Künstliche Intelligenz - Eine kurze Einführung

1. Kursbeschreibung: Hallo, Willkommen am Anfang deiner ersten Reise. In diesem Kurs führen wir Sie durch die Vergangenheit, Gegenwart und Zukunft der künstlichen Intelligenz. Wir werden auch einen kurzen Blick auf verschiedene Bereiche werfen, in denen KI angewendet werden kann , und einige Anwendungen zeigen , die für Sie interessant sein könnten. Wir werden jedoch auch die Definition von KI durchgehen und Schritt für Schritt definieren, was ein neuronales Netzwerk ist. Zeigen Sie, wie es funktioniert, und erklären Sie die Unterschiede zwischen KI, maschinellem Lernen und Deep Learning. Es wird auch einen kurzen Multiple-Choice-Test geben, um festzustellen, ob Sie das Konzept neuronaler Netzwerke und KI im Allgemeinen verstanden haben . Ohne weitere Umschweife wünschen wir Ihnen viel Glück und Erfolg auf Ihrer Reise. Bleib motiviert. 2. Was ist KI: Tiefblau, das der Weltmeister im Schach, Garry Kasparov, AlphaGo zerstört Komponenten in einer Partie Go. Die ersten KI-Kosten kommen. Eine neue Ära des maschinellen Lernens hat begonnen. Wenn du solche oder ähnliche Dinge gehört oder gelesen hast, denkst du wahrscheinlich, wow, ich bin das nächste große Ding. Aber was genau ist das nächste große Ding? Was genau ist künstliche Intelligenz? Und warum werden Begriffe wie Deep Learning, maschinelles Lernen oder neuronale Netzwerke immer wieder mit den KI-Durchbrüchen in Verbindung gebracht. Um das erste Hindernis auf Ihrer Reise zu überwinden, wir zunächst definieren wir zunächst die verschiedenen Bereiche im Allgemeinen. Nachdem wir jeden Bereich definiert haben , werden wir uns die Unterschiede weiter genauer ansehen. Die Definitionen. Wenn wir uns an die Definition eines der Gründerväter der künstlichen Intelligenz halten, dann ist es die Wissenschaft und Technik der Erstellung intelligenter Computerprogramme. Es hängt mit der ähnlichen Aufgabe zusammen, Computer zu verwenden , um die menschliche Intelligenz zu verstehen. Aber a muss sich nicht auf Methoden beschränken , die biologisch beobachtbar sind. Es ist die Wissenschaft und Technik, um intelligente Computerprogramme herzustellen , maschinelles Lernen zum Laufen zu bringen. Die andere Seite ist eine Anwendung künstlicher Intelligenz , die Algorithmen beinhaltet denen frühere Daten aus diesen Daten lernen und das dann anwenden Gelernte dann anwenden, um fundierte Entscheidungen zu treffen. Dann haben wir Deep Learning, das als ein Teilgebiet des maschinellen Lernens definiert ist ein Teilgebiet des maschinellen Lernens Algorithmen schichtweise strukturiert , um ein künstliches neuronales Netzwerk zu schaffen , das selbstständig lernen und intelligente Entscheidungen treffen kann. Ist dir etwas aufgefallen? In allen drei Definitionen wurde das Wort intelligent erwähnt. Stimmt, Intelligenz. Aber was genau ist Intelligenz? Wie wird es definiert oder gemessen? Wann genau ist jemand oder etwas wirklich intelligent? Da es sich um ein häufig diskutiertes Thema handelt, haben wir Intelligenz vorerst als eine allgemeine geistige Fähigkeit definiert eine allgemeine geistige Fähigkeit die die Fähigkeit beinhaltet, zu argumentieren , Probleme zu lösen, abstrakt zu denken, komplexe Ideen zu verstehen und aus Erfahrungen zu lernen. Es spiegelt eine breitere und tiefere Fähigkeit wider, unsere Umgebung zu verstehen. Es versteht sich, Dinge zu verstehen oder herauszufinden, was zu tun ist. Jetzt, da wir die Definitionen von KI, maschinellem Lernen, Deep Learning und Intelligenz kennen , können wir uns ansehen, wie sie sich voneinander unterscheiden. 