Da Deep Learning und maschinelles Lernen in der Regel synonym verwendet werden, lohnt es sich, die Nuancen zwischen den beiden Begriffen zu beachten. Maschinelles Lernen, Deep Learning und neuronale Netze sind Teilgebiete der künstlichen Intelligenz. Neuronale Netze sind jedoch eigentlich ein Teilgebiet des maschinellen Lernens und Deep Learning ist ein Teilgebiet der neuronalen Netze.
Der Unterschied zwischen Deep Learning und maschinellem Lernen besteht darin, wie jeder Algorithmus lernt. „Deep“ Machine Learning kann gekennzeichnete Datensätze nutzen (überwachtes Lernen), um seinen Algorithmus zu unterstützen, erfordert jedoch nicht unbedingt einen gekennzeichneten Datensatz. Beim Deep-Learning-Prozess werden unstrukturierte Daten in ihrer Rohform (wie Text oder Bilder) aufgenommen und es werden automatisch die Merkmale ermittelt, die verschiedene Datenkategorien voneinander unterscheiden. Dadurch entfällt ein Teil der erforderlichen menschlichen Eingriffe und die Nutzung großer Datenmengen wird möglich. Man kann sich Deep Learning als „skalierbares maschinelles Lernen“ vorstellen, wie Lex Fridman in diesem MIT-Vortrag (Link befindet sich außerhalb von ibm.com) anmerkt.
Klassisches maschinelles Lernen ist stärker auf menschliches Eingreifen angewiesen, um zu lernen. Menschliche Experten bestimmen die Menge an Merkmalen, um die Unterschiede zwischen Dateneingaben zu verstehen. Normalerweise sind zum Erlernen strukturiertere Daten erforderlich.
Neuronale Netzwerke oder künstliche neuronale Netzwerke (Artificial Neural Networks, ANNs) bestehen aus Knotenschichten, die eine Eingabeschicht, eine oder mehrere verborgene Schichten sowie eine Output-Schicht enthalten. Jeder Knoten oder jedes künstliche Neuron ist mit einem anderen Knoten verbunden und hat eine zugeordnete Gewichtung und einen Schwellenwert. Wenn der Output eines einzelnen Knotens über dem angegebenen Schwellenwert liegt, wird dieser Knoten aktiviert und sendet Daten an die nächste Schicht des Netzes. Andernfalls werden von diesem Knoten keine Daten an die nächste Schicht des Netzes weitergeleitet. Das „deep“ in Deep Learning bezieht sich nur auf die Anzahl der Schichten in einem neuronalen Netz. Ein neuronales Netz, das aus mehr als drei Schichten besteht – einschließlich der Eingaben und des Outputs – kann als Deep-Learning-Algorithmus oder als Deep-Neural-Network betrachtet werden. Ein neuronales Netz, das nur drei Schichten hat, ist nur ein einfaches neuronales Netz.
Deep Learning und neuronale Netzen werden als wesentlich für die immer schnelleren Fortschritte in Bereichen wie Computer Vision, Verarbeitung natürlicher Sprache und Spracherkennung angesehen.
Lesen Sie den Blogbeitrag „KI vs. maschinelles Lernen vs. Deep Learning vs. neuronale Netze: Was ist der Unterschied?“ für einen genaueren Blick darauf, wie die verschiedenen Konzepte zusammenhängen.
Interaktive Demo zu watsonx.ai ansehen
„Maschinelles Lernen für Dummies“ herunterladen
Generative KI für Entwickler kennenlernen
Modelle für maschinelles Lernen lassen sich in drei Hauptkategorien einteilen.
