Vereinfachte künstliche Intelligenz (KI): Was KI ist, was es NICHT ist und wo wir uns vorstellen

1. 1: Hallo zusammen. Ich bin mir ziemlich sicher, dass Sie den Krieg und die künstliche Intelligenz der KI wiederholt gesehen und gelesen haben. Und höchstwahrscheinlich sind Sie bereits ein Benutzer, all die verschiedenen KI-fähigen Tools in Ihrem Leben. Nun, fragst du dich, wie das alles auf hohem Niveau funktioniert? Und würden Sie gerne mehr darüber erfahren, wie Ihr Job und Ihr Leben die Art und Weise, wie sie sterben, verändern werden? In den nächsten fünf Jahren. Hat KI Grenzen? Und schließlich, wohin wollen wir mit dieser sich schnell entwickelnden Technik gehen ? Wenn Sie eine dieser Fragen haben, melden Sie sich bitte für den Kurs an. Ich gebe Ihnen eine kurze Geschichte der KI, wie der Bauch hier ist. Ich gebe Ihnen verschiedene Beispiele aus verschiedenen Branchen und wie sie derzeit KI einsetzen. Und ich werde versuchen, einige der Mythen rund um KI zu entmystifizieren, was Sie in den nächsten fünf Jahren vom I erwarten können und was nicht. Und schließlich, wohin gehen wir, wenn wir mehr Daten sammeln und fortschrittlichere KI-Algorithmen entwickeln. Am Ende dieses Kurses können Sie diese Erkenntnisse nutzen, um Ihr Leben und Ihre eigene Karriere im Voraus zu planen . Mein Name ist gesagt, ich habe sowohl natürliche als auch künstliche Intelligenz an der Universität Cambridge studiert und dann meinen Tee getrunken, ebenfalls Mitbegründer von cognitively t, einem KI-Unternehmen, das sich der Verbesserung der Gesundheit verschrieben hat . Danke fürs Zuschauen und ich sehe dich hoffentlich in der Klasse. 2. 2. Projekt: Großartig. Was das Kursprojekt betrifft, möchte ich, dass Sie ein Video von sich selbst machen, in dem Sie ein Tool oder eine Anwendung beschreiben , die Sie gerade verwenden und die von KI unterstützt wird. Und ich möchte, dass Sie in Ihrem Video beschreiben , wie KI Ihrer Meinung nach dieses Produkt derzeit verwendet. Und vielleicht versuchen Sie, Baumwipfelfunktionen oder Highlights zu erwähnen Baumwipfelfunktionen oder , die besonders von KI unterstützt werden. Und wenn Sie versuchen könnten, vorherzusagen oder zu verstehen, wie diese Funktionen ohne eine Benutzeroberfläche existiert hätten oder nicht , wäre das ein Mehrwert. Dann habe ich endlich versucht zu sehen, wie sich diese Anwendung oder dieses Tool, das Sie beschreiben, in den nächsten fünf Jahren ändern wird, wenn der Tag, an dem ich weiter vorankommen werde. Basierend auf dem, was Sie in den nächsten Lektionen hören werden, wird dies Ihnen helfen, eine Vorstellung davon zu bekommen wohin wir mit neuen Fortschritten in der KI gehen. So voll, dass Sie vorhersagen können , was in den nächsten fünf Jahren passieren wird . Großartig. Wenn Sie fertig sind, posten Sie bitte Ihre Projekte in der Projektgalerie. 3. 3. 3. und -verlauf: Ordnung, also heute ist unsere erste Sitzung und ich werde Sie durch eine kurze Geschichte des Auges führen, von wo aus grob angefangen wurde und wo wir heute sind und eine Art Bewusstsein, das möglicherweise in der Zukunft. Es wird ein kurzer Zeitplan sein. Ich denke, es ist fair zu sagen, dass Alan Turing 1951 möglicherweise zu den frühen Personen gehörte, die Träume von KI hatten. Und er hatte Fantasie und ich werde ihm den Code vorlesen. Er sagte, dass wir irgendwann, also diese Maschinen, erwarten sollten , dass sie die Kontrolle übernehmen. Das war damals, im Jahr 1951, eine Art Tempo-Vorstellungskraft . Wenn die Dinge nicht so schnell gingen, war es natürlich anscheinend viel schwieriger als die menschlichen Generationen ursprünglich. Also bei Misserfolgen danach. Zurück im Jahr 1957. Es gab diese anfänglichen Varianzen neuronaler Netze. Einfach ausgedrückt sind neuronale Netze diese großen Netzwerke von Verbindungen. Und du gibst ihnen Input, multiplizierst sie mit einer Reihe von Gewichten und du bekommst eine Höhe. Dies ist eine Schicht dieser neuronalen Netze. Diese einlagige neuronale Netze. Sie wurden Perzeptron genannt und konnten nur lineare Probleme lösen. So wurden sie von 1957 bis 1960 bei Frank Rosenblatt sehr beliebt . Er gehörte zu den wichtigsten visuellen Personen, die hinter der Einführung dieser Perzeptrone standen. Und nach 1960 begann die Aufregung um diese Netzwerke zu sinken. Vor allem, weil sie nur lineare Probleme lösen konnten und schwer zu trainieren waren. Es gab also nicht genug oder starke Verarbeitungseinheiten , um diese Netzwerke trainieren zu können. Und es gab nicht ausreichend große Datensätze. Das waren also zwei Hauptbeschränkungen oder drei Hauptbeschränkungen in Bezug auf Präzeptoren. Dann, ein paar Jahre später, war vielleicht ein weiteres Markenzeichen die Veröffentlichung dieser, wir nennen es analoge VLSI, Implementierung neuronaler Systeme. Wir könnten das vielleicht als ein weiteres Markenzeichen kennzeichnen. Aber noch aufregender war 1997 diese große IBM-Maschine namens Deep Blue. Das hier, Kasparov im Schach. Das war also 1997 ein historischer Schritt. Und da wir später in einer der Sitzungen darauf eingehen werden, werde ich hier nur hervorgehoben. Diese große, große Maschine. Es war der Hauptvorteil, den es hatte, oder die Menschen hatten ein sehr großes Gedächtnis. Es könnte also irgendwie auf dem Schritt basieren , den Kasparov gemacht hat, es hätte einen sehr großen Entscheidungsbaum getroffen und irgendwie vorhergesagt, was der nächstbeste Schritt sein würde. Wenn Kasparov mit diesem oder jenem kommt. Das würde also alle möglichen Wege bis zum Ende des Spiels in einem sehr großen Entscheidungsbaum vorhersagen . Und so nennen wir den Algorithmus irgendwie. Wir könnten es nennen, dass ein intelligenter Algorithmus funktioniert. Der Hauptvorteil bestand daher darin, einen sehr großen Speicher zu haben und diesen Entscheidungsbaum irgendwie erstellen zu können. Jetzt, in den 2000er Jahren, kam etwas Aufregendes auf den Plan. Es heißt einfach Grafikverarbeitungseinheiten. Und es war kein Fortschritt bei der Hardware. Und die Grafikverarbeitungseinheiten ermöglichen die parallele Bearbeitung einer Operation. Massive Parallelverarbeitung, ein Arbeitsgang. Dies war tatsächlich etwas , das bei neuronalen Netzen sehr helfen konnte. Jetzt kommen wir darauf zurück, in den Jahren 2012-2010 dort. Okay, also in zweitausend, also hatten wir diese Einführung von GPUs. Wie ich bereits sagte, eine der Einschränkungen der frühen neuronalen Netze, die Perzeptrone. Neben Hardware gab es Mangel an Daten, Big Data, Big Label-Daten. 