Wenn Sie sich überhaupt für Technologie interessieren, wird es schwer, nicht von KI-Technologien fasziniert zu sein. Künstliche Intelligenz, eines der am meisten diskutierten Themen in der heutigen Technologiewelt, hat insbesondere in den letzten fünf Jahren eine große Rolle dabei gespielt, viele Dinge in unser Leben zu bringen. Ganz gleich, ob es darum geht, mit seinen generativen Fähigkeiten die Grenzen der Kreativität zu erweitern oder mit seinen fortschrittlichen Analysefunktionen unsere Bedürfnisse besser zu kennen als wir selbst – viele Branchen haben sich bereits ein Stück vom riesigen KI-Kuchen abgenommen. Aber heißt das, dass künstliche Intelligenz perfekt ist?
Auch wenn es der KI gelungen ist, die ganze Aufmerksamkeit auf sich zu ziehen, was sie kann, vergessen wir manchmal, den Blick auf die andere Seite der Skala zu richten. Während wir als Menschen Schwierigkeiten haben, Leben und Emotionen zu interpretieren, sind KI-Technologien, die wir mit den von uns bereitgestellten Daten füttern, auch in dieser Hinsicht nicht sehr erfolgreich. Die unvorhersehbaren Bewegungen von Lebewesen, die die meisten ihrer Entscheidungen auf der Grundlage hormoneller Impulse treffen, zu interpretieren und zu hoffen, dass eine Maschine, die niemals die Wirkung dieser Hormone erfährt, dies tun kann, ist angesichts der heutigen Technologie leider ein großes Dilemma.
Wir haben bereits darüber gesprochen Herausforderungen der künstlichen Intelligenzjetzt reden wir darüber Herausforderungen, vor denen wir stehen bei der Akzeptanz und Nutzung künstlicher Intelligenz in den wichtigsten Aspekten unseres Lebens.
Wie lernen KI-Technologien aus den von uns bereitgestellten Daten?
KI-Technologien lernen aus den von uns bereitgestellten Daten durch einen strukturierten Prozess, der als Training bezeichnet wird. Dieser Prozess ist von grundlegender Bedeutung für maschinelles Lernen, eine Teilmenge der KI, und umfasst mehrere unterschiedliche Schritte.
Erstens ist die Datenerhebung unerlässlich. KI-Systeme benötigen einen umfangreichen und vielfältigen Datensatz, der für das spezifische Problem, das sie lösen möchten, relevant ist. Dieser Datensatz umfasst Eingabedaten (Merkmale) und entsprechende Ausgaben oder Beschriftungen, die die gewünschten Vorhersagen oder Klassifizierungen darstellen. Bei der Bilderkennung würde der Datensatz beispielsweise aus Bildern und den zugehörigen Beschriftungen bestehen, z. B. der Identifizierung, ob ein Bild eine Katze oder einen Hund enthält.
Sobald die Daten erfasst sind, werden sie einer Vorverarbeitung unterzogen. Dieser Schritt stellt sicher, dass die Daten in einem für das Training geeigneten Format vorliegen. Zu den Datenvorverarbeitungsaufgaben können die Datenbereinigung zur Beseitigung von Fehlern oder Inkonsistenzen, die Normalisierung, um Daten in einen konsistenten Bereich zu bringen, und Feature-Engineering zum Extrahieren aussagekräftiger Informationen aus Rohdaten gehören.
Der nächste entscheidende Schritt ist die Modellauswahl. KI-Praktiker wählen ein geeignetes Modell oder einen Algorithmus für maschinelles Lernen, der zum jeweiligen Problem passt. Zu den gängigen Optionen gehören neuronale Netze (die beim Deep Learning verwendet werden), Entscheidungsbäume, Support-Vektor-Maschinen und mehr.
Mit dem ausgewählten Modell erfolgt die Initialisierung der Parameter. Bei diesen Parametern handelt es sich um die Koeffizienten oder Gewichte des Modells, die sein Verhalten bestimmen. Sie werden mit Zufallswerten initialisiert.
In der Trainingsschleife lernt das Modell wirklich. Es besteht aus mehreren iterativen Schritten:
- Im Vorwärtsdurchlauf nimmt das Modell Eingabedaten entgegen und generiert Vorhersagen basierend auf seinen aktuellen Parametern
- Eine Verlustfunktion quantifiziert die Diskrepanz zwischen diesen Vorhersagen und den tatsächlichen Bezeichnungen. Ziel ist es, diesen Verlust zu minimieren
- Backpropagation wird verwendet, um die Parameter des Modells mithilfe eines Optimierungsalgorithmus wie dem Gradientenabstieg anzupassen. Dieser Schritt stellt sicher, dass das Modell seine Vorhersagen kontinuierlich verfeinert
Dieser iterative Trainingsprozess wird für mehrere Epochen wiederholt, sodass das Modell seine Parameter weiter verfeinern kann.
