie sie funktioniert und welche Aussichten ihre zukünftige Anwendung bietet.

Was ist künstliche Intelligenz?

Künstliche Intelligenz(KI) ist die Wissenschaft und Technologie zur Erstellung von Computeralgorithmen und -programmen, die als intelligente Systeme funktionieren: Informationen basierend auf Erfahrung lernen und speichern, abstrakte Konzepte bewerten und anwenden und das gewonnene Wissen nutzen, um Einfluss zu nehmen Umfeld.

Künstliche Intelligenz wird in zwei Typen unterteilt: schwach und stark. Eine schwache KI wird auch als schmale KI bezeichnet, da sie Aufgaben nur innerhalb bestimmter Grenzen erfüllen kann. Dies sind alles Entwicklungen, die auf KI-Technologie basieren und heute existieren. Eine starke künstliche Intelligenz wird in der Lage sein, alle Probleme in den unterschiedlichsten Bereichen zu lösen. Um sich eine starke KI vorzustellen, denken Sie an Jarvis, Tony Starks Kumpel in Iron Man. Heutzutage ist eine solche KI nicht mehr umsetzbar und die bloße Idee, sie zu schaffen, gilt als reine Utopie.

Dina Lee Special für die Website

Künstliche Intelligenz heute: Neuronale Netze und maschinelles Lernen

KI-Technologie kann auf unterschiedliche Weise implementiert werden. Eine Möglichkeit sind neuronale Netze. Ein neuronales Netzwerk ist nach dem gleichen Prinzip aufgebaut wie Nervennetzwerke in einem lebenden Organismus, daher der Name. Im Körper sind Nervenzellen – Neuronen – zu einem Netzwerk verbunden, sie bilden sich nervöses System. Und in einem künstlichen neuronalen Netzwerk kommen einfache Prozessoren zum Einsatz – Rechenelemente, die miteinander verbunden sind und auf die gleiche Weise interagieren.

Im Gegensatz zu herkömmlichen Algorithmen sind neuronale Netze in der Lage, aus Erfahrungen zu lernen. Neuronale Netze analysieren und identifizieren Zusammenhänge zwischen Eingabe- und Ausgabedaten, verallgemeinern Daten und bilden Lösungen für Probleme. Damit neuronale Netze auf diese Weise funktionieren, kommen Methoden des maschinellen Lernens zum Einsatz. Darüber hinaus erfordert ein solches Training bei neuronalen Netzen viele Rechenressourcen.

Was Sie dem neuronalen Netzwerk beibringen können, hängt von den Eingabedaten ab. Je mehr Daten, desto besser wird das Training. Sie können einem neuronalen Netzwerk beibringen, ein Objekt von einem anderen zu unterscheiden, zu vergleichen und Vorhersagen zu treffen. Das Erlernen eines neuronalen Netzwerks ist so, als würde man Kindern etwas beibringen, wenn man ihnen ein Bild zeigt und ihnen sagt: „Das ist eine Katze.“ Bei neuronalen Netzen erhalten sie viele solcher Bilder mit erklärenden Beschriftungen und lernen, einzelne Elemente zu erkennen, die sie dann kombinieren können. Das Eingabebild fällt in ein bestimmtes Filtersystem. Die darin enthaltenen Filter unterscheiden sich in Größe und Komplexität der erkennbaren Elemente – jeder hat seine eigenen Funktionen. Das Bild wird in diesem System wiederholt gefiltert. Wenn viele Elemente erkannt werden, trifft das neuronale Netzwerk eine Vorhersage: Mit dieser oder jener Wahrscheinlichkeit handelt es sich bei diesem Objekt um eine Person.

So entstanden neuronale Netze, die Aktienkurse für morgen vorhersagen, handgeschriebene Indexzahlen auf einem Briefumschlag erkennen und ein erkranktes Organ auf einem Bild identifizieren. Für ihr Training wurden numerische Daten zu Wechselkursen und Bilder von geschriebenen Zahlen, erkrankten und gesunden Organen verwendet.

Das Problem bestand darin, dass neuronale Netze oft falsch lagen, da es schwierig war, wirklich große Datenproben für das Training zu sammeln. Im Jahr 2010 erschien die Bilddatenbank ImageNet: 15 Millionen Bilder in 22.000 Kategorien. Der Zugang war offen: Jeder Forscher konnte die Daten nutzen. Dadurch wurde es möglich, KI mit hoher Qualität zu trainieren. Neuronale Netze sind weiter entwickelt, zugänglicher und fester in den Alltag integriert.

Künstliche Intelligenz, die uns im Alltag begegnet

Die Sprachassistenten Siri, Google Assistant und Alice, Website-Empfehlungsalgorithmen wie Brain, das YouTube nutzt, um Videos zu empfehlen, oder der empfohlene Produktblock von Amazon, Chatbots, alle basieren auf KI.

Das PayPal-Zahlungssystem nutzt maschinelles Lernen, um neuronale Netze dabei zu unterstützen, verdächtige Transaktionen zu finden. Dadurch kann das Unternehmen die Betrugshäufigkeit reduzieren. Die russische App Prisma nutzt neuronale Netze zur Verarbeitung von Fotos.

Der NVIDIA-Ingenieur Robert Bond hat einen Algorithmus entwickelt, der seine Gartensprinkler einschaltet, wenn die Katzen des Nachbarn in seine Nachbarschaft wandern und seinen Garten verderben. Um festzustellen, dass es sich um eine Katze handelte, nutzte er ein System, das auf dem neuronalen Netzwerk von Caffe basierte: Es identifizierte Katzen anhand von Videoaufnahmen von Kameras. Als die Kamera eine Veränderung der Situation aufzeichnete, machte sie 7 Fotos. Die Fotos wurden von einem neuronalen Netzwerk analysiert: Wenn auf den Bildern eine Katze zu sehen war, schaltete das Netzwerk Sprinkler ein.

Darüber hinaus haben neuronale Netze zwei Musikalben geschrieben, die Sie auf Yandex.Music anhören können. Eines wurde auf der Grundlage der Lieder der Gruppe Civil Defense geschrieben (der Interpret ist„Neuronale Verteidigung“ ) und das andere - basierend auf "Nirvana" (Darsteller - Neuron).

Dina Lee Special für die Website

In welchen Bereichen kann man neuronale Netze noch einsetzen?

Neuronale Netze werden in der Medizin, im Finanz- und Wirtschaftsbereich, in der Industrie und zur Gewährleistung von Ordnung und Sicherheit überall dort eingesetzt, wo es darum geht, große Datenmengen zu verarbeiten, zu systematisieren und vorherzusagen.