3. KI und die 3 Gesichter: Hey, ich trete in drei Phasen ein. Stellen Sie sich die freien Bereiche als drei konzentrische Ringe mit, glaube ich, dem größten Ring und Deep Learning dem kleinsten Ring vor. Jeder Bereich ist einfach eine Teilmenge des vorherigen größeren Bereichs. Ein kurzer Überblick, wir können vorerst sagen, dass ich explizit programmieren muss und jeweils nur eine Aufgabe ausführen kann. Systeme für maschinelles Lernen haben die Fähigkeit, aus Erfahrungen zu lernen und sich zu verbessern ohne explizit programmiert zu werden. Deep Learning hingegen verwendet neuronale Netzwerke, um verschiedene Strukturen und Muster zu analysieren und funktioniert daher ähnlich wie das menschliche Gehirn. In ein paar Minuten werden Sie mehr darüber erfahren. Nachdem wir nun mit dem kurzen Überblick fertig sind, schauen wir uns jeden der drei Bereiche genauer an. Wir werden unsere Reise mit dem Bereich KI beginnen. Dieses Feld selbst kann wiederum in drei verschiedene Gedanken unterschieden werden . Künstliche enge Intelligenz, auch schwach genannt. Schwach, stark bei bestimmten Aktivitäten , kann aber Menschen im Allgemeinen nicht übertreffen. Obwohl diese Maschinen, wenn Sie schlau sind, nur über einen begrenzten Funktionsumfang verfügen. Deshalb wird diese Art von künstlicher Intelligenz als schwache KI bezeichnet. Enge KI repliziert lediglich menschliches Verhalten auf der Grundlage einer begrenzten Anzahl von Faktoren und Aktionen. Beispielsweise wird ein KI-Programm, das, um Spielvorteile zu gewinnen , höchstwahrscheinlich das Go-Spiel nicht spielen kann. Künstliche allgemeine Intelligenz, auch bekannt als starke KI. Zu diesem Zeitpunkt werden A-IS-Systeme immer menschenähnlicher. Ein solches KI-System könnte seine eigenen Entscheidungen ohne menschliche Interaktion treffen, komplexe logische Aufgaben lösen, komplexe logische Aufgaben lösen die abstraktes Denken erfordern, aber an einer Stelle auch Emotionen beinhalten. Wenn man jedoch bedenkt, dass das menschliche Gehirn das Modell für die Schaffung einer solchen allgemeinen Intelligenz ist , ist es nicht überraschend, dass das Erreichen einer starken KI eine immense Herausforderung darstellt. Künstliche Superintelligenz, auch bekannt als Super-KI. Sollten wir jemals an diesem Punkt ankommen , ist eines sicher ein solcher Roboter oder ein solches Wesen Menschen nicht nur in vielen Aufgaben übertreffen würde, sondern den Menschen in fast allen erdenklichen Bereichen wie Intelligenz, Weisheit, sozialen Fähigkeiten, Kreativität und vielem mehr voraus sein in fast allen erdenklichen Bereichen wie Intelligenz, Weisheit, sozialen Fähigkeiten, würde. Nun, falls das die Befürchtung weckt , dass uns Maschinen eines Tages überrennen werden, sich keine Sorgen, wir sind noch weit davon entfernt , das sekundäre iPhone zu erreichen. Derzeit ist nicht bekannt, dass es starke KI oder Super-KI gibt, und es wird wahrscheinlich noch Jahrzehnte dauern, bis sie dort ankommt. 4. Maschinelles Lernen und die Grundlagen: Maschinelles Lernen und Grundlagen. tiefer in die nächste Ebene eintauchen, kommen wir zum maschinellen Lernen. Maschinelles Lernen ist ein Teilbereich der KI und konzentriert sich darauf, zu lernen , wie bestimmte Aufgaben gelöst werden können, ohne explizit programmiert zu werden. Anstatt nur eine Liste automatischer Anweisungen auszuführen , wurden Modelle für maschinelles Lernen durch Erfahrung und den Einsatz von Statistiken verbessert . Dafür benötigen sie drei Komponenten, um zu funktionieren. Nummer eins, Datensätze. Bevor Modelle des maschinellen Lernens auf eine Aufgabe angewendet werden können, müssen sie anhand einer Sammlung von Stichproben trainiert werden , die auch als Datensatz bezeichnet werden. Regel ist dies einer der In der Regel ist dies einer der zeitaufwändigsten Schritte beim maschinellen Lernen, da die meisten Datensätze mehrere tausend Stichproben benötigen , was viel Zeit und Mühe in Anspruch nimmt. Einer der bekanntesten