Überwachtes maschinelles Lernen
Überwachtes Lernen, auch bekannt als überwachtes maschinelles Lernen, verwendet gekennzeichnete Datensätze, um Algorithmen zu trainieren, die Daten klassifizieren oder Ergebnisse präzise vorhersagen können Während Eingabedaten in das Modell eingespeist werden, passt das Modell seine Gewichtungen an, bis es angemessen angepasst ist. Dies geschieht im Rahmen des Kreuzvalidierungsverfahrens, um sicherzustellen, dass das Modell nicht überangepasst oder unterangepasst ist. Überwachtes Lernen hilft Unternehmen dabei, eine Vielzahl realer Probleme im großen Maßstab zu lösen, z. B. das Einordnen von Spam in einem anderen Ordner als dem Posteingang. Zu den Methoden des überwachten Lernens gehören neuronale Netze, Naive Bayes, lineare Regression, logistische Regression, Random Forest und Support Vector Machine (SVM).
Nicht überwachtes maschinelles Lernen
Nicht überwachtes Lernen, auch als nicht überwachtes maschinelles Lernen bezeichnet, verwendet maschinelle Lernalgorithmen, um Datensätze (Teilmengen, die als Cluster bezeichnet werden) ohne Kennzeichnung zu analysieren und zu clustern. Diese Algorithmen entdecken versteckte Muster oder Datengruppierungen, ohne dass dabei ein manueller Eingriff erforderlich ist. Die Fähigkeit, Ähnlichkeiten und Unterschiede in Informationen zu entdecken, macht diese Methode zur idealen Lösung für explorative Datenanalysen, Cross-Selling-Strategien, Kundensegmentierung sowie Bild- und Mustererkennung. Diese Methode wird auch dazu verwendet, die Anzahl der Merkmale in einem Modell durch den Prozess der Dimensionalitätsreduktion zu reduzieren. Zwei gängige Ansätze hierfür sind die Hauptkomponentenanalyse (Principal Component Analysis, PCA) und die Einzelwertzerlegung (Singular Value Decomposition, SVD). Andere Algorithmen, die beim nicht überwachten Lernen verwendet werden, sind z. B. neuronale Netze, K-Means-Clustering, probabilistische Clustering-Methoden und mehr.
Halbüberwachtes Lernen
Halbüberwachtes Lernen ist der goldene Mittelweg zwischen überwachtem und nicht überwachtem Lernen. Während des Trainings wird ein kleinerer gekennzeichneter Datensatz verwendet, um die nachfolgende Klassifizierung und Merkmalsextraktion aus einem größeren Datensatz ohne Kennzeichnung anzuleiten. Halbüberwachtes Lernen ist daher die Lösung, wenn nicht genügend gekennzeichnete Daten für einen überwachten Lernalgorithmus zur Verfügung stehen. Außerdem bietet sich diese Methode an, wenn die Kennzeichnung einer ausreichenden Datenmenge zu kostspielig ist.
Einen detaillierten Einblick in die Unterschiede zwischen diesen Ansätzen finden Sie unter „Überwachtes vs. unüberwachtes Lernen: Was ist der Unterschied? “
Verstärkendes maschinelles Lernen ist ein Modell für maschinelles Lernen, das dem überwachten Lernen ähnelt, in dem jedoch der Algorithmus nicht mit Beispieldaten trainiert wird. Dieses Modell lernt im Laufe der Zeit durch Ausprobieren. Eine Folge erfolgreicher Ergebnisse wird verstärkt, um so die beste Empfehlung oder Richtlinie für ein bestimmtes Problem zu entwickeln.
Das IBM® Watson-System, das die Challenge Jeopardy! im Jahr 2011 gewonnen hat, ist ein gutes Beispiel dafür. Das System nutzte verstärkendes Lernen, um zu entscheiden, ob man sich an einer Antwort (oder Frage) versuchen, welches Quadrat auf der Tafel man auswählen und wie viel man wetten sollte – vor allem bei den „Daily Doubles“.
Es gibt eine Reihe von Algorithmen für maschinelles Lernen, die häufig verwendet werden. Dazu gehören:
- Neuronale Netze: Neuronale Netze simulieren die Funktionsweise des menschlichen Gehirns mit einer großen Anzahl miteinander verbundener Verarbeitungsknoten. Neuronale Netze zeichnen sich durch ihre Fähigkeit aus, Muster zu erkennen, und spielen eine wichtige Rolle bei Anwendungen wie z. B. der Übersetzung natürlicher Sprache, der Bilderkennung, der Spracherkennung und der Bilderstellung.
