Ist es jetzt schon Apokalypse?
Elon Musk sagte, künstliche Intelligenz könne den Dritten Weltkrieg auslösen. Wenn der Hersteller des Autos mit der fortschrittlichsten und sprunghaftesten künstlichen Intelligenz der Welt dies sagt, bedeutet dies, dass es eine Grundlage gibt. Bis vor kurzem gab es nur sehr wenige, die sich um die Folgen der technologischen Innovation kümmerten, die einen furiosen Schritt machte. Und wir waren erst am Anfang, wir hatten noch nichts gesehen.
Dann geschah es, dass der Diskurs über die Folgen der Technologie in alle Teile der Gesellschaft einzudringen begann, außer unter Technologen, die überzeugt sind, „auf einer Mission für Gott“ zu sein. Künstliche Intelligenz ist der Hauptschuldige dieser Umkehrung der öffentlichen Wahrnehmung.
Wenn es um KI geht, konzentriert sich ein großer Teil der öffentlichen Diskussion auf mehr als nur den Verlust von Arbeitsplätzen oder die Überhandnahme Chinas. Aber auch und vor allem auf die Angst, dass intelligente Maschinen eines Tages die Welt erobern und den Menschen zum bloßen Glied in der Nahrungskette machen. Das passiert nicht in der Krieg der Welten von Huxley?
Die implizite Annahme ist, dass Mensch und Maschine in Konkurrenz stehen. Ein Wettbewerb, den die Maschine gewinnen wird. Letztendlich werden uns intelligente Systeme mit ihrer überlegenen Geschwindigkeit, Rechenleistung und Verschleißfestigkeit zuerst in Berufen, dann in Organisationen und schließlich bei Entscheidungen ersetzen.
Es gibt eine ökonometrische Studie aus dem Jahr 2015 des National Bureau of Economic Research, einem Forschungszentrum, das wirtschaftliche Trends mit ausreichender Genauigkeit vorhersagt. Diese Studie zog diese Schlussfolgerung aus der Forschung zur Entwicklung der künstlichen Intelligenz:
"Ohne eine angemessene Fiskalpolitik, die von Gewinnern zu Verlierern umverteilt, werden intelligente Autos langfristig mehr Armut für alle bedeuten."
Zwei Bedingungen, die im Moment noch lange nicht eingetreten, wenn nicht sogar erdacht zu sein scheinen. Aber eines passiert: Ein erheblicher Teil der Bevölkerung in den entwickelten Ländern ist tatsächlich verarmt. Und wir wissen, dass Verarmung noch brutalere Folgen haben kann als künstliche Intelligenz.
Additive Intelligenz
Versuchen wir, die Sache aus einer anderen Perspektive zu sehen. Fragen wir uns. Was wäre, wenn die Mensch-Maschine-Operation der Macht nicht subtraktiv, sondern additiv wäre? Das ist die Perspektive, die Paul Daugherty und James Wilson in ihrem Buch vorschlagen, das schließlich ins Italienische übersetzt wurde Mensch + Maschine. Arbeit im Zeitalter der künstlichen Intelligenz neu denken, Guerini, 2019, p. 215 (auch als eBook in Co-Edition mit goWare erhältlich).
Die Arbeit von Daugherty und Wilson ist nicht theoretisch oder erzählend, sondern bezieht ihre Überlegungen aus der Felderfahrung der beiden Autoren. Tatsächlich tragen beide Hauptverantwortlichkeiten bei Accenture. Daugherty ist Chief Technology and Innovation Officer und leitet weltweit Projekte für künstliche Intelligenz und F&E. Wilson leitet die Abteilung IT and Business Research.
Accenture ist das größte Managementberatungsunternehmen der Welt. Er atmet die gleiche Luft wie die Unternehmen, vor allem große, für die er Schulter an Schulter arbeitet. Es ist schwierig, ein Observatorium mit einem besseren Überblick über den Bereich zu haben, in dem Innovationen und Veränderungen stattfinden.