2009 und um 2009-2010 begannen Universitäten, Institute usw., diese großen beschrifteten Datensätze zu entwickeln. Das vielleicht beliebteste ist das ImageNet. Die Welt der visuellen Verarbeitung, visuellen Objekterkennung. Dieser ImageNet-Wettbewerb , den es am MIT gegeben hatte. Es ist ein sehr großer Datensatz, Millionen von Bildern , die danach gekennzeichnet sind , welche Objekte darin enthalten sind. Ich meine, dieses Jahr haben wir viel mehr beschriftete Datensätze. Das waren also irgendwie Aufforderungen, ein weiteres Markenzeichen. Jetzt, im Jahr 2010, haben wir diese GPUs und großen beschrifteten Datensätze. Was passiert als nächstes? Im Jahr 2012 gibt es diesen ImageNet-Wettbewerb und ein neues neuronales Netzwerk, das die Schüler jetzt als Deep-Learning-Algorithmen bezeichnen , wurde von Alex Krizhevsky im Verkaufsteam eingeführt Alex Krizhevsky im Verkaufsteam und ein neues neuronales Netzwerk, das die Schüler jetzt als Deep-Learning-Algorithmen bezeichnen, wurde von Alex Krizhevsky im Verkaufsteam eingeführt Wettbewerb und es gewann alle anderen Algorithmen nach Distanz. Um es einfach auszudrücken, es war eine Art mehrschichtiges Perzeptron. Nun, weil sowohl GPUs als auch große beschriftete Datensätze erlaubten oder kompensierten die Einschränkungen dieser Perzeptronen erlaubten oder kompensierten. So wurde es irgendwie möglich, natürlich hatten sie auch einige Innovationen und Neuheiten. Lassen Sie den Algorithmus funktionieren. Weniger Parameter waren nicht dicht miteinander verbunden. Genau dort im Jahr 2014. Wir sind mit ein paar anderen aufgewachsen. Wir haben gezeigt, dass es starke Ähnlichkeiten zwischen der Verarbeitung visueller Bilder durch Menschen und tiefen neuronalen Netzwerken gibt. Je ähnlicher die Modelle der Objektbereitstellung Menschen werden, um in der realen Welt tatsächlich bessere Leistungen zu erbringen. Im Jahr 2016. Es ist kein großes Markenzeichen. Und zu diesem Zeitpunkt haben AlphaGo, einige von Ihnen, vielleicht von Google DeepMind in London gehört . Sie entwickelten diesen KI-Algorithmus , der auf Deep Learning und Reinforcement Learning basierte . Und es könnte das Go-Spiel spielen, was viel schwieriger ist , wenn Sie die Brust zusammendrücken möchten. Denn im Schach könnte man, wie gesagt, diesen Entscheidungsbaum im Go-Spiel vorhersagen oder bauen . Das ist nicht möglich. Wie effektiv, Sie können sich für ältere mögliche Bewegungen entscheiden. Weil man sagen könnte, dass es unendlich viele mögliche Züge gibt. Ganz anders in Bezug darauf wie das Golfspiel im Vergleich zum Schach schlechter ist. Was Sie hier brauchen, ist eine Art Intuition, anstatt ein großes Gedächtnis zu haben. Wie sie es in einfachen Worten gemacht haben. Das tiefe neuronale Netzwerk wurde durch die Spiele trainiert , die Champions of the Go spielen. Und wenn man sich das anschaut, ist dies der Schauplatz des Spiels. Dies ist der nächstbeste Schritt, den dieser Champion gemacht hat. Trainierst du den Algorithmus mit einer solchen Entzündung? Und im Jahr 2016 entwickelte sich der Algorithmus als Champion des Spiels. Und eine aufregende Sache, die vielleicht mit den Codes zusammenhängt, die ich am Anfang von Alan Turing gesagt habe, war, dass es den Codes zusammenhängt, die ich am Anfang von Alan Turing gesagt habe , war, dass in einer der Versionen des Algorithmus KI-Modelle gibt, die konkurrieren. gegeneinander. Und einer von ihnen wird immer besser er mit diesem anderen KI-Modell spielt. Heute haben wir selbstfahrende Autos und wir bewegen uns auf jetzt. Viele Anwendungen um uns herum profitieren von einer Art KI-Algorithmus. Entweder ist es Gesichtserkennung, Selbstfahren, Spracherkennung und Übersetzung, Google-Suche und so weiter und so fort. Intelligente Werbung, personalisierte Empfehlungen. Und wir werden versuchen, einige davon zu erwähnen und Ihnen im Laufe des Kurses weitere Beispiele zu geben . Diese Phase, in der wir uns befinden wird auch als Industrie 4 bezeichnet, bei der es sich um die Kombination von IoT, Internet der Dinge und künstlicher Intelligenz handelt. Iot ist dafür verantwortlich, Daten zu sammeln und die Erscheinungen und Dinge miteinander in Verbindung zu bringen. Und dann KI-Prozessor und gibt Ihnen zusätzliche Einblicke, oder? Und auf dem Weg in die Zukunft. Bleib bei mir. In den nächsten Kursen werden Sie sehen, was in den nächsten fünf bis zehn Jahren voraussichtlich kommen wird. Ich glaube nicht, dass wir viel darüber hinaus genau vorhersagen können, aber wir werden sehen, was wie möglich KI einige der Jobs ersetzen wird. Was wären die möglichen Auswirkungen auf Ihre Karriere und unser Leben? 4. 4. maschinelles Lernen und KI in guter Alten Mode: Heute lernen wir etwas über maschinelles Lernen und gute altmodische KI, auch als Ziel fünf bezeichnet wird. Was ist maschinelles Lernen? Definition von maschinellem Lernen ist also im Wesentlichen eine Füllung einer Studie, die Computern die Möglichkeit gibt, zu lernen, ohne explizit programmiert zu werden. Im Wesentlichen bringen wir Maschinen bei, Dinge zu lernen, ohne sie explizit zu programmieren. Und in dieser Geschichte, die ich in der vorherigen Sitzung gegeben habe, wir einige der Spiele gesehen, Techniken des maschinellen Lernens und KI-Techniken haben wir einige der Spiele gesehen, die Techniken des maschinellen Lernens und KI-Techniken erobern konnten, wie Stühle in den neunziger Jahren. Und dann kürzlich das Go-Spiel. Das ist also eine Art Zeitleiste der KI und auch ein Teil der allgemeinen Definition dessen, was künstliche Intelligenz ist, was ist maschinelles Lernen? Was ist Deep Learning? Ich bin sicher, Sie haben all diese verschiedenen Terminologien gehört und wenn Sie sich fragen, was