Carsten Nichte
Docs

Über Künstliche Intelligenz (AI)

Zuletzt aktualisiert am 27. November 2024 6 Minuten

Wichtige Begriffe aus der Welt der Künstlichen Intelligenz (AI) und deren Bedeutungen.

Grundlegende Begriffe

  • Artificial intelligence Art external link
  • Künstliche Intelligenz (KI/AI): Maschinen, die menschenähnliches Denken und Lernen imitieren, um Aufgaben zu lösen.
  • Machine Learning (ML): Ein Teilbereich der KI, der Algorithmen nutzt, damit Maschinen aus Daten lernen.
  • Deep Learning (DL): Ein spezialisierter Bereich des ML, der künstliche neuronale Netze verwendet, die menschliches Lernen nachahmen.
  • Neuronales Netzwerk: Ein Computermodell, das von der Struktur des menschlichen Gehirns inspiriert ist, um Daten zu verarbeiten und Muster zu erkennen.
  • Algorithmus: Eine festgelegte Abfolge von Schritten, die ein Computer zur Lösung eines Problems ausführt.

Daten und Modelle

  • Training: Der Prozess, bei dem ein KI-Modell aus vorhandenen Daten lernt.
  • Datensatz: Eine Sammlung von Daten, die zum Training und Testen von KI-Modellen verwendet wird.
  • Überwachtes Lernen (Supervised Learning): ML-Methode, bei der ein Modell aus gekennzeichneten Daten lernt.
  • Unüberwachtes Lernen (Unsupervised Learning): ML-Methode, bei der ein Modell Muster in unmarkierten Daten entdeckt.
  • Reinforcement Learning (RL): Ein Lernansatz, bei dem ein Modell durch Belohnungen oder Strafen optimiert wird.
  • Generative Modelle: Modelle, die neue Daten erzeugen können (z. B. Bilder, Texte), z. B. GANs oder VAEs.
  • Transfer Learning: Die Nutzung eines vortrainierten Modells, um es auf eine andere Aufgabe anzuwenden.

Spezielle Ansätze und Technologien

  • Natural Language Processing (NLP): Verarbeitung und Analyse von natürlicher Sprache durch Maschinen (z. B. ChatGPT).
  • Computer Vision: KI-Fähigkeit, visuelle Daten wie Bilder oder Videos zu interpretieren.
  • Generative Adversarial Networks (GANs): Ein Modell, das realistische Daten generieren kann, indem es zwei Netzwerke gegeneinander trainiert.
  • Transformer: Eine Architektur, die NLP revolutioniert hat, z. B. GPT und BERT.
  • Token: Ein Element (z. B. Wort oder Zeichen), das bei der Verarbeitung von Textdaten verwendet wird.

Technische Begriffe und Werkzeuge

  • Backpropagation: Ein Verfahren zur Fehlerkorrektur in neuronalen Netzen während des Trainings.
  • Hyperparameter: Einstellungen eines ML-Modells, die vor dem Training festgelegt werden.
  • Overfitting: Ein Modell passt sich zu stark an Trainingsdaten an und verallgemeinert schlecht.
  • Bias: Verzerrung in den Daten oder im Modell, die zu fehlerhaften Ergebnissen führen kann.
  • Edge Computing: Verlagerung der Datenverarbeitung näher an die Quelle (z. B. IoT-Geräte), um Latenz zu reduzieren.

Gesellschaftliche und ethische Aspekte

  • Explainable AI (XAI): Ansätze, die darauf abzielen, KI-Entscheidungen nachvollziehbar zu machen.
  • Ethik der KI: Diskussionen und Richtlinien, die sicherstellen sollen, dass KI verantwortungsvoll eingesetzt wird.
  • Bias in AI: Vorurteile in den Trainingsdaten, die zu unfairen Ergebnissen führen können.
  • Autonome Systeme: Systeme, die unabhängig Entscheidungen treffen können (z. B. selbstfahrende Autos).

Wahrnehmung und Physikalisches Verständnis

  • Intuitive Physik: Die Fähigkeit eines Systems, grundlegende physikalische Gesetze zu verstehen, wie Schwerkraft, Trägheit oder Kollisionen. Ein Beispiel ist die Vorhersage, dass ein Ball, der losgelassen wird, fallen wird.
  • Scene Understanding: Die Fähigkeit einer KI, eine Szene visuell zu analysieren und ihre Bestandteile sowie deren Beziehung zu erkennen (z. B. Objekte, Hintergründe, Positionen).
  • Object Tracking: Der Prozess, ein Objekt über mehrere Frames eines Videos hinweg zu verfolgen, auch wenn es teilweise verdeckt ist.
  • Occlusion Handling: Techniken, mit denen KI-Systeme erkennen, dass verdeckte Objekte weiterhin existieren und möglicherweise wieder sichtbar werden.
  • Spatial Reasoning: Räumliches Denken, das es der KI ermöglicht, Positionen, Distanzen und Bewegungen von Objekten zu analysieren und zu verstehen.