In der Medizin werden neuronale Netze darauf trainiert, Tumore, Gewebe- und Organschäden nach Verletzungen zu erkennen sowie mögliche Komplikationen und den Krankheitsverlauf vorherzusagen. Das ist nicht einfach: Es gibt keine ausreichend große medizinische Datenbank, aber Sie müssen eine hohe Genauigkeit erreichen. Wenn das neuronale Netzwerk eine Katze mit einem Hund verwechselt, ist das schließlich nicht so beängstigend. Aber wenn ein gesundes Organ mit einem kranken Organ zusammen ist, wird es schlecht sein.

Auf der Fachkonferenz der Entwickler hochbelasteter Systeme HighLoad ++ Natalia Efremova erzählt über den nicht standardmäßigen Einsatz neuronaler Netze zur Vorhersage des Armutsniveaus. Die Armutsquote in Afrika ist so hoch, dass eine einfache Erhebung und Analyse dieser Daten nicht möglich ist. Die neuesten Daten wurden im Jahr 2005 erhoben. Wissenschaftler der Stanford University trainierten zunächst mithilfe der ImageNet-Bilddatenbank ein neuronales Netzwerk, damit es Siedlungen erkennen konnte. Anschließend sammelten sie viele Tages- und Nacht-Satellitenbilder von Afrika und luden sie in das neuronale Netzwerk hoch. Das neuronale Netzwerk beurteilte, ob die Bevölkerung über das nötige Geld verfügt, um ihre Häuser nachts zu beleuchten, und erstellte eine Vorhersage über den Grad ihrer Armut. Anschließend wurde die Prognose mit realen Daten für das Jahr 2005 verglichen – das neuronale Netz erstellte eine ziemlich genaue Prognose.

Warum neuronale Netze auf eine neue Entwicklungsrunde warten

Es gibt mehr Rechenleistung sowie Bilder und andere Datenbanken zum Training neuronaler Netze. Darüber hinaus stellte sich heraus, dass neuronale Netze zu einer höheren Effizienz fähig sind. Als Stanford-Wissenschaftler ein neuronales Netzwerk trainierten, um die Armut in Afrika vorherzusagen, luden sie Daten auf die Dächer von Siedlungen. Doch das neuronale Netz lernte selbstständig, Wasser, Wälder, Straßen und andere Objekte zu erkennen – ohne vorinstallierte Datenbanken und das Eingreifen von Lehrern.

Im Mai 2017 haben Entwickler von Google Brain eingereicht das AutoML-Projekt, das unabhängig Modelle für maschinelles Lernen entwirft. Einfach ausgedrückt handelt es sich hierbei um eine KI, die bestehende neuronale Netze analysiert, wirksame Seiten identifiziert und ohne menschliches Eingreifen ein weiteres neuronales Netz erstellt hat – NASNet . Auf dem Validierungsbildsatz zeigte NASNet eine Vorhersagegenauigkeit von 82,7 %. Dieser Wert ist höher als bei allen früheren neuronalen Netzen mit Bilderkennung.

Wird KI den Menschen Arbeitsplätze wegnehmen?

Die Entwicklung der KI wird sich unweigerlich auf den Arbeitsmarkt auswirken. Dies sollte jedoch nicht überraschen, da es sich tatsächlich um dasselbe wie Modernisierung und Automatisierung handelt. Einige Berufe werden verschwinden und neue entstehen, denn die Entwicklung der KI wird sich auf die Entwicklung anderer Bereiche auswirken.

Nun gibt es eine Liste von Berufen, die einem Menschen vermutlich durch künstliche Intelligenz, neuronale Netze und Chatbots weggenommen werden können. Google investiert beispielsweise in Roboter, die Nachrichten ohne menschliches Zutun schreiben. Einige Arten von Programmierern könnten in Zukunft auch arbeitslos bleiben: Die Rede ist in erster Linie von „Codierern“, die sich mit dem Zusammensetzen vorgefertigter Blöcke beschäftigen, das heißt, ihre Arbeit lässt sich auf einen Algorithmus reduzieren. Das Gleiche gilt zum Beispiel auch für HR-Spezialisten: Neuronale Netze können viele weitere Informationsquellen abdecken, um Kandidaten zu suchen, sie nach bestimmten Kriterien zu systematisieren und ihnen Benachrichtigungen zu senden. Auch Call-Center-Betreiber sind vom Aussterben bedroht: Viele Standardarbeiten, die sich automatisieren lassen, fallen ihnen auf die Schultern.

Gleichzeitig gibt die Entwicklung der KI Anlass zur Sorge. Einer der wichtigsten Erfinder unserer Zeit und Gründer von SpaceX und Tesla, Elon Musk, bezeichnete künstliche Intelligenz als „das größte Risiko, dem die Menschheit als Zivilisation ausgesetzt ist“. Während Unternehmen um fortschrittlichere Technologien wetteifern, können sie die Gefahren, die von künstlicher Intelligenz ausgehen, vergessen, sagt er. Auch die künstliche Intelligenz und Stephen Hawking sind zweideutig. Der Wissenschaftler befürchtet, dass dies zur Degradierung des Menschen führen und ihn der Natur gegenüber hilflos machen könnte.

IN dieser Moment Es ist schwierig, die genauen Horizonte vorherzusagen, die KI erreichen kann. Aber heute wissen wir zwei wichtige Dinge: Manche Arbeiten können nicht ohne menschliches Eingreifen erledigt werden, und eine perfekte KI, die alles kontrolliert, ist immer noch eine Fantasie.

Es wird fast überall eingesetzt: von Hightech und komplexen mathematischen Berechnungen bis hin zu Medizin, Automobil und sogar Smartphones. Technologien, die die Arbeit der KI unterstützen moderne Sicht, nutzen wir jeden Tag und manchmal denken wir vielleicht nicht einmal darüber nach. Aber was ist künstliche Intelligenz? Wie funktioniert er? Und ist es gefährlich?

BB wird bald überall sein!

Definieren wir zunächst die Terminologie. Wenn Sie sich künstliche Intelligenz als etwas vorstellen, das in der Lage ist, selbstständig zu denken, Entscheidungen zu treffen und generell Anzeichen von Bewusstsein zu zeigen, dann werden wir Sie schnell enttäuschen. Fast alle heute existierenden Systeme kommen einer solchen Definition von KI nicht einmal ansatzweise nahe. Und jene Systeme, die Anzeichen einer solchen Aktivität zeigen, funktionieren tatsächlich sowieso im Rahmen vorgegebener Algorithmen.