- Lineare Regression: Dieser Algorithmus wird für die Vorhersage numerischer Werte auf der Grundlage einer linearen Beziehung zwischen verschiedenen Werten verwendet. Zum Beispiel ließen sich mit dieser Methode Immobilienpreise auf der Grundlage historischer Daten für eine bestimmtes geografisches Gebiet vorhersagen.
- Logistische Regression: Dieser überwachte Lernalgorithmus trifft Vorhersagen für kategorische Antwortvariablen, wie z. B. „Ja/Nein“-Antworten auf Fragen. Er kann beispielsweise für die Klassifizierung von Spam und die Qualitätskontrolle an einer Produktionslinie eingesetzt werden.
- Clustering: Clustering-Algorithmen können mithilfe des nicht überwachten Lernens Muster in Daten erkennen und diese gruppieren. So können Computer Data Scientists bei der Identifizierung von Abweichungen zwischen Datenelementen unterstützen, die vom menschlichen Auge übersehen wurden.
- Entscheidungsbäume: Entscheidungsbäume können sowohl zur Vorhersage numerischer Werte (Regression) als auch zur Klassifizierung von Daten in Kategorien verwendet werden. Entscheidungsbäume verwenden eine verzweigte Abfolge miteinander verknüpfter Entscheidungen, die in einem Baumdiagramm dargestellt werden können. Einer der Vorteile von Entscheidungsbäumen ist, dass sie im Gegensatz zur Blackbox neuronaler Netze leicht zu validieren und zu überprüfen sind.
- Random Forests: Bei einem Random Forest („Zufallswald“) sagt der Algorithmus für maschinelles Lernen einen Wert oder eine Kategorie voraus, indem er die Ergebnisse mehrerer Entscheidungsbäume miteinander kombiniert.
Abhängig von Ihrem Budget sowie den Anforderungen an Geschwindigkeit und Präzision hat jeder Algorithmustyp (überwacht, nicht überwacht, halbüberwacht oder verstärkend) seine eigenen Vor- und Nachteile. Entscheidungsbaumalgorithmen werden beispielsweise sowohl für die Vorhersage numerischer Werte (Regressionsprobleme) als auch für die Klassifizierung von Daten in Kategorien verwendet. Entscheidungsbäume verwenden eine verzweigte Abfolge miteinander verknüpfter Entscheidungen, die in einem Baumdiagramm dargestellt werden können. Ein wesentlicher Vorteil von Entscheidungsbäumen besteht darin, dass sie sich einfacher validieren und prüfen lassen als ein neuronales Netzwerk. Die schlechte Nachricht ist, dass sie instabiler sein können als andere Entscheidungsprädiktoren.
Insgesamt bietet maschinelles Lernen zahlreiche Vorteile, die Unternehmen nutzen können, um ihre Effizienz zu steigern. Hierzu gehört das maschinelle Lernen, das in riesigen Datenmengen Muster und Trends erkennt, die dem menschlichen Auge möglicherweise überhaupt nicht auffallen. Und diese Analyse erfordert nur wenig menschliches Eingreifen: Geben Sie einfach den gewünschten Datensatz ein und überlassen Sie dem maschinellen Lernsystem die Zusammenstellung und Verfeinerung seiner eigenen Algorithmen, die sich mit der Zeit durch die Eingabe weiterer Daten kontinuierlich verbessern. Kunden und Benutzer profitieren von einem personalisierteren Erlebnis, da das Modell mit jeder Erfahrung mit dieser Person mehr dazulernt.
