Die Weiterentwicklung unserer Dateninfrastruktur hat einen großen Anteil am Wachstum der KI, aber für manche Dinge braucht es immer noch den Menschen. [...]
Wir haben die aktuellen Fähigkeiten der KI jahrelang überschätzt, aber das bedeutet nicht, dass sie keine große Zukunft hat. Das ist vielleicht der Grund, warum Forscher der Stanford University im Jahr 2016 eine „One Hundred Year Study on Artificial Intelligence“ (100 Jahre!) ins Leben gerufen haben, die alle fünf Jahre bis zum Jahr 2116 aktualisiert werden soll, um die Fortschritte der KI zu dokumentieren. Fünf Jahre nach dem ersten Bericht haben die Autoren der Studie kürzlich den zweiten Bericht veröffentlicht.
Die Kurzfassung? In nur fünf Jahren haben wir dank der immer besser werdenden Dateninfrastruktur „bemerkenswerte Fortschritte“ gemacht, doch sind wir noch „weit von dem ursprünglichen Ziel entfernt, Maschinen eine menschenähnliche Intelligenz zu verleihen“. Wir entdecken jedoch, wie wichtig es ist, Mensch und Maschine miteinander zu verbinden, um bessere Ergebnisse zu erzielen. Ist das „echte“ KI? Nicht so, wie man es sich ursprünglich vorgestellt hat. Aber es ist zweifellos besser.
Big Data? Versuchen Sie „Easy Data“
Eines der Haupthindernisse für die Verwirklichung der Datenwissenschaft (und der daraus resultierenden KI) hat wenig mit der Wissenschaft und alles mit den Daten zu tun. Wie der FirstMark-Investor Matt Turck kürzlich in „The 2021 Machine Learning, AI, and Data (MAD) Landscape“ (Die Landschaft des maschinellen Lernens, der KI und der Daten) feststellte, haben sich Data Warehouses erst in jüngster Zeit weiterentwickelt, „um riesige Datenmengen auf eine Art und Weise zu lagern, die nützlich und nicht völlig kostenintensiv ist und für deren Pflege keine Armee von sehr technischen Mitarbeitern erforderlich ist. Ja, Data Warehouses gibt es schon seit Jahrzehnten, aber sie waren kompliziert und kostspielig. In letzter Zeit haben wir uns an Apache Hadoop versucht, was die Sache zwar billiger, aber immer noch übermäßig komplex machte.
Erst in den letzten Jahren hat sich die Branche darauf konzentriert, unsere Dateninfrastruktur so auszubauen, dass sie für Normalsterbliche (mit oder ohne Doktortitel) deutlich zugänglicher geworden ist. Dadurch, dass es nun endlich möglich ist, Big Data kosteneffizient zu lagern und zu verarbeiten, so Turck, hat sich diese Entwicklung in dreierlei Hinsicht als wichtiger Türöffner für den Rest des Daten- und KI-Bereichs erwiesen“:
- Der Aufstieg von Data Warehouses vergrößert den Markt nicht nur für seine Kategorie, sondern für das gesamte Daten- und KI-Ökosystem erheblich.
- Data Warehouses haben ein ganzes Ökosystem von Tools und Unternehmen hervorgebracht, die sich um sie drehen, wie etwa Extract, Load, Transform (ELT).
- Data Warehouses geben Unternehmen die Möglichkeit, sich auf hochwertige Projekte zu konzentrieren, die in der Hierarchie der Datenanforderungen weiter oben stehen.
Obwohl Turck sich auf die positiven Auswirkungen moderner Data Warehouses konzentriert, hat die Branche auch von anderen Fortschritten bei Datenbanken (verteilte Datenbanken, NoSQL usw.) und der Cloud profitiert, die die Iteration von Daten erleichtert haben. Durch diese und andere Faktoren ist es einfacher geworden, Daten zu speichern und mit ihnen zu arbeiten, was wiederum die Unternehmen in die Lage versetzt hat, mehr aus diesen Daten zu machen.
Das bringt uns zurück zu Stanfords AI100.
Ergänzung, nicht Konkurrenz
Wir haben einen Punkt erreicht, an dem wir tagtäglich mit KI interagieren und ihre Unzulänglichkeiten erkennen. Nehmen Sie Tesla. Trotz der Fehlvermarktung des KI-gestützten „vollständigen Selbstfahrens“ sind die Elektroautos von Tesla nicht annähernd in der Lage, Passagiere sicher von A nach B zu bringen, es sei denn, es handelt sich um sorgfältig kontrollierte Umgebungen. Dennoch haben wir genug gesehen, um fasziniert zu sein und hoffnungsvoll in die Zukunft zu blicken.
Die AI100-Autoren verweisen auf drei Bereiche, in denen die KI echte Fortschritte gemacht hat:
- Selbstgesteuertes oder selbstmotiviertes Lernen
- Kontinuierliches Lernen, um Probleme aus vielen verschiedenen Bereichen zu lösen, ohne dass für jeden Bereich ein umfangreiches Neutraining erforderlich ist
- Verallgemeinerung zwischen Aufgaben – Anpassung der Kenntnisse und Fähigkeiten, die das System für eine Aufgabe erworben hat, an neue Situationen
Dies bedeutet nicht, dass KI den Menschen in absehbarer Zeit ersetzen wird, aber es bedeutet, dass KI zunehmend in der Lage ist, den Menschen auf sinnvolle Weise zu ergänzen. Sie erklären: „KI-Ansätze, die die menschlichen Fähigkeiten erweitern, können in Situationen, in denen Menschen und KI komplementäre Stärken haben, sehr wertvoll sein. Ein KI-System kann besser in der Lage sein, verfügbare Daten zu synthetisieren und Entscheidungen in gut charakterisierten Teilen eines Problems zu treffen, während ein Mensch besser in der Lage ist, die Implikationen der Daten zu verstehen“.
So erklären die Autoren des Berichts, dass Maschinen niemals ein geeigneter Ersatz für Menschen sein werden, welche sich um ältere Menschen kümmern. „Gute Pflege erfordert Respekt und Würde, Dinge, die wir einfach nicht in prozedurale Algorithmen kodieren können. Aber KI, die große Datenmengen verarbeitet, um den Pflegern vorzuschlagen, wann ein älterer Mensch Medikamente oder andere Unterstützung braucht? Oder eine KI-gestützte Bildverarbeitung, die Medikamente auswertet, die der ältere Mensch zwar selbst einnimmt, die sich aber als schädlich erweisen könnten (aufgrund der Menge oder der Art des Medikaments selbst), und das Pflegepersonal alarmiert? Das ist eine großartige Kombination.
Be the first to comment