Arten von KI mit Beispielen

Künstliche Intelligenz (KI) ist zum Mainstream geworden. Wir erleben einen evolutionären Fortschritt in der Technologie sowie in ihrer Einführung und Nutzung. Früher war es ausschließlich spezialisierte Technologen, jetzt nutzt sie jeder – von Schulkindern, die Berichte schreiben, bis hin zu Mitarbeitern, die sie für Geschäftsanwendungen nutzen. KI wird bald in fast allen Bereichen der Technologie eine Rolle spielen.

Das Tempo der Einführung und die fortlaufende Weiterentwicklung der KI-Technologie werden nur zunehmen. Wenn Sie die Trends verfolgen, ist es hilfreich, die verschiedenen Arten von KI zu verstehen, die allgemein eingesetzt werden.

Welche verschiedenen Arten von KI gibt es?

Die Arten der Organisation verschiedener KI-Ansätze entwickeln sich ständig weiter. Im Jahr 2024 können wir künstliche Intelligenz in mindestens sieben verschiedene Typen einteilen: drei fähigkeitsbasierte Typen und vier funktionalitätsbasierte Typen, die lose Maslows Bedürfnishierarchie entsprechen. Die einfachsten KI-Technologien entsprechen dem grundlegenden Überlebensniveau von Maslows Modell. Die ausgefeiltesten KI-Ebenen sind selbstbewusst und entsprechen dem Selbstverwirklichungsniveau dieses Modells.

Die vier Funktionstypen von KI sind:

1. Reaktive Maschinen
2. Begrenzter Speicher
3. Theorie des Geistes
4. Selbstbewusst

Der aktuelle Stand der KI-Technologie hat sich über den ersten Typ reaktiver Maschinen hinaus entwickelt. Der dritte und vierte Typ existieren derzeit nur theoretisch. Sie stellen die nächste Stufe der KI dar – die Entwicklung.

Technikorientierte Spezialisten organisieren verschiedene Arten von KI-Modellen je nachdem, wie die KI eingesetzt wird, welche Fähigkeiten sie hat und wie sie die Menschheit voranbringt.

Die drei KI-Typen basierend auf Fähigkeiten sind:

1. Künstliche enge Intelligenz
2. Künstliche allgemeine Intelligenz
3. Künstliche Superintelligenz

4 Haupttypen funktional-basierter KI

Hier sind Übersichten darüber, wie funktionale KI organisiert ist.

1. KI der reaktiven Maschine

Die KI der reaktiven Maschinen führt grundlegende Operationen aus und stellt das einfachste Niveau der künstlichen Intelligenz dar. Diese Typen reagieren auf eine bestimmte Eingabe mit einer Ausgabe. Es findet kein Lernen statt.

Reaktive Maschinen-KI ist die erste Stufe jedes KI-Systems. Ein Machine-Learning-Algorithmus , der ein menschliches Gesicht als Eingabe nimmt und eine Box um das Gesicht ausgibt, um es als Gesicht zu identifizieren, ist eine einfache, reaktive Maschinen-KI. Das Modell speichert keine Eingaben und führt kein Lernen durch.

Statische Machine-Learning-Modelle sind reaktive Maschinen. Ihre Architektur ist die einfachste und sie sind auf GitHub-Repos im gesamten Web zu finden. Diese Modelle können problemlos heruntergeladen, getauscht, herumgeleitet und in das Toolkit eines Entwicklers geladen werden.

Beispiele für reaktive Maschinen-KI:

• IBM Deep Blue. Entwickelt 1997, um den Schachmeister Garry Kasparov zu besiegen, demonstrierte diese Brute-Force-KI die Fähigkeit der Technologie, komplexe Aufgaben zu bewältigen. Sie verfügte weder über Gedächtnis noch über Lernfähigkeit.)
• Google AlphaGo. Dieser Durchbruch in der Evolution nutzt Deep Learning und neuronale Netze, um der Maschine die Fähigkeit zu geben, Intuition und strategisches Denken zu nutzen, um das Spiel Go zu meistern.
• Netflix-Empfehlungs-Engine. Anstatt der akademischen Übung des Spielens zu spielen, bedient diese KI echte Kunden in einem echten Unternehmen und gibt Programmempfehlungen, die mehr Zuschauer und Abonnentenbindung fördern.
• Verkehrsmanagementsysteme. Diese KI-Systeme nutzen Echtzeitdaten und prädiktive Algorithmen, um den Verkehrsfluss zu steuern, Staus zu verringern, die Sicherheit zu verbessern und Emissionen zu reduzieren.
• Regelbasierte Gaming-KI. Diese Technologie lernt und entwickelt sich entsprechend den Handlungen der Spieler weiter, um herausforderndere und unterhaltsamere Spielerlebnisse zu schaffen.