Daugherty und Wilson führten eine Beobachtungsanalyse und Fallstudien von 450 Organisationen in einer Stichprobe von 1500 durch und identifizierten eine Reihe relevanter Phänomene, die der quantitativen Forschung entgangen sind. Das eine ist das Konzept der „Fusion Skills“: Mensch und Maschine bilden gemeinsam neue Arten von Arbeit und beruflichen Erfahrungen.
Genau diese Verschmelzung von Wissen und Können ist der „Geisterraum“. Geist in dem Sinne, dass er in der polarisierenden Debatte über Arbeit fehlt, die Männer gegen Maschinen ausgespielt hat. Und in diesem zentralen Phantomraum haben hochmoderne Unternehmen ihre Arbeitsprozesse neu erfunden und außergewöhnliche Leistungssteigerungen erzielt.
l Umschulung
Paolo Traverso, Direktor des FBK ICT Fondazione Bruno Kessler Center, fasst in seinem Vorwort zum Buch die These der beiden Autoren sehr gut zusammen. Schreibt:
Der Sinn der Arbeit ist bereits im Titel angekündigt: Die Zukunft liegt nicht in Maschinen per se, so intelligent sie auch sein mögen, sie liegt nicht in der reinen Industrieautomation, auch wenn sie bis zum Äußersten getrieben wird, um einen hohen Prozentsatz des Alltäglichsten zu ersetzen und wenig kreative Komponenten jedes Berufs. Die Zukunft der Gesellschaft, aber auch des Marktes und der Wirtschaft, liegt tatsächlich dort, wo Maschinen und Menschen zusammenarbeiten, wo Handwerke, aber auch Geschäftsmodelle grundlegend erneuert werden. Künstliche Intelligenz darf die Menschen, ihre Fähigkeiten, ihre Kreativität nicht ersetzen, aber sie muss sie verbessern, sie muss sie steigern.
Der grundlegende Hebel dafür liegt in dem, was die Autoren Re-Skilling nennen, also in der Vorbereitung von Millionen Menschen jeden Alters auf den Umgang mit neuen Technologien. Ein titanisches, aber unvermeidliches Unterfangen.
Sogar eine reuige Technologin wie Arianna Huffington, die sich jetzt für eine Trennung einsetzt, schätzte die Arbeit der beiden Autoren sehr, die letztendlich in die Richtung einer Absorption von Technologie in den menschlichen Zustand geht, bis sie ein integraler Bestandteil davon wird. So drückt es Huffington über das Buch aus:
«In Human + Machine liefern Daugherty und Wilson ein Zukunftsmodell, in dem künstliche Intelligenz unsere menschliche Seite bereichert. Das Buch ist voller Beispiele, Anleitungen und Inspirationen und ein praktischer Leitfaden zum Verständnis künstlicher Intelligenz – was sie für unser Leben bedeutet und wie wir das Beste daraus machen können."
Nachfolgend geben wir zwei kurze Auszüge aus dem Buch von Daugherty und Wilson. Der erste handelt von einer kurzen Geschichte der künstlichen Intelligenz. Geschichte dient immer dem Verstehen. Der zweite bringt es jedoch auf den Punkt, indem er die Reihe von Technologiekonstellationen diskutiert, die künstliche Intelligenz heute ausmachen. Im Wesentlichen handelt es sich bei künstlicher Intelligenz in diesem Entwicklungsstadium im Wesentlichen um Deep Learning. Wir können es immer noch kontrollieren.
Viel Spaß beim Lesen
. . .
Eine kurze Geschichte der künstlichen Intelligenz
1956
Die treibende Technologie hinter der aktuellen Ära adaptiver Prozesse ist die künstliche Intelligenz, die sich in den letzten zwei Jahrzehnten entwickelt hat. Seine Geschichte in Kürze wird uns einen Kontext liefern, in dem wir seine fortschrittlichsten Eigenschaften und Potenziale einrahmen können.