Neuronale Netze gibt es bereits seit den 1950er Jahren (zumindest konzeptionell). Doch bis vor Kurzem wurden sie kaum weiterentwickelt, da ihre Erstellung riesige Datenmengen und Rechenleistung erforderte. All dies ist in den letzten Jahren verfügbar geworden, sodass neuronale Netze nach ihrer Entwicklung in den Vordergrund gerückt sind. Es ist wichtig zu verstehen, dass für ihr vollwertiges Erscheinungsbild nicht genügend Technologie vorhanden war. Wie sie schon jetzt nicht ausreichen, um die Technologie auf ein neues Niveau zu bringen.

Definitionsstufen.

Wozu dienen Deep Learning und neuronale Netze?

Es gibt mehrere Bereiche, in denen diese beiden Technologien zu erheblichen Fortschritten beigetragen haben. Darüber hinaus verwenden wir einige davon jeden Tag in unserem Leben und denken nicht einmal darüber nach, was sich dahinter verbirgt.

• ist die Fähigkeit der Software, den Inhalt von Bildern und Videos zu verstehen. Dies ist ein Bereich, in dem Deep Learning große Fortschritte gemacht hat. Beispielsweise können Deep-Learning-Bildverarbeitungsalgorithmen verschiedene Arten von Krebs, Lungenerkrankungen, Herzerkrankungen usw. erkennen. Und das schneller und effizienter als Ärzte. Aber auch in vielen Anwendungen, die Sie täglich nutzen, hat Deep Learning Einzug gehalten. Apple Face ID und Google Fotos nutzen Deep Learning, um Ihr Gesicht zu erkennen und die Qualität Ihrer Fotos zu verbessern. Facebook nutzt Deep Learning, um Personen in hochgeladenen Fotos usw. automatisch zu markieren. Computer Vision hilft Unternehmen außerdem dabei, fragwürdige Inhalte wie Gewalt und Nacktheit automatisch zu erkennen und zu blockieren. Und schließlich spielt Deep Learning eine sehr große Rolle wichtige Rolle dabei, selbstfahrende Autos zu ermöglichen, damit sie ihre Umgebung verstehen können.
• Stimm- und Spracherkennung. Wenn Sie einen Befehl an Ihren Google Assistant sprechen, konvertieren Deep-Learning-Algorithmen Ihre . Mehrere Online-Anwendungen nutzen Deep Learning, um Audio- und Videodateien zu transkribieren. Selbst wenn Sie ein Lied „shazamen“, kommen neuronale Netze und Deep-Machine-Learning-Algorithmen ins Spiel.
• Internetsuche: Auch wenn Sie in einer Suchmaschine nach etwas suchen, haben Unternehmen damit begonnen, neuronale Netzalgorithmen mit ihren Suchmaschinen zu verbinden, damit Ihre Anfrage klarer bearbeitet werden kann und die Ergebnisse möglichst korrekt sind. So stieg die Leistung der Google-Suchmaschine um ein Vielfaches, nachdem das System auf tiefes maschinelles Lernen und neuronale Netze umgestellt wurde.

Die Grenzen von Deep Learning und neuronalen Netzen

Trotz aller Vorteile haben Deep Learning und neuronale Netze auch einige Nachteile.

• Datenabhängigkeit: Im Allgemeinen benötigen Deep-Learning-Algorithmen eine große Menge an Trainingsdaten, um ihre Aufgaben genau auszuführen. Leider stehen zur Lösung vieler Probleme nicht genügend hochwertige Trainingsdaten zur Erstellung funktionierender Modelle zur Verfügung.
• Unvorhersehbarkeit: Neuronale Netze entwickeln sich auf seltsame Weise. Manchmal läuft alles wie geplant. Und manchmal (selbst wenn das neuronale Netzwerk seine Arbeit gut macht) haben selbst die Entwickler Schwierigkeiten, die Funktionsweise der Algorithmen zu verstehen. Aufgrund der mangelnden Vorhersagbarkeit ist es äußerst schwierig, Fehler in neuronalen Netzwerkalgorithmen zu beseitigen und zu korrigieren.
• Algorithmische Voreingenommenheit: Deep-Learning-Algorithmen sind nur so gut wie die Daten, auf denen sie trainiert werden. Das Problem besteht darin, dass Trainingsdaten häufig versteckte oder offensichtliche Fehler oder Mängel enthalten und diese von Algorithmen übernommen werden. Beispielsweise wird ein Gesichtserkennungsalgorithmus, der hauptsächlich auf Fotos von weißen Menschen trainiert wird, bei Menschen mit einer anderen Hautfarbe weniger genau funktionieren.
• Fehlende Verallgemeinerung: Deep-Learning-Algorithmen sind gut darin, gezielte Aufgaben zu erledigen, aber sie lassen sich nicht gut verallgemeinern. Im Gegensatz zu Menschen wäre ein Deep-Learning-Modell nicht in der Lage, ein anderes ähnliches Spiel zu spielen: beispielsweise Warcraft. Außerdem ist Deep Learning nicht gut im Umgang mit Daten, die von den Trainingsbeispielen abweichen.

Die Zukunft von Deep Learning, neuronalen Netzen und KI

Es ist klar, dass die Arbeit an Deep Learning und neuronalen Netzen noch lange nicht abgeschlossen ist. Es werden verschiedene Anstrengungen unternommen, um Deep-Learning-Algorithmen zu verbessern. Deep Learning ist eine hochmoderne Technik zur Schaffung künstlicher Intelligenz. Dank der Fülle an Daten und zunehmender Rechenleistung erfreut es sich in den letzten Jahren immer größerer Beliebtheit. Es ist die Kerntechnologie hinter vielen Anwendungen, die wir täglich nutzen.

Pläne und Lösungswege werden bald vieles ersetzen.

Aber wird das Bewusstsein jemals auf der Grundlage dieser Technologie entstehen? Echtes künstliches Leben? Einige Wissenschaftler glauben, dass in dem Moment, in dem sich die Anzahl der Verbindungen zwischen den Komponenten künstlicher neuronaler Netze dem gleichen Indikator nähert, der im menschlichen Gehirn zwischen unseren Neuronen besteht, etwas Ähnliches passieren kann. Diese Behauptung ist jedoch höchst zweifelhaft. Damit echte KI entstehen kann, müssen wir überdenken, wie wir KI-Systeme aufbauen. Es gibt nur noch Anwendungsprogramme für einen streng begrenzten Aufgabenbereich. So sehr wir auch nicht glauben möchten, dass die Zukunft bereits da ist ...