Der Einstieg mit AIOps ist einfach. Managen Sie die steigende IT-Komplexität mit künstlicher Intelligenz für Unternehmensabläufe. ›

2. KI mit begrenztem Speicher

KI mit begrenztem Speicher kann vorherige Daten speichern und diese Daten nutzen, um bessere Vorhersagen zu treffen. Mit KI mit begrenztem Speicher wird die maschinelle Lernarchitektur etwas komplexer. Jedes Machine-Learning-Modell benötigt begrenzten Speicher, aber das Modell kann als reaktiver Maschinentyp eingesetzt werden.

Es gibt drei Hauptarten von Machine-Learning-Modellen, die diesen begrenzten Speichertyp erreichen:

• Verstärkungslernen. Diese Modelle lernen durch Versuch und Irrtum, bessere Vorhersagen zu treffen, um zu verstehen, wie man Spiele wie Schach, Go und DOTA2 spielt.
• Langzeitgedächtnis (LSTMs). Das LSTM-Modell verwendet vergangene Daten, um die nächsten Elemente einer Sequenz vorherzusagen und bevorzugt aktuellere Informationen im Algorithmus.
• Evolutionäre Generative Adversariale Netzwerke (E-GAN). Das E-GAN-Modell verwendet evolutionäre Algorithmen, um einen sich ständig verbessernden Lernprozess zu schaffen, der es der Maschine ermöglicht, Optionen durch Mutation und Selektion zu erforschen.

Beispiele für KI mit begrenztem Speicher:

• Selbstfahrende Autos. Diese KI verwendet Algorithmen, die mit Sensoren, Kameras und Daten in einem Fahrzeug verbunden sind, um Straßen zu navigieren, Schilder und Ampeln zu interpretieren und Hindernisse zu vermeiden.
• Kundenservice-Chatbots. Diese Modelle nutzen natürliche Sprachverarbeitung und maschinelles Lernen, um Kundenanfragen zu verstehen und in Echtzeit zu reagieren, um den Kundenservice zu verbessern.
• Smart-Home-Geräte. Diese KI steuert Haussysteme wie Thermostate, Lichter, Warmwasserbereiter, Fensterdekorationen und Sicherheitssysteme, um Häuser für einen personalisierten Wohnraum zu optimieren und zu automatisieren.
• Industrielle Robotik. KI kann die Roboter antreiben, die in der Montage, Qualitätskontrolle, Materialhandhabung, Verpackung und mehr arbeiten. Sie steigern Produktivität und Sicherheit und erhöhen Geschwindigkeit und Genauigkeit.

KI-Typen mit begrenztem Speicher in der Praxis

Obwohl jedes Machine-Learning-Modell mit begrenztem Speicher erstellt wird, wird es nicht immer so, wenn es bereitgestellt wird.

KI mit begrenztem Speicher funktioniert auf zwei Arten:

• Ein Team trainiert kontinuierlich ein Modell auf Basis neuer Daten.
• Die KI-Umgebung ist so aufgebaut, dass Modelle automatisch trainiert und basierend auf Modellnutzung und Verhalten erneuert werden.

Damit eine maschinelle Lerninfrastruktur einen KI-Typ mit begrenztem Speicher aufrechterhalten kann, muss maschinelles Lernen in ihre Struktur integriert werden.

Aktives Lernen wird im Machine-Learning-Lebenszyklus immer häufiger. Der aktive Lernzyklus des maschinellen Lernens besteht aus sechs Schritten:

1. Trainingsdaten. Ein Machine-Learning-Modell muss Daten zum Trainieren haben.
2. Baue das Modell. Das Modell wird erstellt.
3. Modellvorhersagen. Das Modell macht Vorhersagen.
4. Rückkopplung. Das Modell erhält Feedback zu seiner Vorhersage durch menschliche oder Umweltreize.
5. Feedback wird zu Daten. Feedback wird zurück in ein Datenarchiv eingereicht.
6. Wiederholen. Weiter iterieren Sie diesen Zyklus.

3. KI der Theorie des Geistes

Die Technologie beginnt nun, sich an den Theorien der KI-Typen des Geistes zu entwickeln. Diese Art von KI beginnt, mit den Gedanken und Gefühlen der Menschen zu interagieren.

Aktuelle Modelle haben eine Einweg-Beziehung zur KI. Ein Nutzer gibt einen Befehl an ein System wie Alexa oder Siri, und dieser antwortet. Er reagiert nicht auf Emotionen, also wenn du wütend auf Google Maps schreist, dass sie dich in eine andere Richtung lenken, bietet es keine emotionale Unterstützung, beruhigt dich nicht mit Zusicherungen und bietet nicht an, jemandem zu sagen, dass du zu spät kommst. Stattdessen gibt es weiterhin dieselben Verkehrsmeldungen und ETAs zurück, die bereits angezeigt wurden, und macht sich keine Rücksicht auf deine Belastung.

ChatGPT nähert sich einer KI der Theorie des Geistes. Wenn du ihr für ihre Hilfe dankst, nimmt es das Kompliment dankbar an und zeigt den Bestreben, mehr zu helfen. Du kannst ihm auch sagen, wie frustriert du bist, und es wird scheinbar mitfühlen.