Der Nachteil besteht darin, dass für maschinelles Lernen große Trainingsdatensätze erforderlich sind, die genau und unvoreingenommen sein müssen. GIGO ist hierbei der entscheidende Faktor: Garbage in / Garbage out (wörtlich übersetzt „Müll rein, Müll raus“), d. h. die Eingabe bestimmt die Ausgabe. Die Erhebung ausreichender Daten und ein System, das robust genug ist, um sie zu verarbeiten, können außerdem eine Belastung für die Ressourcen darstellen. Maschinelles Lernen kann je nach Eingabe auch fehleranfällig sein. Bei einer zu kleinen Stichprobe könnte das System einen vollkommen logischen Algorithmus produzieren, der jedoch völlig falsch oder irreführend ist. Um Budgetverschwendung oder Unzufriedenheit bei den Kunden zu vermeiden, sollten Unternehmen nur dann auf die Antworten reagieren, wenn sie dem Output großes Vertrauen entgegenbringen.
Hier sind ein paar Beispiele für maschinelles Lernen, denen Sie jeden Tag begegnen können:
Spracherkennung: Sie wird auch als automatische Spracherkennung (Automatic Speech Recognition, ASR), Computer-Spracherkennung oder Speech to Text bezeichnet und ist eine Fähigkeit, die die Verarbeitung natürlicher Sprache nutzt, um menschliche Sprache in ein schriftliches Format zu übertragen. Viele mobile Geräte verfügen über eine integrierte Spracherkennung, um die sprachgesteuerte Suche zu ermöglichen – z. B. Siri – oder um die Barrierefreiheit beim Versenden von Kurznachrichten zu verbessern.
Kundenservice: In der Customer Journey werden menschliche Mitarbeiter im Kundenservice zunehmend durch Online-Chatbots ersetzt. Dabei verändern sie die Art und Weise, wie wir Kundeninteraktion auf Websites und Social-Media-Plattformen wahrnehmen. Chatbots beantworten häufig gestellte Fragen (FAQs) zu Themen wie Versand oder bieten personalisierte Beratung, Cross-Selling von Produkten oder Größenvorschläge für Nutzer. Anwendungsbeispiele sind virtuelle Agenten auf E-Commerce-Websites, bei Slack und Facebook Messenger eingesetzte Messaging-Bots sowie Aufgaben, die in der Regel von virtuellen Assistenten und Sprachassistenten übernommen werden.
Computer Vision: Diese KI-Technologie ermöglicht es Computern, aus digitalen Bildern, Videos und sonstigen visuellen Signalen aussagekräftige Informationen abzuleiten und auf der Grundlage dieser Eingaben entsprechende Maßnahmen zu ergreifen. Auf der Grundlage von Convolutional Neural Networks findet die Computer Vision Anwendung bei Foto-Tagging in sozialen Medien, radiologischen bildgebenden Verfahren im Gesundheitswesen und selbstfahrenden Autos in der Automobilbranche.
Recommendation-Engines: Anhand von Daten zum Konsumverhalten der Vergangenheit können KI-Algorithmen dabei helfen, Datentrends zu erkennen, die zur Entwicklung effektiverer Cross-Selling-Strategien genutzt werden können. Diese Methode wird von Online-Händlern genutzt, um den Kunden während des Bestellvorgangs zusätzliche relevante Produktempfehlungen bereitzustellen.
Robotic Process Automation (RPA): RPA, auch als Software-Robotik bezeichnet, nutzt intelligente Automatisierungstechnologien für die Durchführung von sich wiederholenden manuellen Aufgaben.
Automatisierter Aktienhandel: KI-gesteuerte Hochfrequenz-Handelsplattformen, die zur Optimierung von Aktienportfolios entwickelt wurden, führen täglich Tausende oder sogar Millionen von Handelsaktivitäten ohne menschliches Zutun durch.
Betrugserkennung: Banken und andere Finanzinstitute können mithilfe von maschinellem Lernen verdächtige Transaktionen erkennen. So kann überwachtes Lernen ein Modell anhand von Informationen über bereits bekannte betrügerische Transaktionen trainieren. Mithilfe von Anomalieerkennung können dann atypische Transaktionen identifiziert und genauer untersucht werden.