Datensätze wäre z. B. der Irisblüten-Datensatz. Dieser multivariate Datensatz besteht aus drei verschiedenen Blütenarten, jeweils aus 50 Proben bestehen. Jede Probe hat vier Merkmale, die z. B. die Blütenblattlänge oder die Blütenblattbreite beschreiben . Da dieser Datensatz für jeden zugänglich und relativ einfach zu handhaben ist , er AI Guinness oft empfohlen , wenn ich am ersten Tag meiner Projektierung anfange. Nummer zwei, Merkmale, in der Regel, äh, Daten, die die Stichproben beschreiben. Bleiben wir z. B. beim Iris-Blumendatensatz. In diesem Irisblüten-Datensatz gibt es vier Merkmale , die die Blüten beschreiben. Blütenblattlänge, Blütenblattbreite, Kelchblattlänge und Kelchblattbreite. Abhängig von Ihrem Modell und den Funktionen kann dies einen großen Unterschied in der Leistung Ihres Modells während des Trainings und Tests ausmachen. Schauen Sie sich die folgenden Grafiken an. Hier haben wir die Korrelationskarte der vier Merkmale gezeichnet. Auf diese Weise können wir sehen welche Merkmale miteinander korrelieren und welche Funktionen sich am besten für die Trennung des Datensatzes eignen. Eine gute Wahl könnten die Blütenblattlänge und Blütenblattbreite sein. Warum die beiden? Du fragst vielleicht? Schauen wir uns das genauer an. In der Grafik sehen wir die Korrelationen mit drei verschiedenen Farben. Diese drei Farben stehen in diesem Fall für die Blütenart. Jetzt ist es unsere Aufgabe, uns die Karte anzusehen und zu entscheiden , welche Merkmale die Punkte in verschiedenen Farben am besten trennen . Beispielsweise kann das erste Bild in der zweiten Reihe aber es trennt die gelben Punkte ziemlich gut von den anderen trennen, die rosafarbenen nicht von den violetten. Wenn wir uns jedoch das dritte Bild in der letzten Reihe ansehen, können wir sehen, dass alle drei Farben fast perfekt voneinander getrennt sind. Die verwendeten Merkmale waren Blütenlänge und Blütenblattbreite. Wenn du immer noch neugierig auf die Grafik bist, pausiere das Video einfach für ein paar Sekunden und sieh dir die anderen Zeilen und Spalten an. Wir werden jetzt jedoch zum nächsten Punkt übergehen. Algorithmen. Einen Algorithmus kann man sich als eine Liste von Anweisungen vorstellen , die Schritt für Schritt ausgeführt werden, um eine bestimmte Aufgabe zu lösen. maschinellen Lernen können jedoch Beim maschinellen Lernen können jedoch häufig mehrere verschiedene Algorithmen in Kombination mit statistischen Methoden verwendet werden , um dieselbe Aufgabe zu lösen oder eine bessere Leistung zu erzielen. Man könnte auch einfach mehrere Algorithmen kombinieren und mit den Einstellungen herumspielen. wir nun wissen, welche Komponenten für maschinelles Lernen benötigt werden, schauen wir uns im nächsten Video Deep Learning an. 5. Deep Learning _ Example-Use-Case: Deep Learning und neuronale Netzwerke. Erinnern Sie sich, wie wichtig es beim maschinellen Lernen war , gute Funktionen auszuwählen? Im Fall von Deep Learning ist dies nicht mehr erforderlich. Stattdessen sammelt das Modell die Merkmale selbst und die Beweise mit Hilfe sogenannter neuronaler Netzwerke. Da Deep Learning von der Struktur unseres Gehirns inspiriert wurde , verwenden Deep-Learning-Algorithmen komplexe mehrschichtige neuronale Netzwerke, um bisher unbekannte Muster in den Daten zu abstrahieren, bisher unbekannte Muster in den Daten zu abstrahieren um zu einer Lösung zu gelangen. Immer noch keine Ahnung, was das neuronale Netzwerk ist. Normalerweise, wenn erklärt wird, wie neuronale Netzwerke genau funktionieren. Es würde etwas Mathematik beinhalten. Da dies jedoch der Kurs Einführung in die KI ist, werden wir ihn auf ziemlich einfache Weise erklären. Neuronale Netzwerke bestehen aus den folgenden Notenschichten. Eine Eingabeebene, eine oder mehrere versteckte