Das Gebiet der künstlichen Intelligenz wurde 1956 offiziell geboren, als sich eine kleine Gruppe von Informatikern und Forschern unter der Leitung von John McCarthy, darunter Claude Shannon, Marvin Minsky und andere, am Dartmouth College zur ersten Konferenz traf, die der Möglichkeit dieser Maschine gewidmet war Intelligenz kann menschliche Intelligenz nachahmen.
Die Konferenz, im Wesentlichen eine längere Brainstorming-Sitzung, basierte auf der Annahme, dass jeder Aspekt des Lernens und der Kreativität so präzise beschrieben werden könnte, dass er zu einem mathematischen Modell werden und somit von Maschinen repliziert werden könnte. Die Ziele waren ehrgeizig, beginnend mit dem Designvorschlag: "Es wird versucht herauszufinden, wie eine Maschine in die Lage versetzt werden kann, Sprache, Form, Abstraktionen und Konzepte zu verwenden, Arten von Problemen zu lösen, die derzeit auf Menschen beschränkt sind, und sich selbst zu verbessern." . Natürlich war das nur der Anfang.
Der Konferenz gelang es sofort, das Feld einzugrenzen und viele der mathematischen Ideen zu vereinen, die um das Konzept der künstlichen Intelligenz kreisen.
Die Pioniere
Und in den folgenden Jahrzehnten inspirierte sie ganz neue Forschungsgebiete. Beispielsweise hat Minsky zusammen mit Seymour Papert das als grundlegendes Buch über die Grenzen und Möglichkeiten neuronaler Netze geschrieben, einer Art künstlicher Intelligenz, die biologische Neuronen als Modell verwendet. Auch andere Ideen wie Expertensysteme - bei denen ein Computer mit tiefen Reserven an "Wissen" über bestimmte Bereiche wie Architektur oder medizinische Diagnostik ausgestattet ist - oder die Verarbeitung natürlicher Sprache, Computer Vision und tragbare Robotik können auf dieser Veranstaltung verfolgt werden.
Unter den Konferenzteilnehmern war Arthur Samuel, ein IBM-Ingenieur, der ein Computerprogramm zum Damespiel entwickelte. Sein Programm bewertete den Zustand eines Boards und berechnete die Chancen, dass eine bestimmte Position zum Sieg führen könnte.
1959 prägte Samuel den Ausdruck maschinelles Lernen, «automatisches Lernen»: also jener Forschungsbereich, der Computern die Fähigkeit zuschreibt zu lernen, ohne explizit programmiert zu werden. 1961 wurde sein maschinelles Lernprogramm verwendet, um den viertgrößten Damespieler der Vereinigten Staaten zu besiegen.
Da Samuel jedoch eine Privatperson war und keine Politik der Eigenwerbung praktizierte, wurde die Bedeutung seiner Arbeit zum maschinellen Lernen erst nach seinem Ausscheiden bei IBM im Jahr 1966 öffentlich bekannt.
Maschinelles Lernen
In den Jahrzehnten nach der Konferenz blieb maschinelles Lernen im Dunkeln, da sich die Aufmerksamkeit anderen KI-Modellen zuwandte. Insbesondere die in den XNUMXer und XNUMXer Jahren durchgeführte Forschung konzentrierte sich auf ein Konzept der Intelligenz, das auf physischen Symbolen basiert und durch logische Regeln manipuliert wird. Diese symbolischen Systeme fanden jedoch in der Praxis keinen Erfolg, und ihr Scheitern führte zu einer Zeit, die als „Winter der künstlichen Intelligenz“ bekannt ist.
In den 1990er Jahren begann das maschinelle Lernen jedoch wieder zu florieren und seine Befürworter übernahmen integrierte Statistik und Wahrscheinlichkeitstheorie in ihren Ansatz. Gleichzeitig begann die Revolution des Personal Computers. Im Laufe des nächsten Jahrzehnts würden digitale Systeme, Sensoren, das Internet und Mobiltelefone alltäglich werden und Experten für maschinelles Lernen bei der Entwicklung ihrer adaptiven Systeme alle Arten von Daten liefern.