Die technologischen Fortschritte im Bereich des maschinellen Lernens haben unser Leben zweifellos einfacher gemacht. Der Einsatz von maschinellem Lernen in Unternehmen hat jedoch auch eine Reihe von ethischen Bedenken in Bezug auf KI-Technologien aufgeworfen. Einige davon sind:
Technologische Singularität
Obwohl dieses Thema in der Öffentlichkeit viel Aufmerksamkeit erregt, zeigen sich viele Forscher angesichts der Vorstellung, dass KI die menschliche Intelligenz in naher Zukunft übertreffen könnte, unbesorgt. Technologische Singularität wird auch als starke KI oder Superintelligenz bezeichnet. Unter Superintelligenz versteht der Philosoph Nick Bostrum „einen Intellekt, der die besten menschlichen Gehirne in praktisch allen Bereichen, einschließlich wissenschaftlicher Kreativität, allgemeiner Weisheit und sozialer Fähigkeiten, bei weitem übertrifft“. Obwohl die Entwicklung einer Superintelligenz in unserer Gesellschaft nicht unmittelbar bevorsteht, wirft sie im Hinblick auf den Einsatz autonomer Systeme, wie z. B. selbstfahrender Autos, einige interessante Fragen auf. Es ist unrealistisch zu glauben, dass ein selbstfahrendes Auto niemals in einen Unfall verwickelt sein wird – aber wer ist bei einem Unfall verantwortlich und haftbar? Ist es dennoch sinnvoll, vollständig autonome Fahrzeuge zu entwickeln, oder sollten wir den Einsatz dieser Technologie auf halbautonome Fahrzeuge, die einem menschlichen Fahrer lediglich sicheres Fahren ermöglichen, beschränken? Darüber ist man sich noch nicht einig, aber im Zuge der Entwicklung neuer, innovativer KI-Technologien kommen derartige ethische Debatten immer wieder auf.
Auswirkungen von KI auf Arbeitsplätze
In der öffentlichen Wahrnehmung der künstlichen Intelligenz geht es häufig um den Verlust von Arbeitsplätzen, aber diese Bedenken sollten besser anders formuliert werden. Mit jeder bahnbrechenden, neuen Technologie verschiebt sich die Marktnachfrage nach bestimmten Tätigkeitsbereichen. In der Automobilindustrie beispielsweise konzentrieren sich viele Hersteller, wie etwa GM, auf die Produktion von Elektrofahrzeugen, um grüne Initiativen zu unterstützen. Die Energiewirtschaft löst sich dadurch jedoch nicht einfach in Luft auf. Es findet lediglich eine Umstellung von brennstoff- zu elektrobasierten Technologien statt.
Gleichermaßen wird künstliche Intelligenz die Arbeitsplatznachfrage in andere Bereiche verlagern. Man braucht Mitarbeiter für das Management von KI-Systemen. In den Branchen, die am ehesten von der Verlagerung der Arbeitsplatznachfrage betroffen sein werden, wie z. B. dem Kundenservice, wird auch weiterhin Personal benötigt werden, um komplexere Kundenprobleme zu lösen. Die größte Herausforderung im Zusammenhang mit künstlicher Intelligenz und ihren Auswirkungen auf den Arbeitsmarkt wird darin bestehen, die Menschen beim Umstieg auf neue, gefragte Tätigkeiten zu unterstützen.