Kognitive Fähigkeiten in der KI

  • Symbolisches Denken: Die Fähigkeit eines Systems, abstrakte Konzepte oder Objekte durch Symbole zu repräsentieren, was wichtig ist, um “unsichtbare” Dinge wie Objektpermanenz zu modellieren.
  • Memory-Augmented Networks: Netzwerke, die Speichermechanismen integrieren, um Informationen über nicht sichtbare Objekte oder vergangene Ereignisse zu behalten.
  • Temporal Reasoning: Zeitbezogenes Denken, bei dem eine KI versteht, wie sich Objekte oder Szenen über die Zeit verändern.
  • Predictive Modeling: Modelle, die zukünftige Zustände oder Positionen von Objekten vorhersagen können, basierend auf aktuellen Informationen.

Techniken und Architekturen

  • Attention Mechanism: Eine Technik in neuronalen Netzen, die es ermöglicht, sich auf relevante Teile einer Szene oder eines Datensatzes zu konzentrieren, um verdeckte oder schwer erkennbare Objekte zu identifizieren.
  • Spatiotemporal Networks: Netzwerke, die sowohl räumliche als auch zeitliche Informationen nutzen, um Bewegungen und Veränderungen zu analysieren.
  • Recurrent Neural Networks (RNNs): Ein spezieller Typ neuronaler Netzwerke, der Informationen über Zeit hinweg speichert und verarbeitet, was für das Verfolgen von Objektpermanenz wichtig ist.
  • Transformers: Moderne Architektur, die sowohl räumliche als auch zeitliche Beziehungen modellieren kann, z. B. für Videoanalyse oder Szenenverständnis.

Datensätze und Testszenarien

  • CLEVR-Dataset: Ein Datensatz, der verwendet wird, um die Fähigkeiten einer KI in Bezug auf visuelles logisches Denken und Objektinteraktion zu testen.
  • Physical Interaction Dataset: Datensätze, die Szenarien enthalten, in denen Objekte physikalisch interagieren (z. B. Stöße, Stapeln), um die Intuition der KI zu evaluieren.
  • Motion Capture Data: Bewegungsdaten, die zur Analyse und Simulation von Objektbewegungen oder Verdeckungen genutzt werden.

Anwendungsbereiche

  • Simultaneous Localization and Mapping (SLAM): Technologie, die es Robotern ermöglicht, ihre Umgebung zu kartieren und gleichzeitig ihre eigene Position zu verfolgen – wichtig für das Verständnis verdeckter Objekte.
  • Embodied AI: KI-Systeme, die in physische Geräte (z. B. Roboter) eingebettet sind und physische Interaktionen mit ihrer Umgebung ermöglichen.
  • Active Perception: Der Ansatz, bei dem ein KI-System aktiv nach Informationen sucht (z. B. durch Bewegung einer Kamera), um verdeckte Objekte zu identifizieren.

Objektpermanenz in der KI

  • Definition: Objektpermanenz ist ein Konzept aus der Entwicklungspsychologie, das beschreibt, dass ein Individuum versteht, dass Objekte weiterhin existieren, auch wenn sie außerhalb seines Sichtfeldes sind. Menschen entwickeln dieses Verständnis in der frühen Kindheit.
  • Anwendung in der KI: In der KI bezieht sich Objektpermanenz auf die Fähigkeit eines Systems (z. B. eines Roboters oder einer visuellen KI), zu erkennen, dass ein Objekt weiterhin existiert, selbst wenn es vorübergehend verdeckt oder aus der Sicht verschwindet.

Beispiele

  1. Computer Vision: Ein autonomes Fahrzeug muss verstehen, dass ein Fußgänger hinter einem parkenden Auto weiterhin existiert und möglicherweise wieder sichtbar wird.
  2. Robotertechnik: Ein Haushaltsroboter, der eine Tasse abräumt, muss “wissen”, dass die Tasse hinter einer Tür (z. B. im Schrank) immer noch da ist, auch wenn er sie nicht sehen kann.
  3. KI in Spielen: Eine KI in Videospielen, die menschliches Verhalten simulieren möchte, muss “wissen”, dass andere Spielerfiguren nicht einfach verschwinden, nur weil sie momentan nicht sichtbar sind.

Herausforderungen

  • Modellierung und Training: Objektpermanenz erfordert Modelle, die kontextuelles Wissen und Vorhersagen integrieren können. Dabei spielen zeitliche Daten und räumliches Verständnis eine große Rolle.
  • Sensorische Einschränkungen: KI-Systeme, die auf Kameras oder Sensoren basieren, müssen mit fehlenden oder unvollständigen Informationen umgehen können.

Das Konzept wird besonders in fortgeschrittenen KI-Anwendungen und in der Erforschung von intuitiver Physik (wie Objekte sich in der Welt verhalten sollten) relevant.

AI und Machine Learning Tools

Weiterführende Links / Ressourcen

Machine Learning

Tutorials und Videos

Davor
Künstlerische Qualität
Danach
Kunstwerke strukturieren und archivieren