Heute stellen wir uns ein maschinelles Lernprogramm als einen datensatzbasierten Modellbauer vor, mit dem Ingenieure und Spezialisten das System trainieren. Es ist ein starker Kontrast zur traditionellen Computerprogrammierung. Standardalgorithmen folgten vorgegebenen Pfaden, die durch statische Anweisungen oder durch Programmiercode in Gang gesetzt wurden. Ein maschinell lernendes System hingegen kann lernen, während es funktioniert. Mit jedem neuen Datensatz aktualisiert es seine Modelle und wie es die Welt „sieht“. In einem Zeitalter, in dem Maschinen durch Erfahrung und Information lernen und sich verändern können, sind Programmierer immer weniger Gesetzgeber und Diktatoren geworden, sondern viel mehr Lehrer und Trainer.
Heute wie heute
Heutzutage sind künstliche Intelligenzsysteme, die maschinelles Lernen einsetzen, allgegenwärtig. Banken nutzen sie, um sich vor Betrug zu schützen; Dating-Sites verwenden sie, um potenzielle Übereinstimmungen vorzuschlagen; Vermarkter verwenden sie, um vorherzusagen, wer positiv auf eine Anzeige reagieren wird; und Foto-Sharing-Sites verwenden sie für die automatische Gesichtserkennung. Seit dem ersten Damespiel ist ein langer Weg zurückgelegt. Im Jahr 2016 markierte Google AlphaGo einen bedeutenden Fortschritt auf diesem Gebiet. Zum ersten Mal hat ein Computer einen Go-Champion geschlagen, ein viel komplexeres Spiel als Dame oder Schach. Als Zeichen der Zeit hat AlphaGo Bewegungen hervorgebracht, die so unerwartet sind, dass einige Beobachter sie als kreativ, sogar als „schön“ bezeichnet haben.
Das Wachstum von künstlicher Intelligenz und maschinellem Lernen war im Laufe der Jahre sporadisch, aber die Art und Weise, wie beide in letzter Zeit in Produkte und Geschäftsabläufe eingedrungen sind, zeigt, dass sie für eine Hauptrolle mehr als bereit sind. Laut Danny Lange, ehemaliger Leiter des maschinellen Lernens bei Uber, hat die Technologie endlich die Wände der Forschungslabors verlassen und entwickelt sich schnell zum „Eckpfeiler dieser stürmischen neuen industriellen Transformation“.
Intelligente Technologien und Anwendungen: Wie können sie koexistieren?
Hier ist ein Glossar der Konstellation von KI-Technologien, die Sie heute kennen müssen. Diese Technologien entsprechen maschinellem Lernen, Fähigkeiten der künstlichen Intelligenz und Anwendungsschichten, wie in der folgenden Abbildung dargestellt.
Komponenten des maschinellen Lernens
— Maschinelles Lernen (ML). Das Gebiet der Informatik, das sich mit Algorithmen beschäftigt, die aus Daten lernen und aus Daten Vorhersagen treffen, ohne explizit programmiert werden zu müssen. Es ist ein Bereich, der seine Wurzeln in der Forschung von Arthur Samuel von IBM hat, der den Begriff 1959 prägte und die Prinzipien des maschinellen Lernens in seiner Arbeit an Computerspielen verwendete. Dank der Explosion von Daten, die zum Trainieren von Algorithmen zur Verfügung stehen, wird maschinelles Lernen derzeit in so unterschiedlichen Bereichen wie Computervisionsforschung, Betrugsermittlung, Preisvorhersage, Verarbeitung natürlicher Sprache und noch mehr eingesetzt.