sich darauf bezieht, was dann genau das tut. Der Begriff künstliche Intelligenz ist also der breitere Begriff. Es ist jede Technik, jede Technik des maschinellen Lernens oder irgendein Algorithmus, oder irgendein Algorithmus, es Maschinen ermöglicht, menschliches Verhalten nachzuahmen. Es könnte sich vorstellen, es könnte bedeuten, dass es in jedem anderen Bereich sein könnte. Dies wird allgemein als künstliche Intelligenz bezeichnet. Welche Anwendung auch immer darunter fällt , diese wird als KI-Anwendung bezeichnet. Genauer gesagt sind sie eine Unterkategorie von Algorithmen, die als maschinelles Lernen bezeichnet werden. Terminologie begann um die 1980er Jahre. Dann lernen Maschinen also effektiv. Und in dieser Sitzung werden wir auch über die verschiedenen Bereiche des maschinellen Lernens sprechen . Eine Unterkategorie davon heißt Deep Learning, das auf neuronalen Netzen basiert. Diese überschneiden sich natürlich. Wenn wir also die beiden trennen wollen, haben wir diese Techniken des maschinellen Lernens, die nicht auf neuronalen Netzen basieren, wie einfache Klassifikatoren, Regressionen usw. Und wir haben eine netzwerkbasierte Raul-Maschine lernen. Und wenn die Tiefe dieses neuronalen Netzwerks mehr als ein paar Schichten beträgt werden sie Deep Learning genannt. Heute führe ich Sie durch die breiteren Kategorien des maschinellen Lernens. Und dann, in der nächsten Sitzung, wenn wir über moderne KI sprechen, gebe ich Ihnen ein Informationen zum allgemeinen Verständnis von Deep Learning und einigen Anwendungen. Stimmt's? Was sind also die verschiedenen Arten des Lernens für Maschinen? Und tatsächlich ist es nicht nur für Maschinen, auch für Menschen, wir haben überwachtes Lernen, unbeaufsichtigtes Lernen und Reinforcement Learning. Überwachtes Lernen ist effektiv, wenn wir dem Agenten hier entweder den Algorithmus oder den Menschen oder sogar das Trainieren von Tieren mitteilen . Dann gibst du ihnen einen Reiz, ein Objekt, ein Bild und sagst ihnen, was es ist. Es ist also überwachtes Lernen. Und Sie wiederholen diesen Vorgang immer wieder , bis Sie sicherstellen, dass sie es tatsächlich verstanden haben. Dies ist überwachtes Lernen. Unbeaufsichtigtes Lernen ist effektiv Sie erhalten einfach die Bilder oder Impulse. Sie geben die Beschriftungen oder Anmerkungen nicht an. Sie wissen vielleicht nicht genau, was es ist, aber basierend auf den Merkmalen der Bilder oder Reize, die Sie ihnen gegeben haben, können sie sie gruppieren und die beiden trennen, wie sagen wir, okay, diese sind Äpfel und Orangen, oder? Vielleicht kenne ich das Etikett nicht, den Namen der Frucht. Aber ich weiß, dass diese einander ähnlich aussehen und diese anderen einander ähnlich sehen. Diese beiden sind unterschiedlich. Clustering-Algorithmen fallen unter das unbeaufsichtigte Lernen. Dann haben wir auch dieses Konzept des Reinforcement Learning, über das ich in der nächsten Sitzung mehr sprechen werde. Im Großen und Ganzen ist Reinforcement Learning jedoch die Fähigkeit, durch Erkundung zu lernen. Sie bringen einen Agenten in eine Umgebung. Und indem sie die Umwelt erkunden und die Grenzen dieser Umgebung herausfinden, lernen sie, Dinge zu tun. Und Menschenkinder sind ein sehr gutes Beispiel für dieses Szenario. Babys, sie können nicht laufen, sie wissen nicht, wie sie reagieren oder reagieren sollen. Oder im Grunde nein, sehr wenig, wenn sie geboren werden. Und indem wir die Umwelt erkunden und auf natürliche Weise verschiedenen Dingen ausgesetzt sind. Eine Belohnung oder eine Strafe erhalten. Durch diese Erkundung. Es gibt Dinge, die sie aufladen, und sie könnten schwierig sein, also werden sie es beim nächsten Mal vermeiden. Das ist eine natürliche Strafe. Oder sie essen etwas und finden es sehr lecker, also werden sie das auch weiterhin tun. Das ist also eine Art Reinforcement Learning. sie diese Erkundung radeln, kommen sie zu einigen Belohnungen oder Strafen und auf dieser Grundlage entscheiden sie sich, diese Aktion zu wiederholen oder nicht. So läuft das Lernen in der Welt des Reinforcement Learning ab. Ordnung, jetzt werde ich Sie hier durch zwei Beispiele führen. Zwei wichtige Unterkategorien des Lernens, überwachtes Lernen und unbeaufsichtigtes Lernen. Also beaufsichtigtes Lernen, wie ich bereits erwähnt habe, geben wir das Modell. Es könnte jedes Modell sein. Es könnte ein gutes, altmodisches KI-Modell sein, wie ein Klassifikator, oder es könnte ein neuronales Netzwerk sein. Dies ist also unabhängig vom Modell, diese Art des Lernens wird als überwachtes Lernen bezeichnet. Wir zeigen hier Eingabebilder oder Eingabedaten, eine Reihe von Äpfeln. Dann teilen wir dem Modell mit, dass die Beschriftungen Anmerkungen sind. Wir erzählen ihnen ein paar Fälle. Schau dir diese Bilder an, sind Äpfel und das sind die Etiketten. Deshalb wiederholen wir einige Wiederholungen, um sicherzustellen, dass das Modell die Eingabedaten verstanden und gelernt hat. Dann sind wir in der Testphase. Also haben wir das Modell trainiert. Das Modell hat das Konzept der Äpfel gelernt. Also zeigen wir einen Apfel. Und was erwarten wir dann, dass sie alle sagen? Nun, wir erwarten, dass sie alle sagen, es ist ein Apfel. Das nennt man überwachtes Lernen. Ein sehr gutes Beispiel für überwachtes Lernen, mit dem Sie sicher vertraut sind, ist Face ID. Das ist ein Smartphone. Und das sind einige der Sensoren auf der Vorderseite des iPhone. Und das sind die Instrumente Sie die Daten im Wesentlichen eingeben können, oder? Es liest also deine Gesichtsdaten und lässt mich das Video abspielen. Also hier, das ist die Trainingsphase, oder? Sie werden sehen, dass das iPhone Ihr Gesicht im Wesentlichen aus verschiedenen Perspektiven betrachtet. Und es wird deine Geometrie ihres Gesichts verstehen. Und es wird ein Modell dafür erstellen, wie Ihr Gesicht aussieht. Dies bedeutet also im Wesentlichen, die Daten anzugeben und zu kennzeichnen, sodass das Modell trainiert wird. Was als nächstes passiert, ist, dass Sie in diesem Video durch die Sensoren vor der Kamera sehen können . Wir schauen uns das Gesicht an, das dieses Modell jetzt baut. Und danach, in