Ebenen und dann eine Ausgabe-Ebene. Jeder Knoten wird auch künstliches Neuron genannt, einem anderen verbunden und hat ein zugehöriges Gewicht und einen Schwellenwert. Wenn die Ausgabe eines einzelnen Knotens über dem angegebenen Schwellenwert liegt , wird dieser Knoten aktiviert sendet Daten an die nächste Netzwerkschicht. Andernfalls werden keine Daten an die nächste Netzwerkschicht weitergegeben . Um nun ein neuronales Netzwerk trainieren zu können, bräuchten wir Daten, eigentlich viele Daten, nur dann können wir die Genauigkeit des Modells im Laufe der Zeit wirklich verbessern. Aber sobald diese Lernalgorithmen fein abgestimmt sind, werden sie es uns ermöglichen, Daten in sehr kurzer Zeit zu klassifizieren und zu clustern. Jetzt, wo wir alles durchgemacht haben, wie wäre es mit dem kleinen Beispiel? Beispiel für einen Anwendungsfall. Angenommen, Sie besitzen ein kleines Unternehmen, das sich auf die Sortierung von Obst in verschiedene Kategorien spezialisiert hat. In der Sortieranlage werden die Früchte alle vermischt. Es ist notwendig, die Früchte zu trennen und zu verpacken, um sie zu fangen, zurückzuverfolgen, bevor sie an Supermärkte geliefert werden. Zu den Früchten, die aussortiert werden müssen, Bananen, Äpfel und Orangen. Nun, da wir die Aufgabe kennen, gehen wir jeden der drei Bereiche durch. KI-Ansatz. In der KI hätten Sie jetzt einen KI-basierten Algorithmus verwendet, der die Entscheidungslogik innerhalb eines regelbasierten Systems verwendet. Ein Beispiel wäre, wenn das Objekt ein Apfel ist, dann transportiere es nach rechts. Wenn das Objekt eine Banane ist, transportieren Sie es nach links. Der Erfolg des KI-basierten Systems hängt jedoch davon ab, dass die Früchte von den Obstpflückern genau etikettiert werden und dass ein Scanmechanismus vorhanden ist, der dem Algorithmus mitteilt, um welche Frucht es sich handelt. Ein Ansatz für maschinelles Lernen. maschinellem Lernen basierender Algorithmus wird nun vorgeschlagen, um den KI-basierten Ansatz zur Obstsortierung zu verbessern den KI-basierten Ansatz zur , wenn keine Etiketten verfügbar sind. Damit maschinelles Lernen funktioniert, ist die Beschreibung jede Frucht aussieht, erforderlich. Dies wird als Merkmalsextraktion bezeichnet. Dazu wird ein Bauplan erstellt, der auf den Merkmalen und Attributen jeder Frucht basiert . Der Algorithmus wird anhand von Merkmalen wie Größe, Farbe, Form usw. trainiert , um die Früchte zu klassifizieren. Wenn wir zum nächsten Ansatz übergehen, gelangen wir zu Deep Learning, indem wir die Notwendigkeit vermeiden, zu definieren, wie jede Frucht aussieht. Ein auf Deep Learning basierender Algorithmus könnte verwendet werden, um jede Frucht zu lösen. Ein großer Vorteil des Deep-Learning-Modells besteht darin, dass es keine Funktionen benötigt, um die Früchte korrekt zu klassifizieren. Mit vielen Fruchtbildern kann das Modell ein Muster erstellen, jede Frucht aussieht. Diese mehreren Schichten neuronaler Netzwerke werden verwendet um die Bilder im Deep-Learning-Modell zu verarbeiten. Dann definiert jede Netzwerkschicht spezifische Merkmale der Bilder, wie die Form der Früchte, die Größe, die Farbe usw. Damit das Modell jedoch gute Ergebnisse erzielt , werden erhebliche Rechenleistung und große Datenmengen benötigt . Sie nun die Unterschiede zwischen KI, maschinellem Lernen und Deep Learning etwas kennen , schauen wir uns im nächsten Teil die Geschichte der KI an. 6. Geschichte der KI: Geschichte der KI von der Vergangenheit bis zur Gegenwart. Auf dem Weg zum ersten Winter. Willkommen in der Geschichte der KI. Nach dem Hören und Lesen vieler Artikel über Erfolge im Auge könnten viele Menschen annehmen, dass es sich um ein relativ neues Gebiet handelt, aber das ist nicht der Fall. Es hat eine längere Vergangenheit und