Datenschutz
Der Schutz der Privatsphäre wird häufig im Zusammenhang mit Datenschutz und Datensicherheit diskutiert. Diese Bedenken haben dazu geführt, dass politische Entscheidungsträger in den letzten Jahren weitere Schritte zum Schutz der Privatsphäre unternommen haben. So wurde beispielsweise 2016 die DSGVO-Gesetzgebung erlassen, um die personenbezogenen Daten von Personen in der Europäischen Union und dem Europäischen Wirtschaftsraum zu schützen und dem Einzelnen mehr Kontrolle über seine Daten zu geben. In den USA haben einzelne Bundesstaaten Richtlinien entwickelt, wie z. B. das 2018 in Kalifornien eingeführte Gesetz zum Schutz der Privatsphäre von Verbrauchern (California Consumer Privacy Act, CCPA), das Unternehmen dazu verpflichtet, Verbraucher über die Erfassung ihrer Daten zu informieren. Dieses und ähnliche Gesetze haben Unternehmen dazu gezwungen, die Art und Weise, wie sie personenbezogene Daten speichern und verwenden, neu zu überdenken. Infolgedessen haben Investitionen in die Sicherheit für Unternehmen zunehmend Priorität, da Unternehmen natürlich bestrebt sind, Schwachstellen und Möglichkeiten für Überwachung, Hackerangriffe und Cyberattacken zu beseitigen.
Bias und Diskriminierung
Fälle von Bias (Voreingenommenheit) und Diskriminierung bei einer Reihe von intelligenten Systemen haben viele ethische Fragen in Bezug auf den Einsatz von künstlicher Intelligenz aufgeworfen. Wie können wir uns gegen Voreingenommenheit und Diskriminierung schützen, wenn die Trainingsdaten selbst unter Umständen durch mit Vorurteilen behaftete menschliche Prozesse erzeugt werden? Auch wenn Unternehmen mit ihren Automatisierungsbemühungen in der Regel gute Absichten verfolgen, weist Reuters (Link befindet sich außerhalb von ibm.com) auf einige der unvorhergesehenen Folgen der Nutzung von KI im Einstellungsprozess hin. In seinem Bemühen, einen Prozess zu automatisieren und zu vereinfachen, diskriminierte Amazon unbeabsichtigt Bewerber für technische Positionen aufgrund ihres Geschlechts und musste das Projekt schließlich aufgeben. Harvard Business Review (Link befindet sich außerhalb von ibm.com) hat weitere wichtige Fragen zum Einsatz von KI im Einstellungsverfahren aufgeworfen, z. B. welche Daten ein Unternehmen bei der Bewertung eines Bewerbers für eine Stelle verwenden können sollte.
Bias und Diskriminierung beschränken sich nicht nur auf die Personalabteilung. Sie sind vielmehr in einer Reihe von Anwendungen zu finden, von Gesichtserkennungssoftware bis hin zu Algorithmen für soziale Medien.
Da sich Unternehmen der Risiken von KI immer bewusster werden, beteiligen sie sich auch aktiver an dieser Diskussion über KI-Ethik und -Werte. So hat IBM beispielsweise seine Produkte für die allgemeine Gesichtserkennung und -analyse eingestellt. Dazu äußerte sich IBM CEO Arvind Krishna wie folgt: „IBM lehnt die Verwendung jeglicher Technologie, einschließlich der von anderen Anbietern angebotenen Gesichtserkennungstechnologie, für die Massenüberwachung, die Profilerstellung nach ethnischen Gesichtspunkten, die Verletzung grundlegender Menschenrechte und Freiheiten oder für andere Zwecke, die nicht mit unseren Werten und Grundsätzen des Vertrauens und der Transparenz vereinbar sind, entschieden ab und wird diese auch nicht dulden.“
Rechenschaftspflicht
Da es keine einschlägigen Gesetze zur Regulierung von KI-Praktiken gibt, fehlt es auch an einem wirksamen Durchsetzungsmechanismus, der eine ethische Nutzung von KI in der Praxis sicherstellt. Derzeit beschränken sich die Anreize für Unternehmen, sich an Prinzipien der ethischen KI-Nutzung zu halten, auf die Vermeidung möglicher negativer Auswirkungen einer unethischen KI-Gestaltung auf das Geschäftsergebnis. Damit diese Lücke geschlossen werden kann, sind in Zusammenarbeit von Ethikern und Forschern ethische Frameworks entstanden, die die Entwicklung und Verbreitung von KI-Modellen in unserer Gesellschaft regeln sollen. Momentan stellen diese jedoch lediglich eine Orientierungshilfe dar. Einige Studien (Link befindet sich außerhalb von ibm.com) haben gezeigt, dass die Kombination von verteilter Verantwortung und mangelnder Voraussicht möglicher Folgen nicht dazu geeignet ist, Schaden von der Gesellschaft abzuwenden.
