Scherer / Candrian / Ag You & AI: Alles über Künstliche Intelligenz und wie sie unser Leben Prägt

1. Auflage 2023
ISBN: 978-3-7519-5534-8
Verlag: BoD - Books on Demand
Format: EPUB
Kopierschutz: 6 - ePub Watermark

E-Book, Deutsch, 316 Seiten

Während wir künstliche Intelligenz (KI) immer mehr in unseren Alltag integrieren, bleiben viele drängende Fragen: Was genau ist KI und wie unterscheidet sie sich von menschlicher Intelligenz? Wie wird KI unsere Zukunft beeinflussen und welche Herausforderungen müssen wir meistern, um ethische KI zu entwickeln? Erkunde mit diesem ultimativen Guide die aufregende Welt der KI und ihren Einfluss auf unser tägliches Leben und die Gesellschaft. Dr. Anne Scherer und Dr. Cindy Candrian verraten dir alles über die neuesten wissenschaftlichen Erkenntnisse zu den grossen Fragen der KI. Entdecke die Evolution der KI und wie unbewusste Wahrnehmungen unser Vertrauen in sie beeinflussen können. Erfahre mehr über die Kreativität von Maschinen und wie unsere Daten von KI genutzt werden. Mit diesem Buch lernst du, wie du die Kraft der KI nutzen kannst, um bessere Entscheidungen zu treffen und worauf du besonders achten solltest, damit du nicht unwissentlich manipuliert, deiner Fähigkeiten beraubt oder zu diskriminierenden Entscheidungen verleitet wirst. Bist du bereit, die Geheimnisse von "You & AI" zu entschlüsseln? Dann ist dieses Buch genau das Richtige für dich.

Anne Scherer ist eine echte Vorreiterin in Sachen Verbraucherpsychologie und Technologie. Seit mehr als einem Jahrzehnt ist sie auf einer Mission, herauszufinden, wie neue Technologien die Art und Weise verändern, wie wir mit Unternehmen interagieren. Als Assistenzprofessorin für Quantitatives Marketing an der Universität Zürich und Mitgründerin von Delta Labs AG taucht Anne tief in die faszinierende Welt von KI, Robo-Advisors und Conversational Interfaces ein. Getrieben von ihrer Leidenschaft für "better tech" unterstützt Anne Start-ups, Unternehmen und NGOs bei der Gestaltung unserer KI-gesteuerten Zukunft. Sie war bereits Mitglied des Global Future Councils des Weltwirtschaftsforums und ist für ihre bahnbrechenden Forschungsarbeiten bekannt, die in Top-Wissenschaftsjournalen und grossen Medien veröffentlicht wurden. Ihr TEDxTalk, in dem sie darüber spricht, warum wir gegenüber Maschinen ehrlicher sind, wurde bereits über 1,8 Millionen Mal angesehen. Bevor Anne zur Universität Zürich kam, forschte sie an der ETH Zürich und promovierte mit Auszeichnung an der Technischen Universität München. Anne ist nicht nur Wissenschaftlerin, sondern auch eine echte Abenteurerin. Sie hat die Welt bereist, vom Tauchen im Roten Meer bis zum Radeln auf der Osterinsel, und diese Erfahrungen haben ihre Perspektive bereichert. So trägt Anne dazu bei, eine von Technologie geprägte Zukunft zu gestalten, die genauso spannend ist wie ihre eigenen Abenteuer. Anne lebt mit ihrem Partner in Zürich.

Autoren/Hrsg.