Sie denken vielleicht, nehmen wir Platz und sprechen über die großartige Geschichte und Erfolgsgeschichten. Heute hören wir viel über neue Errungenschaften auf dem Gebiet der künstlichen Intelligenz, Automatisierung und Robotik. Aber Sie wissen, dass die Idee intelligenter Maschinen bereits in der Antike existierte. Kennst du die Geschichte von Carlos, dem Bronchiengiganten? Laut Move wird Carlos als ein riesiger Bronzemann beschrieben , der vom griechischen Gott der Erfindung und Schmiedekunst geschaffen wurde . Zeus, der König der griechischen Götter, beauftragte ihn , die Insel Kreta vor Angreifern zu verteidigen . Wir haben in der jüngeren Vergangenheit zwar keine riesigen Roboter oder ähnliches geschaffen , aber wir hatten immer noch viele interessante Dinge. Fangen wir mit Asimovs drei Gesetzen an. Asimovs Gesetze wurden erstmals von Isaac Asimov als Grundregeln des Roboterdienstes beschrieben Grundregeln des und sollten von jedem Robotertyp befolgt werden. Asimovs Regeln lauten wie folgt. Erstens darf ein Roboter nicht wissentlich einen Menschen verletzen oder durch Untätigkeit zulassen, dass ein Mensch verletzt wird. Zweitens muss ein Roboter die ihm erteilten Befehle befolgen. Sie sind Menschen, es sei denn eine solche Ordnung würde mit Regel Nummer eins kollidieren. Denn ein Roboter muss seine Existenz schützen, solange dieser Schutz nicht mit Regel Nummer eins oder Nummer zwei kollidiert. Im Laufe der Zeit treffen wir Alan Turing mit dem sogenannten Turing-Test. Er versuchte 1950 zu formulieren , wie man feststellen könnte, ob ein Computer oder ein Modell die gleiche Denkfähigkeit haben könnte wie Menschen. Der Test verwendet einen einfachen Frage- und Antwortprozess zwischen einem menschlichen Fragesteller und anonymen Befragten, die für die Frage nicht sichtbar sind . Die kostenlosen, vordefinierten Fragen werden von Personen gestellt, die keinen visuellen oder auditiven Kontakt zum Interviewer haben, indem sie Eingabewerkzeuge wie eine Tastatur oder einen Bildschirm verwenden . Wenn am Ende des Tests die menschliche Frage steht, kann ich anhand der Fragen nicht feststellen , welcher der beiden Befragten die Maschine ist. Die Intelligenz der Maschine kann als menschenähnlich definiert werden. Nur sechs Jahre später die berühmte Dartmouth Conference statt. To Dartmouth Conference gilt als Geburtsstunde der künstlichen Intelligenz als akademische Disziplin. Es wurde von John McCarthy, Marvin Minsky, Latin in Rochester und Claude Shannon unter dem vollständigen Namen dot MOV-Sommerforschungsprojekt zur künstlichen Intelligenz angefordert, geplant und durchgeführt Latin in Rochester und Claude Shannon unter dem vollständigen Namen dot MOV-Sommerforschungsprojekt . Es fand im Sommer 1956 vom 18. Juni bis 16. August am Dartmouth College in New Hampshire statt. Themen wie automatische Computer, neuronale Netzwerke, Abstraktion oder Zufälligkeit und Kreativität wurden besprochen. Und wie sich herausstellte, waren nach nur wenigen Jahren praktisch alle Teilnehmer der Konferenz zu international renommierten Experten auf dem Gebiet der künstlichen Intelligenz geworden international renommierten Experten auf dem Gebiet . Auf die Dartmouth Conference folgten viele weitere Innovationen, wie der erste Chat-Bot Eliza, übernehmen sollte der die Aufgabe von Psychotherapeuten übernehmen sollte. Doch so vielversprechend diese Projekte auch waren, Forscher kamen schließlich zu dem Schluss, dass die reale Welt einfach viel zu komplex ist , um dort solche Modelle zu verarbeiten, was zu Beginn des ersten KI-Winters in den 1960er Jahren zur Annullierung wichtiger Ergebnisse führte . Vorbereitung auf den zweiten Winter. Nachdem die Auswirkungen des ersten KI-Winters nachließen, begann ein neues Zeitalter der EI. Diesmal wurde