Künstliche Intelligenz ist nicht die Zukunft, künstliche Intelligenz ist die Gegenwart.

Hören, Sprechen, Sehen und prädiktive Intuition basieren auf der Nutzung beider Netzwerke (CNN und RNN) sowie Technologien zur Verarbeitung natürlicher Sprache (NLP), die sich gegenseitig ergänzen. Ähnliche Technologien werden in Alexa, Siri, Google Now, Cortana und anderen intelligenten Sprachassistenten verwendet.

Mit welchen Programmen wird KI erstellt?

Es gibt Dutzende von Frameworks für die KI-Entwicklung, aber diese Liste enthält nur die bekanntesten.

KERAS

Es handelt sich um eine Open-Source-Bibliothek für neuronale Netzwerke auf Python-Basis, die unter Microsoft CNTK (Cognitive Toolkit), Tensorflow und vielen anderen Frameworks ausgeführt werden kann.

KERAS ist am besten für Anfänger geeignet.

TENSORFLOW

Tensorflow ist das bekannteste KI-Entwicklungsframework, das maschinelle Lernmethoden wie neuronale Netze nutzt.

Tensorflow wurde vom Google Brain-Team entwickelt. Dieses Framework ist für die automatische Vervollständigung von Phrasen in einem Textfeld verantwortlich Suchmaschine Google sowie die KI von Google-Anwendungen.

SONETT

Sonnet wurde vom Google DeepMind-Team erstellt und ist eine Bibliothek, die auf TensorFlow läuft, um komplexe neuronale Deep-Learning-Netzwerke aufzubauen. SONNET eignet sich am besten für die KI-Forschung und -Entwicklung und stellt für Anfänger eine große Herausforderung dar.

CNTK (Microsoft Cognitive Toolkit)

Das früher als CNTK bekannte Microsoft Cognitive Toolkit zielt darauf ab, Algorithmen beizubringen, wie das menschliche Gehirn zu denken. Es zeichnet sich durch Geschwindigkeit, Skalierbarkeit, Qualität und Kompatibilität mit C++ und Python aus. Microsoft nutzt es für KI-Funktionen in Skype, Cortana und Bing.

Mit Microsoft CNTK können Benutzer beliebte Deep-Learning-Modelle wie DNNs, CNNs und RNNs kombinieren.

PYTORCH

Pytorch ist eine Open-Source-Bibliothek für maschinelles Lernen für Python, die auf Torch basiert und NLP-Technologien (Natural Language Processing) nutzt.

DL4J (Deeplearning4j)

Deeplearning4j ist eine Open-Source-Bibliothek für die KI-Entwicklung mit Deep-Learning-Methoden. Speziell für Java und JVM (Java Virtual Machine) geschrieben.

DL4J läuft auf seiner eigenen numerischen Rechenbibliothek und kann sowohl auf der CPU als auch auf der GPU ausgeführt werden.

Es gibt noch viele weitere unterschiedliche Umgebungen für die Entwicklung künstlicher Intelligenz. Erwähnen wir kurz ONNX, eine gemeinsam von Facebook und Microsoft entwickelte Deep-Learning-Plattform, sowie einige andere: H2O, DSSTNE, Theano, DeepDetect, ConvNetJS, ACT-R, Caffe und CaffeOnSpark.

MXNET

Apache MXNET ist ein Deep-Learning-Framework für die Bereitstellung neuronaler Netze. Es verfügt über ein skalierbares Lernmodell, das mehrere Programmiersprachen für die KI-Entwicklung unterstützt: Go, R, Scala, Perl, C++, Python, Julia, Matlab, JavaScript und ist ein Open-Source-Projekt.

MXNET wird verwendet, um neuronale Netze in Shared-Hosting-Diensten wie AWS und Microsoft Azure bereitzustellen.

Wo wird künstliche Intelligenz eingesetzt?

Intelligente Systeme werden in verschiedenen Bereichen und Bereichen eingesetzt. Man findet sie in Sprachassistenten, Handelsrobotern, militärischen Entwicklungen und so weiter. Lassen Sie uns die wichtigsten durchgehen.

Sprachassistenten

KI-basierte Sprachassistenten wie Siri, Google Now, Alexa, Bixby und Cortana. Sie hören zu, was der Benutzer sagt, um die Sprache in einen maschinenlesbaren Vektor umzuwandeln. Anschließend wird ein Antwortvektor erstellt, der vom Sprachassistenten mithilfe der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) gesprochen wird.

Intelligente Assistenten

Autodesk Eva ist ein großartiges Beispiel für einen intelligenten Assistenten, der CNN und NLP nutzt, um in Echtzeit mit Kunden zu interagieren.

Der 3D-modellierte intelligente Assistent kann in Echtzeit mit dem Kunden kommunizieren und die entsprechende Mimik nachahmen.

Selbstfahrende Autos

Selbstfahrende Autos nutzen Radar, LIDAR (Lichtdetektor und Entfernungsmesser), GPS und eine Kamera, um 3D-Modelle sich nähernder Fahrzeuge zu erstellen. Alle diese Daten werden kombiniert, um den Standort des Fahrzeugs mit sehr hoher Genauigkeit zu bestimmen. Der Treiber ist eine KI, die alle eingehenden Informationen von Sensoren analysiert.

Gesichtserkennung

Die Entwicklung der künstlichen Intelligenz auf Basis von CNN ermöglichte die Einführung eines Gesichtserkennungssystems.

Vor Kurzem hat China damit begonnen, in der ganzen Stadt Gesichtserkennungssysteme über CCTV-Kameras einzusetzen und Geldstrafen für Verkehrsverstöße zu verhängen. Alibaba-Filialen in China nutzen Gesichts- und Bilderkennung für die Abrechnung.

Lastverteilung

Lastausgleich auf Straßen, Transportsystemen, Servern usw.

Sprachübersetzer

Google Translate ist ein gutes Beispiel. Es besteht aus zwei Modulen: einem Encoder und einem Decoder. Der Encoder übernimmt Eingabesätze aus Sprache oder Text und übersetzt sie dann in einen Vektor, der für Eingaben aus allen Sprachen das gleiche Format hat.

Das Decodermodul verwendet diesen Vektor als Eingabe und generiert dann Text oder Sprache in der Zielsprache. Die Spracherkennung erfolgt mit RNN, die Sprachausgabe erfolgt mit NLP.

Bildsuche und -analyse

Die Bildsuche und -analyse dient der Prüfung auf Plagiate,
Suche nach Personen, für SEO-Zwecke, Suche nach anstößigen Inhalten in sozialen Netzwerken.