Erfahren Sie mehr über die Position von IBM zum Thema KI-Ethik
Die Auswahl einer Plattform kann sich als schwierig erweisen, denn das falsche System kann die Kosten in die Höhe treiben oder die Nutzung anderer wertvoller Tools oder Technologien einschränken. Wenn man mehrere Anbieter prüft, um eine KI-Plattform auszuwählen, neigt man oft zu der Annahme, dass mehr Funktionen mit einem besseren System gleichzusetzen sind. Das mag sein, aber die Prüfer sollten sich zunächst Gedanken darüber machen, was die KI-Plattform für ihr Unternehmen leisten wird. Welche Fähigkeiten des maschinellen Lernens werden gebraucht und welche Funktionen sind dafür erforderlich? Eine einzige fehlende Funktion kann die Nützlichkeit eines ganzen Systems zunichte machen. Hier sind einige Faktoren, die Sie beachten sollten.
- MLOps-Fähigkeiten. Verfügt das System über:
- eine einheitliche Oberfläche für eine einfache Verwaltung?
- automatisierten Tools für maschinelles Lernen für eine schnellere Modellerstellung mit Low-Code- und No-Code-Funktionalität?
- Entscheidungsoptimierung zur Verbesserung der Auswahl und Bereitstellung von Optimierungsmodellen?
- visuelle Modellierung, um visuelle Data Science mit Open-Source-Bibliotheken und Notebook-basierten Schnittstellen in einem einheitlichen Daten- und KI-Studio zu kombinieren?
- automatisierte Entwicklung für Anfänger, um schnell loszulegen, und für fortgeschrittene Data Scientists zum Experimentieren?
- einen synthetischen Datengenerator als Alternative oder Ergänzung zu realen Daten, wenn reale Daten nicht ohne Weiteres verfügbar sind?
- Generative KI-Funktionen. Verfügt das System über:
- einen Inhaltsgenerator, der Text, Bilder und andere Inhalte basierend auf den Daten generieren kann, mit denen er trainiert wurde?
- automatisierte Klassifizierung, um schriftliche Eingaben zu lesen und zu klassifizieren, wie die Bewertung und Sortierung von Kundenbeschwerden oder die Überprüfung der Stimmung des Kundenfeedbacks?
- einen Zusammenfassungsgenerator, der komplexen Text in eine hochwertige Zusammenfassung verwandeln, wichtige Punkte aus Finanzberichten erfassen und Meeting-Transkriptionen generieren kann?
- eine Datenextraktionsfunktion, um komplexe Details zu analysieren und schnell die notwendigen Informationen aus großen Dokumenten abzurufen?
Lernen Sie die grundlegenden Konzepte für KI und generative KI kennen, einschließlich Prompt Engineering, große Sprachmodelle und die besten Open-Source-Projekte.
Die KI-Technologie hat sich in den letzten Jahrzehnten rasant weiterentwickelt. Erfahren Sie, wie Unternehmen KI heute implementieren.
Lernen Sie die Tools kennen, die Unternehmen zur effizienten Ausführung und Verwaltung von KI-Modellen verwenden, und geben Sie ihren Data Scientists Technologien an die Hand, mit denen sie ihre datengestützte Entscheidungsfindung optimieren können.
Entdecken Sie, wie Sie mithilfe von Projekten für maschinelles Lernen kontinuierlich aus Daten lernen und die Zukunft vorhersagen können.
IBM wurde im Gartner Magic Quadrant 2023 für dialogorientierte KI-Unternehmensplattformen erneut als „führend“ ausgezeichnet.
Erfahren Sie mehr über die Ideen hinter ML-Modellen und einige wichtige Algorithmen, die jeweils dafür verwendet werden.