Scherer, Anne

Candrian, Cindy

Ag, Delta Labs

Leseproben

Buzzword Bingo erklärt: Vom maschinellen Lernen zur generativen KI Intelligenz basiert auf Lernen, und das gilt auch für KI. Lernen bedeutet, unsere Leistung zu verbessern, nachdem wir Informationen aus unserer Umwelt aufgenommen haben. In der KI-Welt bedeutet das oft, aus einer großen Sammlung von Input-Output-Paaren eine Funktion abzuleiten, damit das Modell den Output für neue Eingaben vorhersagen kann. Klingt kompliziert? Lass es uns an einem einfachen Beispiel veranschaulichen: Angenommen, wir haben eine coole Sammlung von niedlichen Katzen- und Hundebildern, auf denen alle möglichen Arten von Katzen oder Hunden in allen möglichen Situationen zu sehen sind. Das ist unsere Eingabe. Als Ausgabe sagen wir dem Modell, dass es sich entweder um Katzen oder Hunde auf den Bildern handelt. Aus dieser Sammlung soll das Modell nun lernen, Katzen und Hunde zu erkennen und zu unterscheiden. Aber nicht nur die in unserer Sammlung! Das ist kein Memory Spiel. Das wäre zu einfach. Nein, wir wollen das Modell mit einem völlig neuen Katzenbild füttern und anhand dieser neuen Eingabe soll es in der Lage sein, zu sagen, dass es sich tatsächlich um eine Katze handelt – und nicht um den kleinen Chihuahua aus der Nachbarschaft. Du fragst dich vielleicht, warum wir uns all diese Mühe machen. All diese Bilder zu sammeln und alle Katzen und Hunde darin zu markieren, damit das Programm lernen kann. Warum sagen wir der Maschine nicht direkt alle Schritte, die sie machen muss, um ein Problem zu lösen oder zu einer Schlussfolgerung zu kommen? Könnten wir nicht, genau wie im Matheunterricht, das Programm einfach alle unsere Rechenregeln und Funktionen kennen lassen, so dass es nicht mehr lernen muss? Richtig...und falsch. Bei einfachen Aufgaben und Problemen mag das funktionieren. Viele frühe KI-Forschende haben versucht, der Maschine auf diese Weise etwas beizubringen. Und obwohl sie bei kleineren Problemen erfolgreich waren, scheiterten sie alle kläglich, wenn es darum ging, die Modelle in der realen Welt anzuwenden. Denn: Unsere Welt ist chaotisch, komplex und voll unbekannter Drehungen und Wendungen. Um KI für größere und komplexere Probleme einsetzen zu können, müssen wir sie also lernen lassen. Denk mal drüber nach. Wir können einfach nicht alle Situationen vorhersehen, in die das Programm in der realen Welt geraten kann. Stell dir ein selbstfahrendes Auto vor. Denk jetzt an alle Autos auf der Welt, an das Wetter und die Straßenbedingungen, an den Verschleiß der Autos und an andere Autos, Menschen oder Hindernisse auf der Straße. Schnell müssen wir feststellen, dass es einfach unmöglich ist, ein KI-System auf alle möglichen Situationen da draußen vorzubereiten. Also muss es lernen können. Außerdem kann es mit der Zeit zu Veränderungen kommen. Nehmen wir an, ein Programm wurde entwickelt, um den Aktienmarkt vorherzusagen. Nun kommt eine weltweite Pandemie. Es muss in der Lage sein, sich anzupassen, wenn sich die Bedingungen von Hochkonjunktur zu Tiefkonjunktur ändern, um gute Vorhersagen zu treffen. Es muss also lernen können. Und dazu kommt: Manchmal haben wir selbst keinen blassen Schimmer! Sieh dir nur unsere Katzenbilder an. Auch wenn es uns leicht fällt zu sagen, dass das alles Katzen sind, fällt es selbst den besten Programmierenden schwer, dieses Wissen in einen Algorithmus zu packen – es sei denn, er ist selbstlernend. Kurz gesagt: Damit KI wirklich intelligent wird, muss sie lernen können! Das bringt uns zum nächsten Punkt: Wie lernt die KI? Vielleicht sind dir hier schon viele Begriffe begegnet: Machine Learning, Supervised Learning, Unsupervised Learning, Reinforcement Learning, Deep Learning. Im Grunde sind das alles verschiedene Arten, wie eine Maschine lernt. Machine Learning, oder auch maschinelles Lernen genannt, ist das breiteste Konzept von allen. Im Grunde genommen bezieht es sich auf die Idee, dass unser Algorithmus fähig ist zu lernen. Zuvor haben wir gesagt, dass wir für sehr einfache Probleme der Maschine direkt sagen können, was sie tun soll. Das würde in etwa so aussehen: „Wenn dies... dann tue das“. Offensichtlich muss der Computer hier nichts lernen. Wir sagen ihm genau das, was wir