Wie kann man künstliche Intelligenz vom Menschen unterscheiden

Es gibt ein paar wesentliche Unterschiede zwischen Menschen und KI. Der erste besteht darin, dass Menschen hochspezialisiert sind und KI-Systeme im Allgemeinen schlecht in allgemeinen Aufgaben sind, die umfangreiche Berechnungen und intuitive Entscheidungen auf der Grundlage unvollständiger Informationen erfordern. Der zweite besteht darin, dass die menschliche Intelligenz im Allgemeinen besser bei Aufgaben ist, die gesunden Menschenverstand erfordern, aber schlecht bei Aufgaben, die umfangreiche Berechnungen oder Datenverarbeitung in Echtzeit erfordern. Beide Arten von Intelligenz können sich jedoch gegenseitig ergänzen und Aufgaben erfüllen, die keine von ihnen allein bewältigen kann.

KI basiert auf künstlichen Neuronen

Künstliche neuronale Netze sind Systeme, die mehrere Schichten mathematischer Verarbeitung verwenden, um die Antworten auf Fragen zu ermitteln. Diese Netze können bis zu Millionen künstlicher Neuronen enthalten. Jedes Neuron im Netz hat einen bestimmten Wert, der durch eine Aktivierungsfunktion zugewiesen wird. Die Eingabeschicht empfängt Daten in verschiedenen Formen, z. B. Wörter, Zahlen und Bilder, und wandelt sie in die Form um, die die Ausgabeeinheit verwenden kann.

Die Grundprinzipien künstlicher neuronaler Netze wurden 1943 von dem Neurophysiker Warren McCullough und dem Mathematiker Walter Pitts entwickelt. Sie formulierten eine Theorie, die erklärt, dass Neuronen die Grundeinheit der Gehirnaktivierung darstellen. Sie schlugen vor, dass Computer diese Neuronen nachbilden und ihr Verhalten imitieren könnten. Diese Theorie ebnete den Weg für die Entwicklung des maschinellen Lernens. Der älteste Algorithmus des maschinellen Lernens ist das Perzeptron, das binäre Klassifikatoren verwendet, um Objekte in Bildern zu erkennen.

Künstliche Neuronen können das Verhalten echter Neuronen nachahmen, um neuronale Netze und die menschliche Informationsverarbeitung zu untersuchen. Forscher können mit diesen Netzen experimentieren, indem sie ihre Reaktionen auf eine Vielzahl von Situationen beobachten. Sie können auch verschiedene Hypothesen testen und feststellen, welche Faktoren für eine bestimmte Aufgabe wichtig sind. So könnten Forscher beispielsweise ein KI-Netzwerk darauf trainieren, Sprache zu reproduzieren, und dann die Sprache des Sprechers beeinträchtigen, um zu beobachten, was passiert.

Die künstlichen Neuronen funktionieren, indem sie die Struktur biologischer Neuronen imitieren und ein Netzwerk mit Eingängen und Ausgängen bilden. Das Netz kann komplexe Muster lernen und Probleme vorhersagen. Bei der Entwicklung künstlicher neuronaler Netze gibt es jedoch noch viele Herausforderungen. So ist es zum Beispiel schwierig, eine perfekte Nachbildung des menschlichen Gehirns zu erstellen, und die Biologen sind noch dabei, seine Funktionen zu erforschen.

Künstliche neuronale Netze können die Funktionen des menschlichen Gehirns nachahmen, einschließlich der Fähigkeit, den Unterschied zwischen einer Katze und einer Kokosnuss zu erkennen. Sie können auch gesprochene Wörter erkennen und Fußgänger erkennen. Diese neuronalen Netze können das Gehirn eines Menschen nachahmen, aber sie können Aufgaben nicht so gut ausführen wie Menschen.

Künstliche neuronale Netze werden zur Lösung komplexer Probleme eingesetzt, z. B. bei der Umwandlung von Sprache in Text. Sie können auch zur Datenanalyse, Handschrifterkennung, Wettervorhersage und Signalverarbeitung eingesetzt werden. Da sie die Arbeitsweise des menschlichen Gehirns nachahmen, werden sie in vielen Anwendungen eingesetzt.