der Testphase , nachdem Sie Ihre Gesichts-ID eingerichtet haben, schauen Sie nach Ihrem Mobiltelefon und sehen, ob es entsperrt wird oder nicht. Wenn es dein Gesicht erkannt hat, dann wird es wie hier weitergehen, die Idee ist, dass es in der Lage sein sollte, dein Gesicht zu entsperren. Unabhängig von den Veränderungen in Ihrer Alltagsmode oder Veränderungen, die Sie möglicherweise haben, sogar in Ihren Wachstumsperioden. Das ist also, das ist irgendwie die Idee. Es erstellt ein Gesichtsmodell, das sich an Veränderungen in Ihrem Gesicht anpasst. Dies wird als unveränderliche Gesichtserkennung bezeichnet. Unabhängig von den Veränderungen in Ihrem Gesicht Veränderungen unsere Identität bewahren sollte die Face ID in der Lage sein, Ihr Gesicht zu erkennen, solange die , oder? Das war also ein Beispiel für überwachtes Lernen , was ist jetzt unbeaufsichtigtes Lernen? Das ist also eine Reihe von Früchten. Und wir haben die Etiketten in diesem Beispiel nicht, daher sagen wir dem Modell nicht , dass es sich um Bananen oder Äpfel handelt. Wir geben die Bilder einfach dem Model. Und das Modell wird in der Lage sein, sie danach zu trennen , wie ähnlich sie sind. Die Äpfel sehen optisch ähnlich aus, und dann pechen sich die Bananen, sodass sie in drei verschiedene Gruppen unterteilt sind. Clustering-Algorithmen sind also ein Beispiel für unbeaufsichtigtes Lernen. Also bist du nicht, du hast ihnen das Label nicht gegeben. Sie haben nicht allen die Bezeichnung gegeben, die auf den für das Modell wichtigen Merkmalen basiert. In diesem Fall die visuelle Ähnlichkeit. Die Cluster werden gebildet. Ein Beispiel dafür ist dein kluger Oh Boo. zum Beispiel hier Wenn Sie zum Beispiel hier zu Ihnen oder zu allen Boom gehen, werden Sie sehen, dass das iPhone basierend auf den Fotos, die Sie zuvor aufgenommen haben, auf den Fotos, die Sie zuvor aufgenommen haben, für Sie kategorisiert hat. Menschen sind gruppiert, Schüler oder verschiedene Gesichter. Und selbst wenn Sie sie nicht beschriftet haben, richtig, in diesem Beispiel hat die Person Beschriftungen, aber Sie müssen sie nicht unbedingt beschriften. Was also passiert ist , dass die Gesichts-ID, das Gesicht erkannt und ähnliche Gesichter in einem Cluster kategorisiert werden. Und dann können Sie entweder ein Label hinzufügen oder nicht. Es liegt an dir. , wenn Sie hinter den Kulissen mehr erfahren möchten Was passiert, wenn Sie hinter den Kulissen mehr erfahren möchten? Das passiert auf einem bestimmten Foto. Die Algorithmus-Phase erkennt die Gesichter und den Oberkörper und passt dann die beiden an. Das heißt, dieses Gesicht gehört zu diesem Körper. Und dann geht es los, dieser Teil geht an ihr Gesichtsmodell und dieser durchläuft ein Körpermodell. Der Teil, den ich hier hervorheben wollte, ist das Clustern von Teilen. Die Gesichter, die einander ähnlich aussehen , sind in einer Kategorie zusammengefasst, dann können Sie wählen, ob Sie sie beschriften möchten oder nicht, oder? Das war also ein weiteres Beispiel aus der Praxis unbeaufsichtigtes Lernen. 5. 5. Moderne KI: Diese Sitzung spricht über moderne KI, insbesondere zu Themen wie Deep Learning und Reinforcement Learning. Also haben wir kurz besprochen , was traditionell I ist. Und hier sind ein paar weitere Beispiele. Expertensysteme, die neuronalen Netze Michele, die wir in der Geschichte der KI erwähnt haben. Fuzzy-Logik ist ein gutes Beispiel , wenn einige dieser Sprachen wahrscheinlich A-I-, A-I-spezifische Sprachen sind. Dies waren einige der älteren Fortschritte in der KI. Wir hatten dann einige Fortschritte in den Bereichen maschinelles Lernen und Computer Vision. Wir haben den IBM Deep Blue erwähnt. Die großen Vorteile des Deep Blue waren ein großes Gedächtnis und die Möglichkeit, einen Suchbaum mit den möglichen Aktionen zu erstellen . Also mache ich das Spiel und kann uns daher Kerne geben und vorhersagen, was der beste nächste Schritt für den Computer wäre . Wenn wir also auf moderne KI umsteigen, können wir dies hauptsächlich mit zwei Fortschritten bei Hardware und GPUs kennzeichnen . Und dann große beschriftete Datensätze wie das ImageNet. So tiefe neuronale Netze sind neuronale Netze, die eine Tiefe von mehr als einer haben. Das bezieht sich technisch gesehen irgendwie auf sie. Je tiefer das Netzwerk. In der Regel haben Sie mehr Parameter, Sie erstellen größere Trainingsdatensätze. Und es wird mehr Nichtlinearität , die der Algorithmus durchläuft. B kann auch die Bayes'sche Statistik und Bayes'sche Algorithmen als eines der modernen Werkzeuge und KI erwähnen die Bayes'sche Statistik und . Mein Fokus wird hauptsächlich darauf liegen, Ihnen ein besseres Verständnis dafür zu vermitteln was ein tiefes neuronales Netzwerk ist. Worum geht es bei den Operationen? Ziemlich hohes Niveau. Und dann wäre ein gutes Beispiel dafür auch das Go-Spiel. Das Go-Spiel ist eines der komplexesten Strategiespiele. Vielleicht behandeln Tausendjährige, welches dieser Brettspiele? Und im Vergleich zu Brust, Brust. Nach den ersten beiden Zügen, etwa 5400, sind mögliche nächste Züge möglich. So ist es einfach, alle möglichen Züge zu erstellen und jedem von ihnen eine Punktzahl zuzuweisen. Aber in Go gibt es fast 130.000 mögliche Züge und die Suche basiert, es ist ziemlich zuletzt bei. Die Zahl wird größer sein als die Atome im Universum. Es ist also nicht möglich, alle möglichen zukünftigen Bewegungen vorherzusagen. Und hier kommt diese Art von Intuition ins Spiel. Und in diesem Fall der AlphaGo , der von DeepMind entwickelte Algorithmus , der den Champion des Spiels gewann. Es basierte auf tiefem Reinforcement Learning und einer Art Lernen, indem die Politik beobachtet und gelernt und Punktzahlen für mögliche nächste zukünftige Schritte zugewiesen mögliche nächste zukünftige Schritte ohne alle Schritte aufzubauen, oder? Also, ja, was ist eine tiefe Faltung neuronaler Netze? Das ist also irgendwie die erste Schicht tiefer neuronaler Netze, in denen Bücher gefunden wurden. Dies ist das Eingabebild. Und es wird Operationen wie den Stiel geben. Sie können hier sehen, dass sie Faltung genannt werden. Das sind also