viel mehr Wert auf die Entwicklung von Handelsartikeln gelegt. Darüber hinaus begannen in den frühen 1880er Jahren bedeutende Konferenzen wie die Association for the Advancement of Artificial Intelligence, of Artificial Intelligence, die einem enormen Anstieg des Ticketverkaufs führten. Die KI-Technologie hat sowohl bei der Öffentlichkeit als auch bei den Regierungsbehörden die Neugier geweckt. Expertensysteme waren entscheidend für die Kommerzialisierung von KI. Diese Systeme wurden durch die Entwicklung von zehn Regelsätzen erstellt und wurden in einer Vielzahl von Anwendungen verwendet. Finanzplanung, medizinische Diagnostik, geologische Untersuchungen und mikroelektronische Geheimhaltung gehören medizinische Diagnostik, geologische Untersuchungen dazu. Aufgrund der verfügbaren Modelle und Techniken sind wir jedoch immer noch sehr begrenzt und könnten komplexere Probleme nicht lösen. Der zweite Winter kam nur wenige Jahre später. Die gegenwärtigen Fortschritte werden sich nach dem zweiten Winter verlangsamen, aber große Durchbrüche wurden erst wenige Jahre später erzielt. Unter anderem war es möglich, mit Hilfe von Deep Blue den Schachweltmeister Garry Kasparov zu besiegen den Schachweltmeister . Deep Blue war ein Supercomputer von IBM speziell für das Schachspielen entwickelt wurde. Er war vor allem als erstes KI-Programm bekannt , das jemals ein Schachspiel gegen den amtierenden Weltmeister gewann . Nachdem Deep Blue 1996 das erste Sechs-km-Spiel gegen Garry Kasparov verloren Sechs-km-Spiel gegen Garry Kasparov und ein massives Upgrade erhalten hatte, konnte Deep Blue den Weltmeister im Mai 1997 besiegen . Wenige Jahre später besiegte AlphaGo den Weltmeister im Golfspiel mit vier zu eins. Es klingt vielleicht nicht nach einem großen Meilenstein, ist es aber wirklich. Alphago unterscheidet sich stark von früheren KI-Projekten. Um seine Gewinnchancen zu berechnen, verwendete es neuronale Netzwerke und nicht Wahrscheinlichkeitstechniken , die von menschlichen Programmierern fest codiert wurden . Neben Spielen, die AlphaGo gegen sich selbst und andere Spieler spielt, exzessiert und analysiert AlphaGo auch die gesamte Internet-Go-Bibliothek, einschließlich aller Spiele, Spieler, Statistiken und Literatur. Erstens, Setup, untersucht es die optimale Strategie, um das Golfspiel ohne die Unterstützung des Entwicklungsteams zu lösen . Alphago schätzt mithilfe neuronaler Netzwerke und der Monte-Carlo-Baumsuche, über die Sie in einem anderen Kurs mehr erfahren, die Wahrscheinlichkeit für viele zukünftige Bewegungen neuronaler Netzwerke und der Monte-Carlo-Baumsuche, über die Sie in einem anderen Kurs mehr erfahren, ab. Jetzt, wo wir am Ende der Geschichte sind, ist es an der Zeit, in die Zukunft zurückzukehren. 7. Verschiedene KI-Felder: Zukünftige Anwendungen. Es gibt so viele Theorien darüber, welche Auswirkungen KI in Zukunft auf uns haben wird. Und da es so viele Möglichkeiten gibt, schauen wir uns einfach drei Beispiele an, bei denen Konsum Realität wird. Nummer eins, vollständig intelligente und autonome Städte. Das Konzept vollständig intelligenter und autonomer Städte ist eine spannende Möglichkeit für die Zukunft der KI. Mit den technologischen Fortschritten können wir sehen, dass Häuser und Wohnungen mit Spracherkennungssystemen, Fingerabdrucksensoren und mehr intelligenter werden . Wenn sich dieser Trend fortsetzt, könnten wir bald erleben, dass ganze Städte vollständig autonom werden. In diesen Städten könnte alles, von der Müllentsorgung bis zum öffentlichen Verkehr, ohne menschliches Eingreifen betrieben werden . Stellen Sie sich vor, Müllwagen fahren selbständig zu ausgewiesenen Sammelstellen oder öffentlichen Verkehrssystemen, die je nach Verkehr und Fahrgastnachfrage automatisch umleiten . Einer der