KI-Systeme lernen schneller als Simulationen mit passenden Zellen

Das menschliche Gehirn enthält Milliarden von Neuronen, die in riesigen “neuronalen Netzen” miteinander verbunden sind. Obwohl die Neuronen im Gehirn nicht mit denen in einem KI-System identisch sind, sind sie in der Art und Weise, wie sie verbunden sind, sehr ähnlich. Der Unterschied besteht darin, dass künstliche neuronale Netze eine andere Anzahl von Verbindungen haben, wodurch sie weniger schnell lernen.

Im Gegensatz zu Menschen brauchen KI-Systeme eine lange Trainingszeit. Das bedeutet, dass sie nicht in der Lage sind, komplexe Aufgaben ohne menschliche Hilfe zu bewältigen. Das bedeutet, dass sie von Menschen konditioniert werden müssen, um zu lernen und Informationen anzuwenden. Es ist nicht einfach, ein KI-System zu entwickeln, das selbständig lernen und Entscheidungen treffen kann.

Ein Beispiel dafür ist die Entwicklung einer engen KI, die übermenschliche Aufgaben erfüllt und eine überragende Kreativität an den Tag legt. Das selbstfahrende Toyota Prius-Auto, das zehn Fahrten über 100 Meilen absolvierte, war der Wegbereiter für fahrerlose Autos. Ein weiterer Durchbruch gelang IBM Watson, einer kognitiven KI, die die US-Quizshow Jeopardy! gewann, indem sie mit Hilfe der Verarbeitung natürlicher Sprache und der Analytik riesige Datenbestände verarbeitete. Watson war in der Lage, menschliche Fragen in einem Bruchteil einer Sekunde zu beantworten.

KI-Systeme unterliegen fast keinen Beschränkungen

Obwohl die Entwicklung der KI immer weiter fortgeschritten ist, gibt es immer noch viele ethische Bedenken in Bezug auf diese Technologie. Eines der größten Probleme ist das Potenzial für Voreingenommenheit und Diskriminierung. Obwohl KI ein enormes Potenzial hat, muss sichergestellt werden, dass diese Systeme nicht für solche Zwecke eingesetzt werden. Außerdem müssen Transparenz und Rechenschaftspflicht in Bezug auf die Technologie gewährleistet sein. Zu diesem Zweck hat die Stadt eine Arbeitsgruppe eingerichtet, die sich mit diesen Fragen befassen und Empfehlungen für den künftigen Einsatz von KI-Systemen abgeben soll. Die Taskforce wird dem Bürgermeister bis Ende 2019 Bericht erstatten.

Eine Anwendung von KI ist das Deep Learning. Diese Technologie ermöglicht es KI-Systemen, Lymphknoten in CT-Bildern zu identifizieren. Sie erkennt auch kleine Wucherungen und Läsionen in diesen Bildern. Mit dieser Technologie können Radiologen Geld und Zeit sparen. Radiologen berechnen für das Lesen von Bildern etwa 100 Dollar pro Stunde. Wenn also eine Maschine 10.000 Bilder lesen könnte, würden sie mehr als 250.000 Dollar einsparen.

Ein weiterer Einsatzbereich der KI-Technologie sind grenzüberschreitende Zusammenhänge. Organisationen wie die UNO und die EU suchen nach Möglichkeiten, ihre Bemühungen zu koordinieren. Mit der Weiterentwicklung von KI-Systemen steigt auch die Gefahr impliziter Nötigung und Täuschung. Diese Bedenken machen verstärkte Investitionen in die soziale, politische und soziologische Forschung erforderlich.

KI bringt auch wichtige ethische und rechtliche Herausforderungen mit sich. Diese Systeme können dazu beitragen, die Menschenrechte zu schützen und Fairness zu gewährleisten. Der Einsatz von KI in unserem täglichen Leben verändert bereits unsere Welt. Unternehmen wie Amazon, Google und Alphabet haben sich die Vorteile der KI zunutze gemacht, um das menschliche Leben zu verbessern. Bis zum Jahr 2030 könnten KI-Systeme das globale BIP um 14 % steigern, was erhebliche Vorteile für die globale Entwicklung mit sich bringt.