Filter, die über das Bild gefaltet sind . Und dann bekommst du eine Ausgabe. also verschiedene Filter im gesamten Bild angewendet und Sie erstellen verschiedene Feature-Maps. Und diese Feature-Maps durchlaufen eine nichtlineare Operation. Am beliebtesten ist die Operation, die Sie hier sehen , die gleichgerichtete lineare Funktion. Und dann durchlaufen sie ein lokales Pooling, was bedeutet, dass in diesem blauen Fenster alles zusammengezogen wird Abschluss in einem Wert über der nächsten Ebene oder dem nächsten Lieferanten abgebildet wird . Und dann durchlaufen sie eine lokale Normalisierung. Das ist also die erste Schicht, und dann hat jede Schicht Operationen, die dieser sehr ähnlich sind. Und das kannst du haben. Mehrere Schichten sind ursprünglich die AlexNet 20128-Schichten. Ich zeige auch eine Zahl davon. Aber davor könnte das irgendwie so aussehen. Das ist also das Eingabebild und sind die Filter, die für jeden Buchstaben angewendet werden. Dann können sie mit einer Ebene zum Input für die nächste Ebene werden. Und Sie haben eine Reihe von Layern, die als Feature-Learning- oder Feature-Extraktoren gelten . Sie ordnen das Eingabebild oder die Eingabedaten einem Feature zu. Und dann hast du nichts für dich. In der Regel vollständig verbundene Schichten , die die Aufgabe der Klassifizierung übernehmen. Sie erhalten also die Feature-Map und ordnen sie dann Ihren endgültigen Labels zu. Diese feineren Schichten sind vollständig verbunden, da jeder Knoten hier mit allen Knoten im nächsten verbunden ist . Deshalb werden sie als vollständig verbunden bezeichnet. Ordnung, also dachte ich, das könnte für dich interessant sein. Dies ist die Originalzeichnung des zweitausendlichen Papiers. Die ähnliche Art von tiefem neuronalem Netzwerk, ein Modell, das den ImageNet-Wettbewerb will. Und so begann diese neue Welle tiefer neuronaler Netze. Dies wurde mit überwachtem Lernen unter Verwendung von 1,2 Millionen Bildern trainiert . Die Ausgabe hier ist 1000 Kategorie. So kann es tausend verschiedene Bildkategorien vorhersagen oder klassifizieren. Und in Bezug auf die Anzahl der Parameter gab es insgesamt 60 Millionen Parameter, und 650 Tausend Neuronen sind Knoten. Stimmt's? Und wie gesagt, sind, naja sieben Schichten. Oder Sie könnten bei der Eingabe in Betracht ziehen, dass es einen Flyer geben könnte. Das ist also das Krizhevsky-Netzwerk der 2000er Jahre. Jetzt haben wir kurz über Reinforcement Learning gesprochen. Ich dachte, es wäre eine gute Idee , Ihnen hier ein hochrangiges Beispiel zu geben. Dies ist etwas, das Sie möglicherweise schon oft gesehen haben. Was passiert hier? Der Agent hier, der Hund und die Umgebung hier, das Mädchen, das so dick wirft. Dies ist ein typischer leichter verständlicher Fall von Verstärkung, wenn der Agent dem Stock folgt und ihn aufhebt , und danach wird er belohnt. Es ist also so, der Agent beobachtet, was, was in der Umgebung passiert. Und dann, basierend auf der Beobachtung, Belohnungen zu erhalten oder bestraft zu werden , werden die Aktionen wiederholt, die zu mehr Belohnungen und weniger Strafen führen . Das nennt man Reinforcement Learning. das im Kontext von Algorithmen und Konkretem nicht anders? Hier ist ein Atari-Spiel , bei dem er Deep Reinforcement Learning einsetzt. Das Konzept ist dem, was ich gerade in Bezug auf Reinforcement Learning beschrieben habe, sehr ähnlich . Ich führe das Video aus, damit Sie allgemein sehen können, was es ist. Das ist also das Spiel. Das ist also kein Ziel und Sie haben höchstwahrscheinlich gespielt, als Sie jünger waren. Das sind also die Ergebnisse des Atari-Spiels nach nur zehn Minuten Training. Du siehst also das Spiel selbst. Wie funktioniert das Training? Es ist sehr einfach. Das einzige, was der Algorithmus weiß, ist die Eingabe, die Sie auch auf dem Bildschirm und in der Partitur sehen können . Der Algorithmus bewegt sich also im Wesentlichen nur um diese kleinen Platten herum und wird entweder zufällig belohnt oder bestraft. Nach jeder Bewegung. Es berechnet sein Verständnis ihrer Umgebung und lernt, die Aktionen zu wiederholen , die zu dieser Belohnung führen. Erzielen Sie eine Punktzahl oder verpassen Sie Ihre Punktzahl. Vermeiden Sie es, um zu vermeiden, dass Aktivitäten oder Aktionen , die dazu geführt haben, dass ein Elfmeter Also ja, das war nach zehn Minuten. Jetzt, nach 120 Minuten Training, können Sie sehen, dass es sehr gut ist. Und das ist ein Beispiel für Reinforcement Learning. Es gibt also kein anderes Training, das sich mit diesem Thema befasst. Der merkwürdige Nein-Like-Algorithmus oder irgendetwas anderes ist nur eine Richtlinie. Und der Agent hier lernt, wie das geht , indem er es einfach tut und Feedback erhält , das sich im Laufe der Zeit verbessert , indem er in der Umgebung ist und Dinge ausprobiert. Bewältigen. Also haben wir über Reinforcement Learning gesprochen, wir haben über Deep Learning gesprochen. Und in diesem Beispiel ist dies ein tiefes Reinforcement Learning. Und es ist der einzige Teil , der sich von einem typischen Verstärkungswert unterscheidet einem typischen Verstärkungswert unterscheidet , dass in Bezug auf die Vorhersage dieser Punktzahl, die Belohnung, diese Strafe. Der Algorithmus hier verwendet dafür ein anderes Element. Um dies zu tun, prognostiziert, wie hoch die Punktzahl jedes einzelnen und für das entfernte Wasser ist , das der Algorithmus erzielen wird. Und das nutzt ein tiefes neuronales Netzwerk. Ansonsten ist es dasselbe wie jedem anderen Reinforcement Learning-Algorithmus. Cool. 6. 