wissen. Wenn wir jetzt allerdings eine komplexere Aufgabe betrachten, wie zum Beispiel der Maschine den Unterschied zwischen Katzen und Hunden beizubringen, wird schnell klar, wie schwierig und komplex es wäre, das auf eine „Wenn-Dann“-Sequenz zu reduzieren. Also wollen wir, dass die Maschine das selbst lernt. Oder anders ausgedrückt: Wir nutzen das maschinelle Lernen. Obwohl es kompliziert klingen mag, bezieht sich der Begriff im Grunde genommen auf eine Reihe von Ansätzen, die alle die Idee teilen, dass eine Maschine aus den Daten, die ihr zur Verfügung gestellt werden, lernen kann, um ihre Leistung bei einer bestimmten Aufgabe zu verbessern. Das ist alles! War doch gar nicht so schwer, oder? Und wir begegnen tagtäglich Machine Learning! Bekannte Beispiele sind das Netflix-Empfehlungssystem, die Snapchat-Filter, Google Maps und die von Spotify generierten Playlists – sie alle nutzen KI-Modelle, die auf Machine Learning basieren! Supervised, Unsupervised, und Reinforcement Learning sind alles Formen des Machine Learnings. Der einzige Unterschied zwischen diesen Arten des Lernens ist die Art und Weise, wie dem System Feedback gegeben wird. Ganz intuitiv bedeutet Supervised Learning, dass wir unserem Algorithmus so viel Feedback geben, wie wir können. Kurz gesagt, das Lernen wird beaufsichtigt (Engl. „supervised“). Wie sieht das aus? Nun, wir verwenden einfach sogenannte „gekennzeichnete“ Daten. Diese gekennzeichneten Daten enthalten sowohl die Eingabe als auch die Ausgabe, das heißt, die Antwort ist bereits bekannt. Denk an unsere Katzen- und Hundebilder. Anstatt einfach nur Katzen- und Hundebilder in das Programm einzugeben, teilen wir ihm auch mit, ob auf jedem Bild eine Katze oder ein Hund zu sehen ist, indem wir die Bilder entweder mit dem Label „Katze“ oder „Hund“ versehen. Supervised Learning ist also wie eine Lehrkraft, die dir Beispiele zeigt und dir zugleich die richtigen Antworten sagt. Je mehr Beispiele du siehst, desto besser wirst du darin, Probleme selbstständig zu lösen. Sobald du die Logik verstanden hast, nimmst du neue Beispiele auf und löst sie auf der Grundlage dessen, was dir beigebracht wurde. Natürlich ist diese Kennzeichnung zeit- und arbeitsintensiv. Deshalb haben Forscherinnen und Forscher versucht, Wege zu finden, um die mühsame Beschriftung der Daten für das überwachte Lernen durch ExpertInnen zu umgehen – und sie waren erfolgreich! Im Jahr 2022 haben einige kluge Köpfe es tatsächlich geschafft, ein KI-Modell namens CheXzero so zu trainieren, dass es Krankheiten auf Röntgenaufnahmen erkennen konnte – und das, ohne dass eine Expertin oder ein Experte alle Daten labeln musste! Stattdessen hat das Modell aus den medizinischen Berichten gelernt, die in ganz normaler Sprache verfasst waren. Und obwohl man denken könnte, dass dies die Leistung beeinträchtigt – war dies nicht der Fall! Tatsächlich übertraf das Self-Supervised Modell die Supervised Modelle mit vollständig gekennzeichneten Daten. Dies ebnet den Weg für Self-Supervised KI-Modelle, die keine explizit beschrifteten Daten mehr benötigen – und macht Machine Learning zukünftig noch schneller! Kommen wir nun zum Unsupervised Learning, das – wie der Name schon sagt – ohne explizites Feedback funktioniert. Es gibt also keinerlei Beaufsichtigung. Das bedeutet, dass das Programm keine gekennzeichneten Daten erhält. Stattdessen ist die Maschine auf sich allein gestellt und muss die unsortierten Informationen gruppieren, indem sie Ähnlichkeiten, Unterschiede und Muster in den Daten findet. Es ist wie Ermittlungsarbeit, bei der man versucht, ein Rätsel zu lösen. Man hat nicht alle Anhaltspunkte im Voraus, also muss man Beweise sammeln und versuchen, die Zusammenhänge zu entschlüsseln. Betrachten wir wieder unsere Katzen- und Hundebilder. Diesmal sagen wir nicht, auf welchem Bild ein Hund und auf welchem eine Katze abgebildet ist. Die Idee des Unsupervised Learning ist, dass die Maschine durch sorgfältige Betrachtung jedes Bildes die Kriterien selbst erarbeiten kann, die Katzen und Hunde voneinander unterscheiden, z. B. die Länge der Ruten, das Vorhandensein von einziehbaren Krallen oder die Anzahl der Schnurrhaare. Nach der Analyse der Indizien kann die Maschine die Bilder in...