Zu den Studienbereichen, die dieses Thema behandeln, gehören Künstliche emotionale Intelligenz und Entwicklungen in der Entscheidungstheorie. Michael Jordan präsentierte einige seiner Forschungsarbeiten zur Entscheidungsfindung auf der Veranstaltung am 13. Mai 2020, The Future of ML and AI, mit Michael Jordan und Ion Stoica, und weitere Berichterstattung wurde auf der ICLR 2020-Konferenz präsentiert.

In nicht allzu ferner Zukunft wird KI selbstbewusst werden. Diese Art von KI existiert nur als Konzept und in Science-Fiction-Geschichten.

Das Potenzial ist enorm. Gleichzeitig haben wir jedoch Grund, die Folgen dieser Evolution zu fürchten. Es ist möglich, dass eine selbstbewusste KI, unabhängig von den besten menschlichen Werten, zu Menschen feindlich wird, und Menschen werden wahrscheinlich Bedingungen mit der erschaffenen Entität verhandeln müssen.

3 Arten von fähigkeitsbasierter KI

1. Künstliche schmale KI (ANI)

Diese Modelle sind darauf ausgelegt, sich auf sehr spezifische Aufgaben zu konzentrieren und haben nicht die Fähigkeit zum Lernen.

2. Künstliche allgemeine KI (AGI)

Allgemeine Intelligenzmodelle sind in der Lage, grundlegendes menschliches Denken zu erlernen und nachzuahmen.

3. Künstliche Super-KI (ASI)

Dieses theoretische Modell strebt danach, die Fähigkeiten des Menschen in der Nutzung und Synthese von riesigen Datenmengen und Wissen zu übertreffen.

Gibt es andere Arten von KI-Modellen?

Die rasante Entwicklung der KI-Technologie führt natürlich zur Verbreitung zusätzlicher Namen und Klassifikationen für Typen von KI-Modellen. Beispiele sind:

• Generative KI. Generativ bedeutet, dass diese KI neue Inhalte erstellt, die Text, Bilder, Musik und sogar neue virtuelle Welten sein können. Es gibt derzeit verschiedene Arten generativer KI.
• Tiefes Lernen. Diese Technologie nutzt Schichten neuronaler Netzwerke, um die Funktionsweise menschlicher Köpfe nachzuahmen, komplexe Muster zu extrahieren, Bilder zu erkennen, natürliche Sprache zu verarbeiten und autonomes Fahren zu bewältigen.
• Natürliche Sprachverarbeitung (NLP). Diese Art von KI versteht und interpretiert menschliche Sprachen und ist von unschätzbarem Wert bei der Übersetzung von Texten, der Erfassung von Gefühlen und Bedeutungen sowie der Schaffung von Konversationsoberflächen, die die maschinelle Kommunikation mit Menschen natürlich erscheinen lassen.
• Schwache vs. starke KI. Schwache KI-Modelle sind begrenzte, grundlegende Technologien, die für bestimmte Aufgaben entwickelt wurden, während starke KI-Modelle sich in Richtung menschliches Denken mit der Fähigkeit entwickeln, Wissen zu lernen und anzuwenden.
• Multimodale KI. Diese Modelle erfassen, integrieren und verarbeiten Daten in verschiedenen Formaten aus verschiedenen Quellen, um ein Verständnis komplexer Situationen zu vermitteln und verschiedene Aufgaben zu erfüllen, wie das Untertiteln eines Bildes, die Analyse eines Videos und die Suche in verschiedenen Medien.
• Große Sprachmodelle (LLMs). Durch Deep Learning und natürliche Sprachverarbeitung können diese KI-Modelle Text oder gesprochenes Wort zusammenfassen, Fragen verstehen und beantworten sowie Übersetzungen durchführen. Sie bringen kulturelles und kontextuelles Bewusstsein in die Arbeit und erhöhen die Genauigkeit.

Die Zukunft der KI-Modelle

Wie auch immer man KI-Modelle definiert und klassifiziert, die Technologie ist gekommen, um zu bleiben. KI hat das Potenzial, menschliche Kreativität und Fähigkeiten in nahezu jeder Branche zu transformieren – vom Gesundheitswesen über Finanzen bis hin zur Bildung und darüber hinaus.

Auch wenn die positiven Seiten offensichtlich sind, schafft KI-Technologie ethische Probleme und Bedenken, die die Gesellschaft insgesamt betreffen können, darunter Datenschutz, Voreingenommenheit, staatliche Regulierung und Sicherheit, um nur einige zu nennen. Während die Menschen den Arbeitsplatzverlust fürchten, schafft KI auch neue Arten von Arbeitsplätzen.

Mit der richtigen Pflege und Steuerung kann KI Menschen helfen, komplexe globale Herausforderungen zu meistern und das Leben von Millionen zu verbessern.

Verwandte Literatur

• BMC Machine Learning & Big Data Blog
• Künstliche Künstliche Intelligenz: Was ist das?
• Was ist AIaaS? KI als Dienstleistung erklärt
• Achtsame KI
• Top 5 Machine-Learning-Algorithmen für Anfänger
• 5 Stämme des maschinellen Lernens

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.