Optimierung für beste Ergebnisse

Deepmind-Module wurden zum Spielen von Schach, Go, Dota 2 und Starfield 2 trainiert.

Diese Module haben in nur wenigen Trainingswochen jahrhundertelange Spiele gespielt und die KI dazu gebracht, die besten Spieler der Welt zu schlagen.

Natürlich sind das nicht alle Einsatzgebiete von KI. Mit der Weiterentwicklung von KI-Technologien und -Fähigkeiten wird sich der Anwendungsbereich intelligenter Systeme nur noch erweitern.

Wenn der Trend der technologischen Entwicklung anhält oder sich beschleunigt, fürchte ich, dass wir Zeit haben werden, eine Ära einzuleiten, in der Computer intelligenter werden als Menschen und alle Dienste, Systeme und Tools mit einem zentralen System verbunden werden, das von künstlicher Intelligenz gesteuert wird.

Sie könnten interessiert sein an:

• 
  
• 
  

Der Begriff der künstlichen Intelligenz (KI oder AI) umfasst nicht nur Technologien, die es ermöglichen, intelligente Maschinen (einschließlich Computerprogramme) zu erstellen. KI ist auch einer der Bereiche des wissenschaftlichen Denkens.

Künstliche Intelligenz – Definition

Intelligenz- Dies ist die mentale Komponente einer Person, die über folgende Fähigkeiten verfügt:

• adaptiv;
• Lernen durch Anhäufung von Erfahrung und Wissen;
• die Fähigkeit, Wissen und Fähigkeiten anzuwenden, um die Umwelt zu verwalten.

Der Intellekt vereint alle Fähigkeiten eines Menschen, die Realität zu erkennen. Mit ihrer Hilfe denkt eine Person, erinnert sich an neue Informationen, nimmt die Umgebung wahr und so weiter.

Unter künstlicher Intelligenz wird einer der Bereiche der Informationstechnologie verstanden, der sich mit der Erforschung und Entwicklung von Systemen (Maschinen) beschäftigt, die mit den Fähigkeiten der menschlichen Intelligenz ausgestattet sind: Lernfähigkeit, logisches Denken usw.

Derzeit wird an der künstlichen Intelligenz gearbeitet, indem neue Programme und Algorithmen entwickelt werden, die Probleme auf die gleiche Weise lösen wie ein Mensch.

Aufgrund der Tatsache, dass sich die Definition von KI mit der Entwicklung dieser Richtung weiterentwickelt, ist es notwendig, den KI-Effekt zu erwähnen. Damit ist der Effekt gemeint, den künstliche Intelligenz erzeugt, wenn sie Fortschritte gemacht hat. Wenn die KI beispielsweise gelernt hat, irgendwelche Aktionen auszuführen, schließen sich Kritiker sofort an und argumentieren, dass diese Erfolge nicht auf das Vorhandensein von Denken in der Maschine hinweisen.

Die Entwicklung künstlicher Intelligenz geht heute in zwei unabhängige Richtungen:

• Neurokybernetik;
• logischer Ansatz.

Die erste Richtung umfasst die Untersuchung neuronaler Netze und des Evolutionsrechnens aus biologischer Sicht. Der logische Ansatz beinhaltet die Entwicklung von Systemen, die intellektuelle Prozesse nachahmen hohes Level: Denken, Sprechen usw.

Die ersten Arbeiten auf dem Gebiet der KI begannen Mitte des letzten Jahrhunderts. Der Pionier der Forschung in dieser Richtung war Alan Turing, obwohl bestimmte Ideen bereits im Mittelalter von Philosophen und Mathematikern zum Ausdruck gebracht wurden. Insbesondere wurde bereits zu Beginn des 20. Jahrhunderts ein mechanisches Gerät eingeführt, mit dem Schachprobleme gelöst werden konnten.

Aber in Wirklichkeit wurde diese Richtung Mitte des letzten Jahrhunderts gebildet. Dem Erscheinen von Arbeiten zur KI gingen Forschungen über die menschliche Natur, die Art und Weise, die Welt um uns herum zu kennen, die Möglichkeiten des Denkprozesses und andere Bereiche voraus. Zu diesem Zeitpunkt waren bereits die ersten Computer und Algorithmen erschienen. Damit wurde der Grundstein gelegt, auf dem eine neue Forschungsrichtung geboren wurde.

Im Jahr 1950 veröffentlichte Alan Turing einen Artikel, in dem er Fragen zu den Fähigkeiten zukünftiger Maschinen stellte und auch fragte, ob sie den Menschen in puncto Empfindungsvermögen übertreffen könnten. Dieser Wissenschaftler war es, der das später nach ihm benannte Verfahren entwickelte: den Turing-Test.

Nach der Veröffentlichung der Arbeiten des englischen Wissenschaftlers erschienen neue Forschungen auf dem Gebiet der KI. Als denkende Maschine kann laut Turing nur eine Maschine erkannt werden, die bei der Kommunikation nicht von einem Menschen unterschieden werden kann. Etwa zur gleichen Zeit, als die Rolle eines Wissenschaftlers auftauchte, wurde ein Konzept namens „Baby Machine“ geboren. Es sah die fortschreitende Entwicklung der KI und die Schaffung von Maschinen vor, deren Denkprozesse zunächst auf der Ebene eines Kindes geformt und dann schrittweise verbessert werden.

Der Begriff „künstliche Intelligenz“ wurde später geboren. Im Jahr 1952 traf sich eine Gruppe von Wissenschaftlern, darunter Turing, an der American University of Dartmund, um Fragen im Zusammenhang mit KI zu diskutieren. Nach diesem Treffen begann die aktive Entwicklung von Maschinen mit den Fähigkeiten künstlicher Intelligenz.

Eine besondere Rolle bei der Schaffung neuer Technologien im Bereich der KI spielten die Militärabteilungen, die diesen Forschungsbereich aktiv förderten. In der Folge begann die Arbeit im Bereich der künstlichen Intelligenz große Unternehmen anzulocken.

Das moderne Leben stellt Forscher vor komplexere Herausforderungen. Daher vollzieht sich die Entwicklung der KI unter grundlegend anderen Bedingungen, wenn wir sie mit dem vergleichen, was in der Zeit der Entstehung der künstlichen Intelligenz geschah. Die Prozesse der Globalisierung, das Vorgehen von Eindringlingen im digitalen Raum, die Entwicklung des Internets und andere Probleme – all das stellt Wissenschaftler vor komplexe Aufgaben, deren Lösung im Bereich der KI liegt.

