Neuronale Netze im Kontext der KI sind keine echten Nervenzellen, sondern softwarebasierte Modelle, deren Architektur von der Art und Weise inspiriert ist, wie das menschliche Gehirn Informationen verarbeitet. Diese Modelle bestehen aus "Schichten" von Datenstrukturen, die "Neuronen" genannt werden. Die Neuronen sind miteinander verbunden und ihre Verbindungen haben ein bestimmtes "Gewicht". Im Lernprozess passt das System diese Gewichte - auch "Parameter" genannt - allmählich an, um den Fehler zwischen seiner Vorhersage und dem, was vorhergesagt werden soll, zu verringern.

GPU (Grafikverarbeitungseinheiten, NVIDIA) und TPU (Tensor-Verarbeitungseinheiten, Google) sind jene Hardware-Innovationen, die tiefgehendes Lernen in einem unvorstellbaren Umfang ermöglichen.

Tiefes Lernen oder Deep Learning nutzt neuronale Netze mit vielen Schichten (daher 'tief'), was dem Modell ermöglicht, komplexe Muster in Daten auf verschiedenen Abstraktionsebenen zu lernen. Deep Learning wird in vielen Bereichen angewendet, einschließlich Bild- und Spracherkennung, und ist eine Schlüsseltechnologie in der Entwicklung autonomer Systeme wie selbstfahrende Autos oder Spracherkennung.

Der Schlüssel zum Erfolg ist eine möglichst große Menge an Trainingsdaten.

Einbettungsvektoren (oder 'Embedding-Vektoren') ermöglichen es uns, ein Objekt (wie ein Wort, Konzept, Bild oder Ton) als geordnete Serie von Zahlen ('Vektor') darzustellen, die der Position oder dem Bereich in einem bestimmten N-dimensionalen Raum entsprechen. Dieser Vektor erfasst wesentliche Merkmale oder den Kontext des betreffenden Objekts in kompakter Form, wodurch seine effiziente Verarbeitung und Vergleichbarkeit mit anderen Objekten ermöglicht wird.

Der Begriff 'Einbettungsvektor' verdeutlicht die Idee, dass ursprüngliche Daten (d.h. Wörter, Konzepte, Bilder, Töne) in einen neuen Raum transformiert oder 'eingebettet' werden, wo ihre Beziehungen oder Eigenschaften besser oder effizienter durch Vektoren oder andere mathematische Strukturen ausgedrückt werden.

Diskriminative künstliche Intelligenz (KI) bezieht sich auf Modelle, die lernen, Eingabedaten in vordefinierte Kategorien zu unterscheiden oder zu klassifizieren. Diskriminative Modelle konzentrieren sich darauf, zwischen verschiedenen Arten von Eingabedaten zu unterscheiden, wie zum Beispiel verschiedenen Kategorien von Bildern oder Texten. Das Ziel ist es, zwischen verschiedenen Klassen oder Gruppen zu 'diskriminieren' und neue, unbekannte Eingaben korrekt einer dieser Kategorien zuzuordnen.

Ich empfehle, die folgenden Apps zu installieren:

Merlin - Vogelgesang-Erkennung

PlantNet oder Naturblick - Pflanzenerkennung

Svampe Atlas - Pilzerkennung

Kuriosität: 70 Jahre nach der Premiere von Čapeks 'Rossum's Universal Robots' (1921) entwickelte der niederländische Programmierer Guido van Rossum die Programmiersprache Python, in der heute die Mehrheit der KI-Systeme und Bibliotheken programmiert ist

Es wird geschätzt, dass ...

das maschinelle Lernen von GPT-4 etwa 51.772.500 - 62.318.750 KWh Strom verbraucht hat

GPT4 verbraucht 500 Milliliter Wasser jedes Mal, wenn ihm eine Serie von 5 bis 50 Anregungen / Fragen gestellt wird