6. KI im Gesundheitswesen: Im Gesundheitswesen und bei Anwendungen von KI im Gesundheitswesen. Das ist also ein Thema, das mir am meisten am Herzen liegt. Natürlich. Ich beginne mit diesem Notenbuch, Deep Medicine. Von Eric. Da ist ein Mantel und das Buch sagt: Was ist falsch Spiel. Im heutigen Gesundheitssystem fehlt es an Pflege. Und die Art und Weise, wie es damit zusammenhängt, ist Einsatz künstlicher Intelligenz, die vielleicht kontraintuitiv aussieht, aber wenn KI in unsere Killerin Nicole und unsere medizinische Praxis gebracht wird, Gute Maßnahmen, es besteht eine gute Chance, dass die Kliniker mehr Zeit aufwenden , um menschlicher in den Prozess der Patientenbeförderung einbezogen zu werden . Und so, genau das ist das Thema des Buches, und genau das kann potenzielle KI in naher Zukunft in die Gesundheitsversorgung bringen . In Bezug auf den Zeitplan und Sie wissen ungefähr, wo VR in Bezug auf die Einführung von KI im Gesundheitswesen eingesetzt wird. Sie sind sich dessen für industrielle Revolutionen bewusst. Und ich denke, in der ersten Sitzung beziehe ich mich auch kurz darauf. Man kann mit Recht sagen, dass Medizin oder Gesundheitswesen ungefähr hier sind. Wir befinden uns noch vollständig in der vierten industriellen Revolution im Gesundheitswesen. Dies ist teilweise auf Vorschriften zurückzuführen und einige der anderen Probleme bestehen im Gesundheitswesen. Und digitale Transformationen. Nehmen Sie sich ein bisschen mehr Zeit in diesem Sektor. Und es ist definitiv sensibler , weil es um Menschenleben geht. Was ich nun in diesen wenigen Minuten durchgehen möchte verschiedene Szenarien , in denen KI im Gesundheitswesen eingesetzt werden kann. Möglicherweise haben Sie einige dieser Anwendungen bereits gesehen. Eine davon betrifft die Verbesserung der Infrastruktur und des Zugangs zur Gesundheitsversorgung. Was zu einer Senkung der Gesundheitskosten führt , verbessert die Qualität. Es macht die Gesundheitsversorgung zugänglicher und erschwinglicher. Es macht es irgendwie skalierbar, da viele Menschen, unabhängig von ihrem Standort, Sprache usw., Zugang zur Gesundheitsversorgung haben. Ein gutes Beispiel, ich würde sagen, unsere Chatbots in der medizinischen Versorgung und medizinischen Beratung. Babylon GP, der GP, ein Tanh hat schon einen solchen Chatbot. Integrieren Sie es, damit wir den Chat konsolidieren können, aber das gibt Ihnen eine erste Diagnose wenn Sie möchten, oder, wissen Sie, gibt Ihnen eine Vorstellung davon, wann Sie uns nach Bedingungen fragen, es gibt Ihnen eine Vorstellung davon, wie was möglicherweise falsch sein könnte. Und dann verbindet es Sie irgendwie mit einem Arzt, einem Arzt , einem Hausarzt usw. Nun, das ist eine Art Infrastruktur, die die Gesundheitsversorgung für eine Vielzahl von Menschen zugänglich macht für eine Vielzahl von Menschen zugänglich unabhängig von ihrem Standort. Das ist meiner Meinung nach ein gutes Beispiel, aber es gibt noch viel zu tun, um den Zugang zur Gesundheitsversorgung durch diese digitalen Transformationen zu verbessern . Ein weiteres Szenario, das ziemlich offensichtlich ist und Sie vielleicht die Neuigkeiten gehört haben, einige der Anwendungen die Verwendung von KI und maschinellem Lernen in der Diagnose. Oder acht für die Diagnose geben Ihnen hier zwei Beispiele. Eine davon ist kognitive, kognitive Fähigkeit. Wir haben dieses Tool entwickelt , ein KI-gestütztes Tool zur Erkennung kognitiver Beeinträchtigungen. Und es nutzt KI. Erklärbare KI. Ein anderes Beispiel ist, dass es eine Vielzahl von Anwendungen gibt. Dies ist ein Beispiel , bei dem Bilder, Ihre Ultraschallbilder, verwendet werden, um Anzeichen von Brustkrebs zu erkennen. Es gibt andere KI-gesteuerte Algorithmen, die beispielsweise auch an Bildern des Gehirns arbeiten, um Tumore zu erkennen , und einige andere solche Anwendungen. Ich würde also sagen, dass die Diagnose einer der Bereiche ist, in denen KI stärker eingesetzt wird. Und er ist etwas intuitiver, wenn Sie wissen, was ich meine, Diagnosen acht für die Diagnose bekommen im Moment Fahrt. Das dritte Beispiel ist der Einsatz von KI und maschinellem Lernen zur Prävention und Überwachung. Dies wird auch immer beliebter , insbesondere bei Variablen. Wir haben also Variablen, wenn wir im Laufe der Zeit mehr Daten von einer Person sammeln . Apple HealthKit ist ein gutes Beispiel dafür. Es sammelt Ihre Bewegung, Schlaf und andere Aktivitäten. Ebenfalls. Es verfolgt deine Herzfrequenz. Es kann EKG-Überwachung durchführen. Wenn Sie also all diese Daten zusammenfassen , können Sie Einblicke Ihr Leben und Ihre kardiovaskuläre Gesundheit erhalten. Und wenn Sie diese Erkenntnisse anwenden, können Sie möglicherweise Anzeichen für potenzielle kardiovaskuläre Probleme erkennen . Sie nehmen diese früh, damit wir verhindern oder verbessern können , dass Ihr Leben still ist. Ein weiteres Beispiel für Jungs ist die Optima und es ist eine Wellness-App. Ihre alltägliche Leistung objektiv im Vergleich zu Ihren Lifestyle-Maßnahmen, und Sie können sie verwenden, um Ihr Leben zu verbessern, ist immer noch weitgehend auf Prävention und Überwachung ausgerichtet. Und wir würden KI, das ist eigentlich einer der Trends im Gesundheitswesen, eher in Richtung Prävention als in Richtung Späterkennung von Krankheiten bewegen , was teurer ist. Nun, endlich, die vierte Dimension oder das vierte Szenario, das ich hierher bringen wollte, ist die Behandlung. Im Vergleich zu den anderen drei, die ich erwähnt habe, liegen Behandlungen, würde ich sagen, dahinter. Es gibt Beispiele. Ich würde diesen Baum pflücken. Entdeckung von Medikamenten. Er ist eine naheliegende Wahl. Einsatz von KI und maschinellem Lernen. Pharmaunternehmen können den Prozess der Entdeckung neuer Medikamente auf der Grundlage bereits zugelassener Medikamente beschleunigen . Also eine Art Eingrenzung der Liste der Medikamente, die wahrscheinlich bei einer neuen Störung wirken und Durchführung klinischer Studien einer begrenzten oder eingeengten Liste potenzieller Medikamente. Und anstatt viele klinische Studien auf der breiteren Liste durchzuführen, was viel teurer ist und mehr Zeit in Anspruch nimmt. Roboterchirurgie ist ein weiterer Bereich , bei dem Sie helfen können. Digitale Therapeutika ist auch ein Begriff, der in letzter Zeit häufiger verwendet wird. Und es kann sich auf einige der digitalen Behandlungen beziehen. Sie können auf Rezept usw. verabreicht werden. Es ist noch ziemlich früh, aber es gibt bereits einige Anwendungen davon. Einige davon oder Spiele, die Ihnen helfen könnten, Ihren mentalen Status zu verbessern. Und einige dieser Spiele sind gesund, um ADHS zu verbessern. Wenn Sie googeln, werden Sie feststellen , dass einige von ihnen bereits die FDA-Zulassung haben. Dies ist also ein Bereich , der sich natürlich weiterentwickelt und derzeit nur sehr begrenzte Anwendungen hat . Es besteht jedoch eine gute Chance , dass es innerhalb der nächsten fünf bis zehn Jahre an Dynamik gewinnt . Ja, wenn Sie mehr über andere Geschichten erfahren möchten, andere mögliche Szenarien, die passieren könnten. Mit KI im Gesundheitswesen. Dies ist ein gutes Buch, das ich empfehlen würde. Es ist ein E-Book. Hoffe es wird euch gefallen. Wir sehen uns in der nächsten Lektion. 