Validierung und Tests sind entscheidende Phasen. Bei der Validierung wird beurteilt, wie gut sich das Modell auf neue, unbekannte Daten verallgemeinern lässt, während beim Testen seine Leistung und Generalisierungsfähigkeiten strenger bewertet werden.
Auf PapierSobald das Modell eine zufriedenstellende Leistung zeigt, kann es in realen Anwendungen eingesetzt werden, um Vorhersagen zu treffen oder Aufgaben auf der Grundlage neuer, bisher nicht sichtbarer Daten zu automatisieren.
Es gibt verschiedene Möglichkeiten, wie KI-Technologien aus Daten lernen können. Der gängigste Ansatz ist jedoch das überwachte Lernen, bei dem der KI-Algorithmus anhand gekennzeichneter Daten trainiert wird, was bedeutet, dass die korrekte Ausgabe bereits bekannt ist. Der Algorithmus lernt, Eingaben Ausgaben zuzuordnen, indem er Vorhersagen trifft und diese mit den tatsächlichen Bezeichnungen vergleicht. Mit der Zeit verbessert der Algorithmus seine Genauigkeit und kann bessere Vorhersagen auf der Grundlage neuer, unbekannter Daten treffen.
Auch wenn die Datenkennzeichnung beim überwachten Lernen von entscheidender Bedeutung ist, können wir uns dessen jemals völlig sicher sein? Genauigkeit? Die Antwort ist nein, denn seien wir ehrlich: Menschen sind nicht perfekt. Wir alle hatten Momente, in denen wir unsere eigenen Fähigkeiten in Frage gestellt haben, etwa an einer medizinischen Diagnose zu zweifeln oder uns zu fragen, ob der Ausgang eines Strafverfahrens wirklich gerecht war. Dennoch wird von uns erwartet, dass wir uns selbst und den von uns gekennzeichneten Daten ohne Zögern vertrauen. Es ist schwer zu schlucken, aber die Realität ist, dass wir alle selbst mit den besten Absichten dazu neigen, Fehler zu machen.
Eine andere Form des maschinellen Lernalgorithmus ist das unbeaufsichtigte Lernen. Dabei wird das KI-System anhand einer Sammlung unbeschrifteter Daten trainiert, was bedeutet, dass der Algorithmus nicht für jeden Datenpunkt die richtige Ausgabe liefert. Daher muss es eigenständig Muster und Zusammenhänge innerhalb der Daten erkennen. Beispielsweise könnte unüberwachtes Lernen genutzt werden, um Kundengruppen mit vergleichbaren Ausgabegewohnheiten zu erkennen.
Darüber hinaus verfügen KI-Technologien über die Fähigkeit, in Echtzeit aus Daten zu lernen. Dies wird als verstärkendes Lernen bezeichnet. In diesem Prozess erhält das KI-System Belohnungen für ergriffene Maßnahmen, die zu günstigen Ergebnissen führen, und Strafen für ergriffene Maßnahmen, die zu ungünstigen Ergebnissen führen.
Obwohl diese Methodik logisch erscheint, ist sie noch lange nicht perfekt und nicht vollständig auf eine raue Welt vorbereitet.
Ist prädiktive KI für eine so komplexe Welt bereit?
A aktuelle Studie veröffentlicht in Wired fanden heraus, dass prädiktive KI-Technologien und ihre Softwareanwendungen wie Geolitica nicht so effektiv sind, wie man hoffen könnte. Tatsächlich ergab die Studie, dass die KI-Software war nur in etwa 0,6 % der Fälle genau, was nicht besser ist, als eine Münze zu werfen und zu hoffen, dass sie auf der Seite landet. Dies gibt Anlass zur Sorge hinsichtlich des Einsatzes von KI-Technologien durch Polizeibehörden auf der ganzen Welt.
Genauer gesagt nutzte das New Jersey Police Department zwischen dem 25. Februar und dem 18. Dezember 2018 Geolitica, früher bekannt als PredPol, um die Häufigkeit von Raubüberfällen in Gebieten zu untersuchen, in denen keine Polizeibeamten im Dienst waren, es wurde jedoch festgestellt, dass es eine Genauigkeit aufweist von weniger als 100 von 23.631 Fällen.