Trotz der in den letzten Jahren in diesem Bereich erzielten Erfolge (z. B. das Aufkommen autonomer Technologien) gibt es immer noch Stimmen von Skeptikern, die nicht an die Schaffung einer wirklich künstlichen Intelligenz und eines nicht sehr leistungsfähigen Programms glauben. Einige Kritiker befürchten, dass die aktive Entwicklung der KI bald dazu führen wird, dass Maschinen den Menschen vollständig ersetzen werden.

Forschungsrichtungen

Die Philosophen sind sich noch nicht einig darüber, was die Natur des menschlichen Intellekts ist und welchen Status er hat. In diesem Zusammenhang gibt es in wissenschaftlichen Arbeiten, die sich der KI widmen, viele Ideen, die erzählen, welche Aufgaben künstliche Intelligenz löst. Es gibt auch kein einheitliches Verständnis für die Frage, welche Art von Maschine als intelligent gelten kann.

Die Entwicklung künstlicher Intelligenztechnologien geht heute in zwei Richtungen:

1. Absteigend (semiotisch). Dabei geht es um die Entwicklung neuer Systeme und Wissensbasen, die hochrangige mentale Prozesse wie Sprache, Ausdruck von Emotionen und Denken nachahmen.
2. Aufsteigend (biologisch). Bei diesem Ansatz handelt es sich um Forschung auf dem Gebiet neuronaler Netze, durch die Modelle intellektuellen Verhaltens aus der Sicht biologischer Prozesse erstellt werden. Basierend auf dieser Richtung werden Neurocomputer geschaffen.

Bestimmt die Fähigkeit der künstlichen Intelligenz (Maschine), genauso zu denken wie ein Mensch. Im Allgemeinen sieht dieser Ansatz die Schaffung einer KI vor, deren Verhalten sich nicht von menschlichen Handlungen in denselben, normalen Situationen unterscheidet. Tatsächlich geht der Turing-Test davon aus, dass eine Maschine nur dann intelligent ist, wenn man bei der Kommunikation mit ihr nicht verstehen kann, wer spricht: ein Mechanismus oder eine lebende Person.

Science-Fiction-Bücher bieten eine andere Möglichkeit, die Fähigkeiten der KI einzuschätzen. Künstliche Intelligenz wird real, wenn sie fühlt und erschaffen kann. Allerdings ist dieser Definitionsansatz in der Praxis nicht haltbar. Beispielsweise entstehen bereits Maschinen, die auf Veränderungen in der Umgebung (Kälte, Hitze usw.) reagieren können. Gleichzeitig können sie nicht so fühlen, wie ein Mensch es tut.

Symbolischer Ansatz

Der Erfolg bei der Lösung von Problemen wird maßgeblich von der Fähigkeit bestimmt, flexibel an die Situation heranzugehen. Im Gegensatz zu Menschen interpretieren Maschinen die empfangenen Daten einheitlich. Daher beteiligt sich nur eine Person an der Lösung von Problemen. Die Maschine führt Operationen auf der Grundlage geschriebener Algorithmen aus, die die Verwendung mehrerer Abstraktionsmodelle ausschließen. Die Flexibilität von Programmen kann durch die Erhöhung der Ressourcen erreicht werden, die bei der Lösung von Problemen erforderlich sind.

Die oben genannten Nachteile sind typisch für den symbolischen Ansatz bei der Entwicklung von KI. Jedoch diese Richtung Die Entwicklung künstlicher Intelligenz ermöglicht es, neue Regeln im Berechnungsprozess zu erstellen. Und die Probleme, die sich aus dem symbolischen Ansatz ergeben, können durch logische Methoden gelöst werden.

logischer Ansatz

Dieser Ansatz beinhaltet die Erstellung von Modellen, die den Prozess des Denkens nachahmen. Es basiert auf den Prinzipien der Logik.

Bei diesem Ansatz werden keine starren Algorithmen verwendet, die zu einem bestimmten Ergebnis führen.

Agentenbasierter Ansatz

Es nutzt intelligente Agenten. Dieser Ansatz geht von Folgendem aus: Intelligenz ist ein rechnerischer Teil, durch den Ziele erreicht werden. Die Maschine übernimmt die Rolle eines intelligenten Agenten. Mithilfe spezieller Sensoren lernt sie die Umgebung kennen und interagiert über mechanische Teile mit ihr.

Der agentenbasierte Ansatz konzentriert sich auf die Entwicklung von Algorithmen und Methoden, die es Maschinen ermöglichen, in verschiedenen Situationen betriebsbereit zu bleiben.

Hybrider Ansatz

Dieser Ansatz beinhaltet die Integration neuronaler und symbolischer Modelle, wodurch die Lösung aller Probleme im Zusammenhang mit Denk- und Rechenprozessen erreicht wird. Neuronale Netze können beispielsweise die Richtung erzeugen, in die sich der Betrieb einer Maschine bewegt. Und statisches Lernen liefert die Grundlage, auf der Probleme gelöst werden.

Nach Angaben von Unternehmensexperten Gärtner Bis Anfang der 2020er Jahre werden fast alle veröffentlichten Softwareprodukte Technologien der künstlichen Intelligenz nutzen. Experten gehen außerdem davon aus, dass etwa 30 % der Investitionen im digitalen Bereich auf KI entfallen werden.

Laut Gartner-Analysten eröffnet künstliche Intelligenz neue Möglichkeiten für die Zusammenarbeit zwischen Menschen und Maschinen. Gleichzeitig ist der Prozess der Verdrängung einer Person durch KI nicht aufzuhalten und wird sich in Zukunft noch beschleunigen.

In Gesellschaft PwC gehen davon aus, dass das Volumen des weltweiten Bruttoinlandsprodukts aufgrund der raschen Einführung neuer Technologien bis 2030 um etwa 14 % wachsen wird. Darüber hinaus werden etwa 50 % der Steigerung zu einer Steigerung der Effizienz der Produktionsprozesse führen. Die zweite Hälfte des Indikators wird der zusätzliche Gewinn sein, der durch die Einführung von KI in Produkten erzielt wird.

Zunächst werden die Vereinigten Staaten von der Wirkung des Einsatzes künstlicher Intelligenz profitieren, da dieses Land sie geschaffen hat Bessere Konditionen für den Betrieb von Maschinen auf KI. In Zukunft werden sie von China überholt, das durch die Einführung solcher Technologien in Produkte und deren Produktion den maximalen Gewinn erzielen wird.