potenziellen Vorteile autonomer Städte ist die Verringerung der Verkehrsverschmutzung und der durch menschliches Versagen verursachten Unfälle. Dies könnte zu einer saubereren und sichereren Umgebung für die Bewohner führen . Darüber hinaus könnten autonome Städte auch die Kosten für öffentliche Dienstleistungen senken und die Effizienz steigern. Nummer zwei, a, i, Entdeckung neuer Technologien und Gesetze der Physik. Stimmt. Es war bereits möglich, vorherzusagen mit Hilfe von KI einige physikalische Prozesse in kleinem Maßstab oder sogar neue mathematische Theorien zu erstellen. Wissenschaftlern der Universität Osaka und von COBie ist es beispielsweise gelungen, Hamiltonsche Gleichungen mithilfe neuronaler Netzwerke zu extrahieren . Das ist eine kurze Information. Die Hamiltonsche Mechanik basiert auf der Lagrangeschen- und Newtonschen Mechanik. Ohne zu sehr ins Detail zu gehen. In der Physik ist die Hamiltonsche Mechanik die Theorie wie sich Energie von kinetischer Energie in potenzielle Energie wandelt. Und wieder Technik, im Laufe der Zeit wird es verwendet, um Systeme wie ein Pendel oder einen springenden Ball zu beschreiben . Seine Stärke zeigt sich jedoch in komplexeren Systemen wie Himmelsmechanik oder Planetenbahnen. Nummer drei, Ai in Recht und Ordnung. Ich bin sicher, Sie haben oft gehört, dass das Rechtssystem mit zu vielen Aufgaben zu kämpfen hat , um dem Rechtssystem zu helfen. Und KI, die in Zusammenarbeit mit Anwälten, Richtern, Entwicklern und anderen Personengruppen entwickelt wurde Zusammenarbeit mit Anwälten, Richtern, Entwicklern , kann in kleineren Gerichtsverfahren wie Schadensersatzklagen eingesetzt werden . Es kann auch wertvolle Zeit bei der Strukturierung und Vorbereitung von Dateien sparen . Dennoch gibt es in dieser Hinsicht auch moralische und ethische Fragen. Da wir jedoch nicht die Zeit haben , diese Fragen zu beantworten, werden wir in einem anderen Kurs mehr darüber erfahren. 8. Zukünftige Anwendungen: Verschiedene KI-Felder und Überblick. Nachdem wir uns nun mit der Geschichte der künstlichen Intelligenz befasst haben, schauen wir uns an, wie sie in verschiedenen Bereichen eingesetzt wird. Da ich ein sehr komplexes und weites Feld ist, ist es schwierig, den Überblick zu behalten oder sogar unmöglich, alle Bereiche aufzulisten, aus denen es besteht. Um Ihnen zu helfen, erhalten Sie zunächst einen Überblick über die wichtigsten Bereiche. Maschinelles Lernen, Wissensrepräsentation, Planung, neuronale Netzwerke oder z. B. Robotik, Computer Vision, NLP , Suchen und viele mehr sind wichtige Unterperioden der KI. Ein wichtiger Teilbereich der KI ist die Wissensrepräsentation, bei der Informationen über die Welt in einem Format dargestellt werden, das das Computersystem verwenden kann , um komplexe Aufgaben wie die Diagnose von Erkrankungen oder die Durchführung von Konversationen in natürlicher Sprache auszuführen. Nlp hingegen ermöglicht es Computern, menschliche Sprache zu verstehen und zu interpretieren. Computer Vision ist zwar von entscheidender Bedeutung , damit Maschinen die Umgebung wahrnehmen können. Jeder Unterbereich ist essenziell und spielt eine einzigartige Rolle bei der Entwicklung des Auges. Es ist zwar unmöglich, all diese aufregenden Unterpfeile in diesem Video zu behandeln , konzentrieren wir uns auf einige Beispiele dafür, wie KI derzeit in verschiedenen Branchen und Anwendungen eingesetzt wird . Beispiele, Suche nach Exoplaneten. Wussten Sie, dass allein in den letzten zehn Jahren über 1 Million Sterne beobachtet wurden, über 1 Million Sterne beobachtet wurden um herauszufinden, ob sie die Heimat von Exoplaneten sind? Kurz gesagt, Exoplaneten sind Planeten, die andere Sterne umkreisen. Bisher erfolgte die Suche größtenteils manuell, aber durch den Einsatz von KI und