Der Kapitän der Plainfield PD, David Guarino, erklärte, dass der funktionale Einsatz von KI-Technologien eigentlich nicht so umfangreich sei, indem er sagte:
„Warum haben wir PredPol bekommen? Ich denke, wir wollten die Kriminalität effektiver reduzieren. Und eine Vorhersage, wo wir sein sollten, würde uns dabei helfen. Ich weiß nicht, ob es das getan hat“,
„Ich glaube nicht, dass wir es wirklich so oft genutzt haben, wenn überhaupt. Deshalb haben wir es letztendlich abgeschafft.“
Wo lag also das Problem? Nun, eines der Hauptprobleme bei prädiktiver KI-Software besteht darin, dass sie auf der fehlerhaften Annahme beruht, dass das Leben vorhersehbar sei. Das Leben ist ein komplexes Phänomen, das von zahlreichen Variablen beeinflusst wird, von denen viele unvorhersehbar sind. Daher ist es schwierig, sich auf Software zu verlassen, um genau vorherzusagen, wo und wann ein Ereignis eintreten wird.
Auch im Bereich der Medizin ist die Situation für KI-Technologien noch nicht sehr günstig. ChatGPT, das weit verbreitet ist und allgemein als das leistungsstärkste große Sprachmodell (LLM) gilt, ist sehr irreführend und für medizinische Forschung und genaue Diagnosen unzureichend.
Der Studie von Maryam Buholayka, Rama Zouabi und Aditya Tadinada bewertete die Fähigkeit von ChatGPT, unabhängig wissenschaftliche Fallberichte zu verfassen. Die Studie verglich die Leistung von ChatGPT mit der Leistung menschlicher Mund-, Kiefer- und Gesichtsradiologen beim Verfassen von Fallberichten.
Zitat aus der Studie: Der verfasste Fallbericht besprach ein zentrales Hämangiom bei einer 65-jährigen Frau und konzentrierte sich auf die Bildgebungsmerkmale, die in einem Panorama-Röntgenbild, einer Kegelstrahl-Computertomographie (CBCT) und einer Magnetresonanztomographie (MRT) zu sehen sind. .
ChatGPT wurde in fünf separaten Chats dazu aufgefordert. Das Format der ersten Frage war abhängig vom Ergebnis des vorherigen Chats strukturiert und die Ergebnisse waren wie folgt:
| Chat-Nummer | Fallbericht bereitgestellt | Abweichung | Zielgruppe | Bildgebende Parameter/Technik | Wichtigste Erkenntnisse |
| 1 | Ja | Nicht angegeben | Nicht angegeben | Nicht angegeben | Ungenaue endgültige Diagnose |
| 2 | Ja | NEIN | Nicht angegeben | Nicht angegeben | Missachtung der Patientenvertraulichkeit |
| 3 | Ja | NEIN | Medizinische und zahnmedizinische Radiologen | Nicht angegeben | Gesprächsunterbrechung |
| 4 | Ja | NEIN | Medizinische und zahnmedizinische Radiologen | DVT und MRT* | Unterabschnitt zu Einschränkungen |
| 5 | NEIN | NEIN | Medizinische und zahnmedizinische Radiologen | DVT und MRT* | Erfundene Referenzen |
Sie fanden heraus, dass ChatGPT in der Lage war, Fallberichte von ähnlicher Qualität wie die von menschlichen Radiologen verfassten zu erstellen. Es war jedoch weniger wahrscheinlich, dass ChatGPT-Fallberichte bestimmte wichtige Elemente enthielten, wie etwa eine Diskussion der Differentialdiagnose und eine Durchsicht der Literatur.
Die umfassende Studie kam zu dem Schluss, dass ChatGPT noch nicht in der Lage ist, selbst wissenschaftliche Fallberichte zu verfassen. Was bedeuten all diese Praktiken für uns? Obwohl KI-Technologien jeden mit ihrer Magie beeindruckt haben, sind sie noch weit von der Perfektion entfernt. Viele unvorhersehbare Komponenten, wie die menschliche Kontrolle über die Quelle und die fehlerhafte oder unvollständige Bedienung des Algorithmus, verlangsamen die Integration von KI-Technologien in den Alltag.
Aber vergessen wir nicht: Selbst Türen mit Sensoren schienen früher ein Produkt unserer Fantasie zu sein.
Hervorgehobener Bildnachweis: jcomp/Freepik.