7. 7. KI, Gesellschaft und Jobs: In dieser Sitzung werde ich über KI und ihre Auswirkungen auf die Gesellschaft und die Zukunft von Arbeitsplätzen sprechen . Fangen wir also damit an. Wir wissen, dass KI, Internet der Dinge um Technologien zu verkaufen, ermöglicht sind. Und wenn wir sie im Gesundheitswesen aus dieser Perspektive betrachten, ist dies das Beispiel, das wir in der letzten Sitzung durchgemacht haben. Wir sehen, dass dieselben Dienstleistungen, die wir heute erhalten, effektiver über EI bereitgestellt werden können. Sie können breiter zugänglich, erschwinglicher und mit höherer Qualität vergeben werden. Das gilt für Bildung, Finanzen, Gesundheitswesen usw. Und ich gebe Ihnen zwei Beispiele aus der Bildung. Und dann im Einzelhandel. In der Bildung. Stellen Sie sich die Schulen von morgen vor. Nicht morgen, vielleicht haben wir heute schon ein bisschen davon probiert, aber vielleicht nicht als Teil unseres formalen Bildungssystems. Stellen Sie sich vor, wir haben diese neuen Technologien. Sie können jederzeit unterrichtet werden und Ihre Bildungsplattform passt sich Ihren Bedürfnissen und den Bedürfnissen der Schüler an. Der Lehrplan würde auf die Karriere zugeschnitten sein. Du suchst jährliche Ritual-Mentoren. Die Prüfungen werden an das angepasst, was Sie erreichen möchten, und auf der gesamten Plattform können Sie kämpfen. Im Einzelhandel. Vielleicht ist uns das besser bekannt, Beth. Ich habe Empfehlungs-Engines wie Amazon und Google gesehen , bei denen Sie personalisierte Empfehlungen erhalten, die auf Ihren Interessen und Ihrer Geschichte basieren . Möglicherweise haben Sie bereits Chatbots gesehen, die um die Uhr Kundensupport bieten. Das Beispiel von Chatbots, ich in der vorherigen Sitzung auch erwähnt habe, wie sie im Gesundheitswesen helfen können , gibt Empfehlungen auf hohem Niveau. Stimmt's? Dies sind einige Beispiele dafür, wie KI an verschiedenen Tagen und in verschiedenen Diensten eingesetzt werden kann verschiedenen Tagen und in verschiedenen Diensten eingesetzt werden und die drei von uns erwähnten Funktionen bereitstellen kann, sie für eine breitere Bevölkerung zugänglicher zu machen sie erschwinglicher zu machen und ihnen auch eine höhere Qualität zu verleihen. Biete ich also Möglichkeiten für Entwicklungsländer oder ist es nur für Industrieländer nützlich? Wir wissen, dass die USA und China derzeit die KI anführen. Aber die KI hat viele Neuland und es gibt viel Raum für Wachstum , von dem viele Länder profitieren können. Und ich gebe Ihnen ein Beispiel für ein Konzept namens Leap-Frog, bei dem Entwicklungsländer Technologie tatsächlich nutzen und über KI diskutieren können , um ein paar Schritte nach vorne zu springen und vielleicht das Spiel nachzuholen. Stellen Sie sich dieses schwarze Symbol hier vor. Dies ist eine entwickelte Wirtschaft. Zuvor mussten sie jeden Schritt gehen und die Infrastruktur Schritt für Schritt aufbauen, bis es soweit war. Wo Sie eine entwickelte Wirtschaft mit all diesen Dienstleistungen in den Bereichen Gesundheitswesen, Finanzen als Bildung usw. Stellen Sie sich vor, Sie wären eine sich entwickelnde Wirtschaft. Jetzt können Sie Technologie nutzen. Hier. Dies ist eine Sprungsprungausrüstung. Sie können es benutzen, um zu springen und ein paar Schritte zu überspringen und hierher zu springen und effektiv Tag, an dem ich das mache. Aber nehmen wir das Beispiel Bildung. Wenn Sie diese Plattform bereitstellen, Fernkommunikation sowie Online-Support und Automatisierung. Es gibt viele Dienstleistungen in verschiedenen Branchen, einschließlich Gesundheitswesen, Bildung, Finanzen, die darüber bereitgestellt werden können, dieselbe Infrastruktur, die Sie nur einmal aufgebaut haben. Anstatt also in ein Land zu gehen, viele Krankenhäuser zu bauen, viele Schulen, als sie zu unterhalten. Hier bauen Sie eine Infrastruktur für diese mobilen Plattformen und Mobilkommunikation auf. Und auf diese Weise bieten Sie auf dieser Plattform all diese Dienste an. Sprungfrosch. Die Frage, die mir oft gestellt wird, ist jetzt , wie sich KI in Zukunft auf Arbeitsplätze auswirken kann. Gehen wir mit Pralinen? Nun, das ist eine gute Visualisierung dafür, ist eine gute Visualisierung dafür wie sich Automatisierung und die Zukunft in naher Zukunft auf jede dieser verschiedenen Branchen auswirken würden . Die Referenz ist immer C, D. Und Sie sehen rechts, dies ist eine Wahrscheinlichkeit der Automatisierung nach Sektoren. Darüber hinaus ist der Reiniger bei der Zubereitung von Speisen ein Helfer und so weiter. Diese Jobs haben die höchste Wahrscheinlichkeit, automatisiert zu werden. Es wird also weniger menschlich involviert sein, wenn Sie möchten. Weil es eine Automatisierung geben wird. Vielleicht brauchen sie nicht viel davon. Kreative Arbeit, oder ihnen fehlen einige Aspekte einzigartiger menschlicher Fähigkeiten wie Pflege usw., über die ich möglicherweise in der nächsten, nächsten, nächsten Sitzung mit Ihnen sprechen werde . Das sind also Jobs, bei denen es wahrscheinlicher ist, dass sie durch KI oder Maschinen verdrängt oder ersetzt werden. Während es also, wenn Sie hier die Liste durchgehen , gibt es Jobs wie Lehrberufe, Gesundheitsberufe. Das sind also die Jobs, die sich engagieren, beide brauchen, sie brauchen mehr Kreativität und auch den Aspekt der Kommunikation von Mensch zu Mensch, der sozialen Fürsorge. Diese Aspekte sind stark darin. Dies sind die Aspekte, die beim Menschen stark sind, aber weniger bei Nähmaschinen. Daher die Chancen einer Automatisierung oder weniger. Insgesamt unterscheidet sich diese vierte industrielle Revolution jedoch nicht wesentlich von früheren Revolutionen. Und was zuvor passiert ist, wird wahrscheinlich passieren. Und das macht diese Vorhersage, dass ja, es werden Arbeitsplätze vertrieben. jedoch wahrscheinlicher, dass wir mehr neue Arbeitsplätze schaffen als die Arbeitsplätze , die vertrieben werden. 