Die rechtliche Haftung ist eine weitere Frage, die noch geklärt werden muss. Nichtsdestotrotz fallen diese Systeme wahrscheinlich unter die Produkthaftungsvorschriften. Wenn sie größere Schäden verursachen, können die Betreiber des Algorithmus mit zivilrechtlichen Geld- oder sogar Haftstrafen rechnen. Der Todesfall im Zusammenhang mit Uber in Arizona ist ein wichtiger Testfall in diesem Bereich. Das Unternehmen wird nachweisen müssen, dass autonome Fahrzeuge sicher sind und die versprochenen Dienstleistungen erbringen können.

KI-Systeme eignen sich weniger gut für Aufgaben, die wenig Struktur, Konsistenz, Regeln oder Orientierung bieten

Aktuelle KI-Systeme sind nicht gut für Aufgaben geeignet, die wenig Struktur, Konsistenz, Regeln oder Orientierung bieten. Viele Datenquellen sind nicht gut genug strukturiert, um das maschinelle Lernen zu erleichtern, und die meisten Gesundheitsdaten sind in Silos in einer Vielzahl von Systemen gespeichert. Die Entwicklung einheitlicher Datenformate ist zwar vielversprechend, löst aber möglicherweise nicht das Problem der inkonsistenten semantischen Kodierung in EHR-Daten.

Veraltete Infrastrukturen können auch die Fähigkeit der KI zur Analyse unstrukturierter Daten behindern. Der Senior Manager von Infinia ML erklärte, dass unstrukturierte Daten oft in Formaten gespeichert werden, die sich nicht für den Einsatz von KI eignen. Die KI-Anwendung von Kroger zur visuellen Inspektion von nicht vorrätigen Artikeln benötigt beispielsweise einige Hardware-Upgrades. Damit die Anwendung ordnungsgemäß funktioniert, werden Kameras mit höherer Auflösung benötigt.

Darüber hinaus ist das Verteidigungsministerium für den Einsatz von KI-Systemen möglicherweise weniger geeignet als andere sicherheitskritische Branchen. Viele militärische Aufgaben haben tödliche Folgen für Zivilisten, während dies in anderen sicherheitskritischen Branchen nicht der Fall ist. Daher erfordern DoD-Einsätze möglicherweise Systeme mit größerer Flexibilität und Einsatzfähigkeit. Bei diesen Aufgaben können sich KI-Systeme durch die Vermeidung von Vorhersehbarkeit auszeichnen.

Ein weiteres Problem, das die KI betrifft, ist das Problem der algorithmischen Verzerrung. Diese Voreingenommenheit kann aus den Daten resultieren, die zum Trainieren von KI-Systemen verwendet werden. Ein Algorithmus, der zum Beispiel gutartige und bösartige Muttermale klassifiziert, wird wahrscheinlich Frauen diskriminieren, weil er Daten von überwiegend männlichen Bewerbern verwendet. Dies ist ein wichtiges Thema bei KI-Anwendungen und erfordert ein gründliches Testverfahren, um sicherzustellen, dass das Ergebnis nicht durch Vorurteile beeinflusst wird.

Obwohl der Einsatz von KI viele Vorteile bietet, müssen sich die Forscher darüber im Klaren sein, für welche Anwendungen sie am besten geeignet sind. Der Vorstandsvorsitzende von IBM hat zum Beispiel argumentiert, dass KI nicht zu einer Welt “Mensch gegen Maschine” führen wird, sondern zu einer Welt von Mensch und Maschine, mit “Mensch plus Maschine”.

Im Zusammenhang mit KI müssen die politischen Entscheidungsträger ein Gleichgewicht zwischen den Bedürfnissen von Unternehmen und Kunden sowie zwischen Datenschutz, Befangenheit und Ethik herstellen. Abb. 2 zeigt die drei Bereiche der Politik: Politik, Unternehmen und Kunden.

Ähnliche Themen