Unternehmensexperten Verkaufskraft behaupten, dass KI die Rentabilität kleiner Unternehmen um etwa 1,1 Billionen US-Dollar steigern wird. Und es wird bis 2021 geschehen. Dieser Indikator wird zum Teil durch die Implementierung von KI-Lösungen in Systemen erreicht, die für die Kommunikation mit Kunden verantwortlich sind. Gleichzeitig wird die Effizienz der Produktionsprozesse durch die Automatisierung verbessert.

Durch die Einführung neuer Technologien werden zudem 800.000 zusätzliche Arbeitsplätze geschaffen. Experten weisen darauf hin, dass diese Zahl den Verlust von Leerständen aufgrund der Prozessautomatisierung ausgleicht. Basierend auf einer Umfrage unter Unternehmen gehen Analysten davon aus, dass ihre Ausgaben für Fabrikautomatisierung bis Anfang der 2020er Jahre auf etwa 46 Milliarden US-Dollar steigen werden.

Auch in Russland wird im Bereich KI gearbeitet. Seit 10 Jahren hat der Staat mehr als 1,3 Tausend Projekte in diesem Bereich finanziert. Darüber hinaus flossen die meisten Investitionen in die Entwicklung von Programmen, die nicht mit der Durchführung kommerzieller Aktivitäten zusammenhängen. Dies zeigt, dass die russische Geschäftswelt noch kein Interesse an der Einführung von Technologien der künstlichen Intelligenz hat.

Insgesamt wurden für diese Zwecke in Russland rund 23 Milliarden Rubel investiert. Die Höhe der staatlichen Subventionen ist geringer als die Höhe der KI-Förderung in anderen Ländern. In den Vereinigten Staaten werden für diese Zwecke jedes Jahr etwa 200 Millionen Dollar bereitgestellt.

Grundsätzlich werden in Russland Mittel aus dem Staatshaushalt für die Entwicklung von KI-Technologien bereitgestellt, die dann im Verkehrssektor, in der Verteidigungsindustrie und in sicherheitsbezogenen Projekten eingesetzt werden. Dieser Umstand weist darauf hin, dass die Menschen in unserem Land eher in Bereichen investieren, in denen sich mit den investierten Mitteln schnell eine bestimmte Wirkung erzielen lässt.

Die obige Studie zeigte auch, dass Russland mittlerweile über ein hohes Potenzial für die Ausbildung von Fachkräften verfügt, die an der Entwicklung von KI-Technologien beteiligt werden können. Für 5 den letzten Jahren Ungefähr 200.000 Menschen wurden in KI-bezogenen Bereichen geschult.

KI-Technologien entwickeln sich in folgende Richtungen:

• Lösung von Problemen, die es ermöglichen, die Fähigkeiten der KI den menschlichen Fähigkeiten anzunähern und Wege zu finden, sie in den Alltag zu integrieren;
• Entwicklung eines vollwertigen Geistes, durch den die Aufgaben gelöst werden, vor denen die Menschheit steht.

Derzeit konzentrieren sich Forscher auf die Entwicklung von Technologien, die praktische Probleme lösen. Bisher ist es den Wissenschaftlern nicht gelungen, eine vollwertige künstliche Intelligenz zu schaffen.

Viele Unternehmen entwickeln Technologien im Bereich KI. „Yandex“ nutzt sie seit mehr als einem Jahr in der Arbeit der Suchmaschine. Seit 2016 forscht das russische IT-Unternehmen im Bereich neuronaler Netze. Letztere verändern die Art der Arbeit von Suchmaschinen. Insbesondere vergleichen neuronale Netze die vom Benutzer eingegebene Abfrage mit einer bestimmten Vektorzahl, die die Bedeutung der Aufgabe am besten widerspiegelt. Mit anderen Worten: Die Suche erfolgt nicht nach dem Wort, sondern nach dem Kern der von der Person angeforderten Informationen.

Im Jahr 2016 „Yandex“ den Dienst gestartet "Zen", das Benutzerpräferenzen analysiert.

Unternehmen Abbyy hat kürzlich ein System eingeführt Compreno. Mit seiner Hilfe ist es möglich, den in natürlicher Sprache verfassten Text zu verstehen. Auch andere Systeme, die auf Technologien der künstlichen Intelligenz basieren, sind vor relativ kurzer Zeit auf den Markt gekommen:

1. finde O. Das System ist in der Lage, menschliche Sprache zu erkennen und mithilfe komplexer Abfragen nach Informationen in verschiedenen Dokumenten und Dateien zu suchen.
2. Gamalon. Dieses Unternehmen führte ein System mit der Fähigkeit zum Selbstlernen ein.
3. Watson. Ein IBM-Computer, der eine Vielzahl von Algorithmen zur Suche nach Informationen verwendet.
4. ViaVoice. System zur Erkennung menschlicher Sprache.

Große Handelsunternehmen lassen sich die Fortschritte im Bereich der künstlichen Intelligenz nicht entgehen. Banken setzen solche Technologien aktiv in ihre Aktivitäten ein. Mit Hilfe KI-basierter Systeme führen sie Transaktionen an Börsen durch, verwalten Eigentum und führen andere Operationen durch.

Die Verteidigungsindustrie, die Medizin und andere Bereiche implementieren Objekterkennungstechnologien. Und Entwicklungsunternehmen Computerspiele, wenden Sie KI an, um das nächste Produkt zu erstellen.

In den letzten Jahren hat eine Gruppe amerikanischer Wissenschaftler an einem Projekt gearbeitet NEIL, bei dem die Forscher den Computer auffordern, zu erkennen, was auf dem Foto abgebildet ist. Experten gehen davon aus, dass sie auf diese Weise ein selbstlernendes System ohne externe Eingriffe schaffen können.

Unternehmen VisionLab stellte eine eigene Plattform vor LUNA, das Gesichter in Echtzeit erkennen kann, indem es sie aus einer riesigen Sammlung von Bildern und Videos auswählt. Diese Technologie wird mittlerweile von großen Banken und Netzwerkhändlern genutzt. Mit LUNA können Sie die Vorlieben der Menschen vergleichen und ihnen relevante Produkte und Dienstleistungen anbieten.

Ein russisches Unternehmen arbeitet an ähnlichen Technologien N-Tech-Labor. Gleichzeitig versuchen seine Spezialisten, ein Gesichtserkennungssystem auf Basis neuronaler Netze zu entwickeln. Nach neuesten Daten bewältigt die russische Entwicklung die gestellten Aufgaben besser als ein Mensch.

Laut Stephen Hawking wird die Entwicklung künstlicher Intelligenztechnologien in Zukunft zum Tod der Menschheit führen. Der Wissenschaftler stellte fest, dass die Menschen durch die Einführung der KI allmählich degradieren werden. Und unter den Bedingungen der natürlichen Evolution, wenn ein Mensch ständig ums Überleben kämpfen muss, wird dieser Prozess unweigerlich zu seinem Tod führen.