- Überwachtes Lernen. Eine Art maschinelles Lernen, bei der vorklassifizierte und ausgewählte Daten, die aus beispielhaften Eingaben und gewünschten Ausgaben bestehen, einem Algorithmus präsentiert werden. Das Ziel des Algorithmus besteht darin, die allgemeinen Regeln zu lernen, die Eingaben mit Ausgaben verbinden, und diese Regeln zu verwenden, um zukünftige Ereignisse allein aus den Eingabedaten vorherzusagen.
- Unbeaufsichtigtes Lernen. Der Algorithmus wird nicht mit Labels versorgt und überlässt es ihm allein, Strukturen und Eingabemodelle zu finden. Unüberwachtes Lernen kann ein Selbstzweck sein (in Bezug auf das Entdecken verborgener Muster in den Daten) oder auf etwas Bestimmtes abzielen (z. B. das Extrahieren relevanter Merkmale aus den Daten). Unüberwachtes Lernen konzentriert sich weniger auf die Ausgabe als überwachtes Lernen und konzentriert sich mehr auf die Untersuchung von Eingabedaten und das Ableiten von verborgenen Strukturen und nicht markierten Daten.
- Halbüberwachtes Lernen. Verwenden Sie getaggte und nicht getaggte Daten – normalerweise plus Sekunden. Viele Forscher haben festgestellt, dass die Kombination der beiden Datensätze die Genauigkeit des Lernprozesses erheblich erhöht.
— Verstärkungslernen. Hierbei handelt es sich um eine Art Training, bei dem einem Algorithmus ein bestimmtes Ziel vorgegeben wird, beispielsweise das Bedienen eines mechanischen Arms oder das Spielen von Go. Jede Bewegung, die der Algorithmus macht, wird belohnt oder bestraft. Das Feedback ermöglicht es dem Algorithmus, den effizientesten Weg zum Ziel zu bauen.
- Neuronales Netzwerk. Eine Art des maschinellen Lernens, bei der ein Algorithmus, der aus Beobachtungsdaten lernt, Informationen ähnlich wie das menschliche Nervensystem verarbeitet. 1957 erfand Frank Rosenblatt von der Cornell University das erste neuronale Netzwerk, eine einfache, einstufige Architektur (bekannt als Oberflächennetzwerk).
- Deep Learning und Teilmengen: Deep Neural Networks (DNN), Recurrent Neural Networks (rnn) und Feedforward Neural Networks (FNN). Satz von Techniken zum Trainieren eines mehrstufigen neuronalen Netzes. Im dnn werden die "wahrgenommenen" Daten auf verschiedenen Ebenen verarbeitet; Jede Ebene verwendet die Ausgaben der vorherigen als Eingabe. Im Gegensatz zu fnn, bei dem die Daten nur in eine Richtung übertragen werden, ermöglicht rnn den Datenfluss zwischen den Ebenen.
Intelligente Skill-Komponenten
— Vorhersagesystem. System, das Beziehungen zwischen Variablen in historischen Datensätzen mit zugehörigen Ergebnissen findet. Die Beziehungen werden verwendet, um Modelle zu entwickeln, die wiederum verwendet werden, um Zukunftsszenarien vorherzusagen.
— Lokale Suche (Optimierung). Ein mathematischer Ansatz zur Problemlösung, der eine große Menge möglicher Lösungen verwendet. Der Algorithmus sucht ausgehend von einem Punkt in der Reihe nach der optimalen Lösung und bewegt sich iterativ und systematisch zu benachbarten Lösungen, bis er die optimale findet.
— Repräsentation von Wissen. Ein Bereich der künstlichen Intelligenz, der darauf abzielt, Informationen über die Welt in einer Form darzustellen, die der Computer verwenden kann, um Aufgaben auszuführen, wie z. B. das Erstellen einer medizinischen Diagnose oder das Führen eines Gesprächs mit einer Person.
