4 wichtige KI-Konzepte, die Sie verstehen müssen

Bob Friday ist Mitbegründer und CTO von Mist Systems .

Künstliche Intelligenz (KI) erobert die Welt im Sturm und innovative Anwendungsfälle werden in allen Industriesegmenten angewendet. Wir sind Jahrzehnte davon entfernt, einen Arzt durch einen KI-Roboter zu ersetzen, wie in den Filmen zu sehen ist, aber KI hilft Experten aus allen Branchen, Probleme schneller zu diagnostizieren und zu lösen, und ermöglicht Verbrauchern wie mir, erstaunliche Dinge zu tun, beispielsweise Songs mit einem Sprachbefehl zu finden.

Die meisten Menschen konzentrieren sich auf die Ergebnisse der KI. Für diejenigen von uns, die gerne unter die Haube schauen, gibt es vier grundlegende Elemente zu verstehen: Kategorisierung, Klassifizierung, maschinelles Lernen und kollaboratives Filtern. Diese vier Säulen repräsentieren auch Schritte in einem Analyseprozess.

Bei der Kategorisierung werden Metriken erstellt, die für die Problemdomäne spezifisch sind (z. B. Finanzen, Vernetzung). Bei der Klassifizierung wird ermittelt, welche Daten für die Lösung des Problems am relevantesten sind. Maschinelles Lernen umfasst Anomalieerkennung, Clustering, Deep Learning und lineare Regression. Bei der kollaborativen Filterung wird nach Mustern in großen Datenmengen gesucht.

Kategorisierung

KI benötigt viele Daten, die für das zu lösende Problem relevant sind. Der erste Schritt zum Erstellen einer KI-Lösung besteht darin, sogenannte "Design Intent Metrics" zu erstellen, mit denen das Problem kategorisiert wird. Unabhängig davon, ob Benutzer versuchen, ein System zu erstellen, das Jeopardy spielt, einem Arzt bei der Diagnose von Krebs hilft oder einem IT-Administrator bei der Diagnose von drahtlosen Problemen hilft, müssen Benutzer Metriken definieren, mit denen das Problem in kleinere Teile zerlegt werden kann. In drahtlosen Netzwerken sind die wichtigsten Messgrößen beispielsweise die Verbindungszeit des Benutzers, der Durchsatz, die Abdeckung und das Roaming. Bei der Krebsdiagnose sind die wichtigsten Messgrößen die Anzahl der weißen Blutkörperchen, der ethnische Hintergrund und Röntgenaufnahmen.

Einstufung

Sobald Benutzer das Problem in verschiedene Bereiche eingeteilt haben, besteht der nächste Schritt darin, Klassifizierer für jede Kategorie zu haben, die Benutzer in die Richtung einer aussagekräftigen Schlussfolgerung weisen. Wenn Benutzer beispielsweise ein KI-System für das Spielen von Jeopardy trainieren, müssen sie zuerst eine Frage als wörtlich oder als Wortspiel klassifizieren und dann nach Zeit, Person, Sache oder Ort klassifizieren. Wenn Benutzer in drahtlosen Netzwerken die Kategorie eines Problems kennen (z. B. ein Problem vor oder nach der Verbindung), müssen sie damit beginnen, zu klassifizieren, was das Problem verursacht: Zuordnung, Authentifizierung, DHCP (Dynamic Host Configuration Protocol) oder anderes drahtloses Netzwerk , verkabelt und Gerätefaktoren.

Maschinelles Lernen

Nachdem das Problem in domänenspezifische Metadatenblöcke unterteilt ist, können Benutzer diese Informationen in die magische und leistungsstarke Welt des maschinellen Lernens einspeisen. Es gibt viele Algorithmen und Techniken für maschinelles Lernen, wobei überwachtes maschinelles Lernen unter Verwendung neuronaler Netze (dh Deep Learning) mittlerweile zu einem der beliebtesten Ansätze wird. Das Konzept der neuronalen Netze gibt es seit 1949, und ich habe mein erstes neuronales Netz in den 1980er Jahren aufgebaut. Mit den jüngsten Verbesserungen der Rechen- und Speicherfunktionen werden neuronale Netze jetzt darauf trainiert, eine Vielzahl realer Probleme zu lösen, von der Bilderkennung über die Verarbeitung natürlicher Sprache bis hin zur Vorhersage der Netzwerkleistung. Andere Anwendungen umfassen die Erkennung von Anomaliefunktionen, die Erkennung von Zeitreihenanomalien und die Ereigniskorrelation für die Ursachenanalyse.

Kollaboratives Filtern

Die meisten Menschen erleben kollaboratives Filtern, wenn sie einen Film auf Netflix auswählen oder etwas von Amazon kaufen und Empfehlungen für andere Filme oder Artikel erhalten, die ihnen gefallen könnten. Über Empfehlungen hinaus wird die kollaborative Filterung auch verwendet, um große Datenmengen zu sortieren und einer KI-Lösung ein Gesicht zu geben. Hier wird die gesamte Datenerfassung und -analyse in aussagekräftige Erkenntnisse oder Maßnahmen umgewandelt. Ob in einer Spielshow, von einem Arzt oder von einem Netzwerkadministrator - die kollaborative Filterung ist das Mittel, um Antworten mit einem hohen Maß an Vertrauen bereitzustellen. Es ist wie ein virtueller Assistent, der bei der Lösung komplexer Probleme hilft.

KI ist immer noch ein aufstrebender Raum, aber seine Auswirkungen sind tiefgreifend und werden noch deutlicher zu spüren sein, da sie zu einem immer größeren Teil unseres täglichen Lebens wird. Bei der Auswahl einer KI-Lösung, beispielsweise beim Kauf eines Autos, müssen wir verstehen, was sich unter der Haube befindet, um sicherzustellen, dass wir das beste Produkt für unsere Bedürfnisse kaufen. 

Das New Tech Forum bietet einen Ort, an dem Sie neue Unternehmenstechnologien in beispielloser Tiefe und Breite erkunden und diskutieren können. Die Auswahl ist subjektiv, basierend auf unserer Auswahl der Technologien, die wir für wichtig und für die Leser von größtem Interesse halten. akzeptiert keine Marketingmaterialien zur Veröffentlichung und behält sich das Recht vor, alle eingebrachten Inhalte zu bearbeiten. Senden Sie alle Anfragen an [email protected]