Russland denkt positiv über die Einführung von KI nach. Alexei Kudrin sagte einmal, dass der Einsatz solcher Technologien die Kosten für die Aufrechterhaltung des Staatsapparats um etwa 0,3 % des BIP senken würde. Dmitri Medwedew prognostiziert das Verschwinden einer Reihe von Berufen aufgrund der Einführung von KI. Der Beamte betonte jedoch, dass der Einsatz solcher Technologien zu einer raschen Entwicklung anderer Industrien führen werde.

Laut Experten des Weltwirtschaftsforums werden bis Anfang der 2020er Jahre etwa 7 Millionen Menschen aufgrund der Automatisierung der Produktion ihren Arbeitsplatz verlieren. Die Einführung von KI wird höchstwahrscheinlich zu einem Wandel der Wirtschaft und zum Verschwinden einer Reihe von Berufen im Zusammenhang mit der Datenverarbeitung führen.

Experten McKinsey erklären, dass der Prozess der Automatisierung der Produktion in Russland, China und Indien aktiver sein wird. In diesen Ländern werden in naher Zukunft bis zu 50 % der Arbeitnehmer aufgrund der Einführung von KI ihren Arbeitsplatz verlieren. An ihre Stelle treten Computersysteme und Roboter.

Laut McKinsey wird künstliche Intelligenz Arbeitsplätze ersetzen, die manuelle Arbeit und Informationsverarbeitung erfordern: Einzelhandel, Hotelpersonal und so weiter.

Bis zur Mitte dieses Jahrhunderts wird laut Experten eines amerikanischen Unternehmens die Zahl der Arbeitsplätze weltweit um etwa 50 % zurückgehen. Menschen werden durch Maschinen ersetzt, die ähnliche Vorgänge mit gleicher oder höherer Effizienz ausführen können. Gleichzeitig schließen Experten nicht aus, dass diese Prognose vor dem angegebenen Zeitpunkt eintrifft.

Andere Analysten weisen auf den Schaden hin, den Roboter anrichten können. McKinsey-Experten weisen beispielsweise darauf hin, dass Roboter im Gegensatz zu Menschen keine Steuern zahlen. Aufgrund sinkender Haushaltseinnahmen wird der Staat daher nicht in der Lage sein, die Infrastruktur auf dem gleichen Niveau aufrechtzuerhalten. Deshalb schlug Bill Gates eine neue Steuer auf Roboterausrüstung vor.

KI-Technologien steigern die Effizienz von Unternehmen, indem sie die Zahl der gemachten Fehler reduzieren. Darüber hinaus können Sie damit die Betriebsgeschwindigkeit auf ein Niveau steigern, das von Menschen nicht erreicht werden kann.

Die bekannteste Methode, um festzustellen, ob eine Maschine über Intelligenz verfügt, ist der Turing-Test, der 1950 vom Mathematiker Alan Turing vorgeschlagen wurde. Beim Test spricht eine Person mit einem Computer und muss feststellen, wer spricht – eine Maschine oder ein Mensch. Wenn eine Maschine in der Lage ist, ein Gespräch nachzuahmen, dann verfügt sie über Intelligenz. Heute gibt es den Turing-Test bereits: Letzten Sommer hat ihn der Chatbot Eugene Goostman bestanden, und der Test wird ständig kritisiert. Look At Me hat acht weitere Möglichkeiten zusammengestellt, um festzustellen, ob ein Auto über Intelligenz verfügt.

Lovelace-Test 2.0

Dieser Test ist nach Ada Lovelace benannt, einer Mathematikerin aus dem 19. Jahrhundert, die als die erste Computerprogrammiererin der Geschichte gilt. Es soll das Vorhandensein von Intelligenz in einer Maschine anhand ihrer Fähigkeit, kreativ zu sein, feststellen. Der Test wurde ursprünglich im Jahr 2001 vorgeschlagen, bei dem die Maschine ein Kunstwerk schaffen sollte, das der Konstrukteur der Maschine für von Menschenhand geschaffen halten würde. Da es keine klaren Erfolgskriterien gibt, ist der Test zu ungenau.

Letztes Jahr hat Professor Mark Reidel vom Georgia Institute of Technology den Test aktualisiert, um ihn weniger subjektiv zu machen. Jetzt muss die Maschine ein Werk in einem bestimmten Genre und innerhalb bestimmter kreativer Grenzen schaffen, die von einem menschlichen Richter festgelegt werden. Einfach ausgedrückt muss es sich um ein Kunstwerk in einem bestimmten Stil handeln. Beispielsweise könnte ein Richter die Maschine bitten, ein manieristisches Gemälde im Stil von Parmigianino oder ein Jazzstück im Stil von Miles Davis zu malen. Im Gegensatz zum ursprünglichen Test arbeiten die Maschinen innerhalb der vorgegebenen Grenzen und die Juroren können das Ergebnis daher objektiver beurteilen.

IKEA-Test

Dem Automaten wird ein Bild gezeigt und er wird beispielsweise gefragt, wo sich die Tasse darauf befindet, und er erhält mehrere Antworten. Alle Antwortmöglichkeiten sind richtig (auf dem Tisch, auf der Matte, vor dem Stuhl, links von der Lampe) aber manche mögen menschlicher sein als andere (Bei all den oben genannten Fragen ist es beispielsweise wahrscheinlicher, dass eine Person „auf dem Tisch“ antwortet.). Es scheint eine einfache Aufgabe zu sein, aber tatsächlich ist die Fähigkeit, zu beschreiben, wo sich ein Objekt im Verhältnis zu anderen Objekten befindet, ein wesentliches Element des menschlichen Geistes. Hier spielen viele Nuancen und subjektive Urteile eine Rolle, von der Größe der Objekte bis zu ihrer Rolle in einer bestimmten Situation – im Allgemeinen dem Kontext. Menschen tun dies intuitiv, aber Maschinen stoßen auf Probleme.

Traubenschemata

Chatbots, die den Turing-Test bestehen, sind gut darin, Richtern vorzutäuschen, sie seien Menschen. Laut Hector Levesque, Professor für Informatik an der University of Toronto, zeigt ein solcher Test nur, wie leicht es ist, eine Person zu täuschen, insbesondere bei kurzer Textkorrespondenz. Ob eine Maschine über Intelligenz oder gar Sprachverständnis verfügt, lässt sich anhand des Turing-Tests jedoch nicht sagen.