— Expertensysteme (Inferenz). Ein System, das branchenspezifisches Wissen (Medizin, Chemie, Recht) in Kombination mit einer regelbasierten Engine verwendet, die entscheidet, wie dieses Wissen angewendet wird. Das System verbessert sich, wenn neue Informationen hinzugefügt werden oder wenn Regeln aktualisiert oder erweitert werden.
- Computer Vision. Ein Bereich, in dem Computern beigebracht wird, den Inhalt von Bildern und Videos zu identifizieren, zu kategorisieren und zu verstehen und das menschliche Sehen zu imitieren und umzusetzen.
— Verarbeitung von Audiosignalen. Maschinelles Lernen, das zur Analyse von Audio- und anderen digitalen Signalen verwendet werden kann, insbesondere in Umgebungen mit hoher Schallsättigung. Zu den Anwendungen gehören Computersprache sowie Audio- und audiovisuelle Verarbeitung.
Sprache zu Text. Neuronale Netze, die Audiosignale in Textsignale in einer Vielzahl natürlicher Sprachen umwandeln. Zu den Anwendungen gehören Übersetzung, Sprachbefehl und -steuerung, Audiotranskription und mehr.
- Verarbeitung natürlicher Sprache (NLP, Verarbeitung natürlicher Sprache). Eine Domäne, in der Computer menschliche (natürliche) Sprachen verarbeiten. Zu den Anwendungen gehören Spracherkennung, maschinelle Übersetzung, Stimmungsanalyse.
KI-Anwendungskomponenten
— Intelligente Agenten. Agenten, die über natürliche Sprache mit Menschen interagieren. Sie können verwendet werden, um menschliche Arbeit im Kundenservice, in der Personalabteilung, bei Praktika und anderen Bereichen des Unternehmens zu implementieren, in denen Anfragen zu FAQ-Vorlagen bearbeitet werden.
— Kollaborative Robotik (Cobots). Roboter, die langsamer arbeiten und mit Sensoren ausgestattet sind, die eine sichere Interaktion mit menschlichen Kollegen ermöglichen.
— Biometrie, Gesichts- und Gestenerkennung. Identifizieren Sie Personen, Gesten oder Trends in biometrischen Messungen (Stress, Aktivität usw.) für die Mensch-Maschine-Interaktion oder zu Identifikations- und Verifizierungszwecken.
— Intelligente Automatisierung. Es überträgt einige Aufgaben vom Menschen auf die Maschine, um die traditionelle Arbeitsweise drastisch zu verändern. Durch das Potenzial und die Fähigkeiten von Maschinen (Geschwindigkeit, Amplitude, Fähigkeit, Komplexität zu umgehen) ergänzen diese Werkzeuge die menschliche Arbeit und erweitern sie wo möglich.
— Empfehlungssysteme. Sie geben Empfehlungen basierend auf subtilen Mustern, die im Laufe der Zeit von Algorithmen identifiziert wurden. Sie können gezielt an Kunden gerichtet werden, um neue Produkte vorzuschlagen, oder intern für strategische Vorschläge verwendet werden.
— Intelligente Produkte. Intelligenz ist in das Design integriert, damit sie sich ständig weiterentwickeln können, um die Bedürfnisse und Vorlieben der Kunden zu erfüllen und zu antizipieren.
— Personalisierung. Analysieren Sie Trends und Muster für Kunden und Mitarbeiter, um Tools und Produkte für einzelne Benutzer oder Kunden zu optimieren.
— Erkennung von Text, Sprache, Bild und Video. Es interpretiert Daten aus Text, Sprache, Bildern und Videos und erstellt Assoziationen, die verwendet werden können, um analytische Aktivitäten zu erweitern und erweiterte Anwendungen für Interaktion und Vision zu ermöglichen.
- Erweiterte Realität. Kombinieren Sie die Leistungsfähigkeit von KI mit Virtual-, Augmented- und Mixed-Reality-Technologien, um Schulungs-, Wartungs- und andere Aufgaben intelligenter zu gestalten.