insbesondere Deep Learning kann der Prozess automatisiert und quantifiziert werden. Stellen Sie sich vor, statt 100 Planeten pro Jahr finden Sie plötzlich Tausende neuer Planeten. In diesem Zusammenhang hat sich eine Gruppe von Astronomen der Universität Genf, burn und NCC our planet, Switzerland, mit einer Firma namens This Hightech zusammengetan, um künstliche Intelligenz zur Identifizierung von Planeten in Bildern zu verwenden künstliche Intelligenz zur . Sie wollten Exoplaneten finden , die zuvor nicht nachweisbar waren. Also trainierten sie ein Computerprogramm, um vorherzusagen, wie Planeten miteinander interagieren. Durch den Einsatz dieser neuen Technik konnten die Wissenschaftler die Suche nach Exoplaneten verbessern und Entdeckungen machen, die sie auf andere Weise nicht hätten finden können. Hilfe bei der Wirkstoffforschung. Verschiedene Pharmaunternehmen wie Fire, Moderna und andere nutzen KI bereits, und andere nutzen KI bereits den Forschungsprozess für neue Medikamente erheblich zu verkürzen. Das beste Beispiel dafür ist die Entwicklung des COVID-Impfstoffs durch das Pharmaunternehmen Moderna. Mithilfe von Daten aus dem SARS-COVID-Virus, einem Vorläufer des Coronavirus, und zweier Kombinationen mit KI , insbesondere Deep Learning, dem Unternehmen gelungen, den Impfstoff in sehr kurzer Zeit bereitzustellen . KI wird jedoch nicht nur bei der Suche nach der richtigen Impfstoffzusammensetzung eingesetzt, sondern teilweise auch, um Medikamente zu entwickeln und diese in Simulationen auf Nebenwirkungen zu testen. Das spart nicht nur Zeit und Geld, sondern reduziert auch die Anzahl der Tierversuche. Schafft Kunst. Stimmt. Pi erstellt Bilder, Videos, Hintergründe und Kunstwerke. Mit neuen KI-Akteuren wie Stable Diffusion, Dolly oder Medullary ist die Erstellung von Bildern, Videos oder Odd einfacher als je zuvor. Schauen Sie sich hier einfach dieses kurze Video über die Versammlung an. Präsident Trump ist ein totales und vervollständigtes Bild. Jetzt. Siehst du, ich würde diese Dinge niemals sagen, zumindest nicht in einer öffentlichen Rede, aber das war ziemlich beängstigend. Wie wäre es, stattdessen falsche Gesichter zu kreieren? Obwohl KI derzeit noch keine perfekten Änderungen ist, stellen Sie sich vor, wie sie in den nächsten 15 bis 20 Jahren sein wird. Es besteht auch die Möglichkeit, zwei Bilder zu kombinieren , um ein völlig neues Werk zu erstellen. Lassen Sie uns z.B. einfach das Foto von Mona Lisa machen, aber versuchen wir es diesmal in der Tat feindselig. Oder wie wäre es stattdessen mit einer Kombination aus dem Bildschirm und dem Bild von Obama? Mit einem besseren Verständnis der aktuellen Anwendungen der KI können wir uns nun auf die aufregenden Möglichkeiten dieser Technologie für die Zukunft konzentrieren. Lassen Sie uns im nächsten Kapitel einige der potenziellen zukünftigen Anwendungen von KI untersuchen der potenziellen zukünftigen Anwendungen . 9. Was wir bisher gelernt haben: Was wir bisher gelernt haben. Am Ende angekommen, lassen Sie uns einfach überdenken, was wir bisher gelernt haben. Wir betrachten gemeinsam die Unterschiede zwischen KI, maschinellem Lernen und Deep Learning. Dann konnten wir einen Blick in die Vergangenheit von EI werfen und stellten überraschenderweise fest, dass KI ein älteres Forschungsgebiet ist als bisher angenommen. Wir haben von Azimuten, Gesetzen und dem Turing-Test gehört . Zurück in die Zukunft haben wir gelernt, aus welchen Bereichen EI besteht und wo es heute schon eingesetzt wird. Im letzten Kapitel konnten wir darüber spekulieren, wie sich KI in ihrer aktuellen Form entwickeln könnte. Jetzt, wo Sie über ein solides Grundwissen über das Auge verfügen , können Sie sich mühelos mit den übrigen Ursachen befassen . Also mach weiter so und bleib motiviert.