8. 8. Zusammenfassung und Schlussfolgerungen: Ordnung, das ist also unsere letzte Sitzung. Wir werden eine kurze Zusammenfassung dessen haben , was wir gemeinsam gelernt haben. Anfangs sprachen wir über diese Zeitleiste der KI, wie KI entwickelt wurde und wie wir hierher gekommen sind. Und vor allem haben wir über KI als Enabler gesprochen , der verschiedene Branchen transformiert. Und das ist die Wirkung, die wir haben können. Es kann Dinge breiter zugänglich, erschwinglicher und qualitativ hochwertiger machen. Wir haben dies im Zusammenhang mit dem Gesundheitswesen als Beispiel für Post diskutiert , Beispiele für Bildung und Einzelhandel gegeben, und Sie können diese anderen Branchen verallgemeinern. Wir haben auch über Einschränkungen der KI und einige der einzigartigen menschlichen Charaktere gesprochen . Insbesondere. Ich hoffe, Sie nehmen dieses V als dieses zweidimensionale Diagramm, in dem Mitgefühl und Kreativität und eine Strategie sind. Dies sind einzigartige menschliche Charaktere in denen Menschen stark sind , verglichen mit Dingen , die KI nur ausprobieren und greifen muss, wie Optimierung und Dinge, die automatisiert werden können. Wir haben auch darüber gesprochen, wie ich die aktuellen und die zukünftigen Jobs ändern kann . Insbesondere haben wir darüber gesprochen, dass KI nicht alle Arbeitsplätze zerstören wird und wir zu einer alten Jobliste werden. Stattdessen. Ähnlich wie bei anderen industriellen Revolutionen in der Vergangenheit. Es wird einige Jobs geben, bei denen sie vertrieben werden und es werden neue Arbeitsplätze entstehen. Insbesondere Jobs, die einfacher zu automatisieren sind , werden verdrängt. Und die Jobs, die keiner dieser menschlichen Aspekte sind , werden entstehen, sie werden bleiben. Wir werden also neue Arbeitsplätze in diesen speziellen Zwei-Dimensionen schaffen. Ich habe es erwähnt. Damit wollte ich die Bedeutung des lebenslangen Lernens und der Bildung hervorheben , insbesondere in Bezug auf die Kernkompetenzen der Menschen. Deshalb müssen wir besser in strategischem Denken, Kreativität und den weicheren Fähigkeiten Mensch und Mensch interagieren, mitfühlend und mitfühlende Individuen sein. Das sind also die Fähigkeiten , an denen wir arbeiten können. Diskriminiert und unterscheidet uns von KI, wenn Sie möchten. Stimmt's? Also danke euch allen, dass ihr bis dahin bei mir seid. Sie hoffen, dass wir einige der Mythen rund um KI beleuchten konnten . Und hoffentlich wird dies zu einigen Erkenntnissen beitragen , damit Sie sehen können, wie wir KI derzeit einsetzen und wie KI die Art und , wie wir in Zukunft leben und arbeiten, verändern wird. Und ich hoffe, dass Sie davon profitieren können, wenn Sie im Voraus planen. einen fantastischen Tag und hoffe , wir sehen uns in zukünftigen Kursen wieder. 9. Bonus: Zukunft der Gesundheitsversorgung mit KI (Präzisionsmedizin): Hier möchten wir Sie durch die Auswirkungen , die künstliche Intelligenz auf das Gesundheitswesen haben kann. Lassen Sie uns dazu einfach damit beginnen, wo das Gesundheitswesen im Hinblick auf die Einführung neuer Technologien im Osten bröckelt. Wie Sie hier in dieser Abbildung sehen, liegt das Gesundheitswesen bei der Einführung von KI noch im Rückstand. Dafür gibt es verschiedene Gründe, über die wir in einer anderen Sitzung sprechen werden. Im Moment bietet sich dies jedoch sowohl als Chance, da viel getan werden kann, auch als Herausforderung. Eine Frage, die Sie stellen können, ist, wenn wir eine Benutzeroberfläche annehmen, wohin bringt uns das? Es wird uns also vom Bereich der intuitiven Medizin und ich bin ziemlich kalte Medizin zur Präzisionsmedizin bringen. In der intuitiven Medizin nutzt der Kliniker also seine Intuition. Es basiert also nicht auf Daten oder Protokollnachweisen. Basierend auf Intuition. Sie könnten eine Diagnose oder einen Behandlungsplan vorschlagen. In der M-Protokollmedizin verwendet der Arzt die begrenzten Daten, verwendet der Arzt die begrenzten Daten ihm zur Verfügung stehen, und möglicherweise ein klinisches Interview mit dem Patienten, um einige Bilder anzusehen usw. Und auf dieser Grundlage erstellen sie eine mögliche Diagnose und einen wahrscheinlichen Behandlungsplan. Und vielleicht sehen sie den Patienten in sechs Monaten wieder, sehen sie den Patienten in sechs Monaten wieder um zu sehen, ob die Wahrheit und das nicht funktioniert hat. Es ist also eine Art Experimentieren mit dem Patienten, um zu sehen, was dann passiert, wenn die Behandlung mit Park erfolgt. Für uns in der Präzisionsmedizin, basierend auf den Daten, eine Fülle von Daten, die von einem Patienten im Laufe der Zeit gesammelt werden können , und Variablen , warum diese Anzeichen usw. Der Kliniker, mit dessen Hilfe Daten und dann kann ich, wenn ich diese Daten verstehe, eine genaue Diagnose stellen, eine präzise personalisierte Diagnose, und dann folgt die Behandlung. Lassen Sie mich Ihnen hier eine Analogie geben. Wenn Sie ein Auto kaufen, garantiert der Hersteller des Autos , dass das Auto 34 Jahre lang funktionsfähig ist. Sie tun das also basierend auf den Sets und sie haben ungefähr die Qualität des Autos, das sie hergestellt haben. Im Gesundheitswesen. Wenn Sie in ein Krankenhaus gehen, können Sie erwarten, dass sie eine Diagnose oder einen Behandlungsplan garantieren , den sie Ihnen geben? Nein. Das liegt daran, dass es so viel Unsicherheit gibt. Im Bereich der intuitiven und unprofessionellen Erkältungsmedizin kann das Ergebnis nicht garantiert werden. Beim Übergang zur Präzisionsmedizin, der Hilfe der KI, können wir jedoch erwarten, dass wir uns von dieser Unsicherheit in den Bereich der Gewissheit bewegen . Und in solchen Szenarien , in denen Sie eine genaue Diagnose und einen genauen Behandlungsplan stellen können, können sogar Gesundheitsleistungen garantiert werden.