KI Grundlagen 1: Alle KI-Begriffe und Abkürzungen erklärt

🤿 Deep Dive: Die Grundlagen zu KI - Begrifflichkeiten & Abkürzungen

Heute geht es wirklich nur um Abkürzungen und kurze Erläuterungen, sodass kein größerer Kontext nötig ist.

1. Künstliche Intelligenz (KI): Die Fähigkeit von Maschinen, menschenähnliche Intelligenz zu zeigen und Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.
Beispiel: ChatGPT

2. Maschinelles Lernen (ML): Ein Teilbereich der KI, der es Maschinen ermöglicht, aus Daten zu lernen und ihre Leistung bei einer Aufgabe ohne explizite Programmierung zu verbessern. Beruht bisher auf statistischen Methoden wie linearer Regression.
Beispiel: Das Empfehlungssystem von Youtube, das weitere Videos basierend auf der Historie des Nutzers vorschlägt.

3. Deep Learning: Eine Art von ML, das neuronale Netze mit mehreren Schichten verwendet, um Daten zu analysieren und zu klassifizieren.
Beispiel: Googles Bilderkennungssystem in seiner Google-App, das Objekte auf Fotos identifizieren kann.

4. Neuronales Netzwerk: Ein Netzwerk von Knoten, die zusammenarbeiten, um Informationen zu analysieren und zu verarbeiten, modelliert nach der Struktur des menschlichen Gehirns.
Beispiel: Alexas Spracherkennungssystem, das Sprachbefehle verstehen und darauf reagieren kann.

5. Natürliche Sprachverarbeitung (Natural Language Processing - NLP): Die Fähigkeit von Computern, menschliche Sprache zu verstehen, zu interpretieren und zu generieren, denn eigentlich beruht alles auf Nullen und Einsen.
Beispiel: Googles Übersetzungssystem, das Text und Sprache zwischen verschiedenen Sprachen übersetzen kann.

6. Computer Vision: Die Fähigkeit von Computern, visuelle Informationen aus der Welt zu interpretieren und zu “verstehen”.
Beispiel: Teslas Autopilot-System, das Hindernisse auf der Straße erkennen und vermeiden kann.

7. Robotik: Die Wissenschaft von Robotern und ihrer Konstruktion, Herstellung und Betrieb.
Beispiel: Der Roboterhund von Boston Dynamics, der sich durch unterschiedliche Geländearten navigieren kann.

8. Autonome Systeme: Systeme, die ohne menschliches Eingreifen unabhängig operieren können.
Beispiel: Der Iron Dome von Israel, der automatisch die einfallen Raketen abschießt.

9. Big Data: Extrem große Datensätze, die analysiert werden können, um Muster, Trends und Assoziationen zu enthüllen.
Beispiel: Social-Media-Analytik, die Trends und Muster im Verhalten der Nutzer identifizieren kann.

10. Data Mining: Der Prozess des Extrahierens nützlicher, detaillierter Informationen aus großen Datensätzen.
Beispiel: Die Kundenanalytik von Supermärkten, die das Kaufverhalten der Kunden vorhersagen kann.

11. Data Science: Das interdisziplinäre Gebiet wissenschaftlicher Methoden, Prozesse und Systeme, um Wissen oder Einsichten aus Daten zu extrahieren.
Beispiel: Googles Suchalgorithmus, der relevante Informationen aus Milliarden von Webseiten finden kann.

12. Algorithmus: Eine Reihe von Regeln oder Anweisungen, die von einer Maschine befolgt werden, um ein Problem zu lösen oder eine Aufgabe auszuführen.
Beispiel: Googles PageRank-Algorithmus, der Webseiten basierend auf Relevanz und Beliebtheit einordnet (SEO).

13. Predictive Analytics: Die Praxis, Daten, statistische Algorithmen und maschinelle Lernverfahren zu verwenden, um die Wahrscheinlichkeit zukünftiger Ergebnisse anhand historischer Daten zu identifizieren.
Beispiel: Amazons Produktempfehlungssystem, das vorhersagt, welche Produkte Kunden wahrscheinlich kaufen werden.

14. Empfehlungssysteme: Systeme, die Produkte, Dienstleistungen oder Informationen auf der Grundlage von Benutzerpräferenzen und -verhalten vorschlagen.
Beispiel: Das Empfehlungssystem von Youtube, das weitere Videos basierend auf der Historie des Nutzers vorschlägt.

15. Chatbot: Ein Computerprogramm, das konzipiert ist, um Gespräche mit menschlichen Benutzern zu simulieren, insbesondere über das Internet.

16. Virtueller Assistent: Ein Software-Agent, der Aufgaben oder Dienstleistungen für eine Person basierend auf mündlichen oder schriftlichen Befehlen ausführen kann.
Beispiel: Amazons Alexa, ein virtueller Assistent, der Musik abspielen, Essen bestellen und Smart-Home-Geräte steuern kann.

17. Computersimulation: Der Prozess des Entwerfens eines Modells eines realen oder theoretischen Systems, um sein Verhalten zu verstehen und vorherzusagen.
Beispiel: NASAs Raumfahrt-Simulationen, die das Verhalten von Raumfahrzeugen simulieren.

18. Expertensysteme: KI-Systeme, die die Entscheidungsfindung eines menschlichen Experten in einem spezifischen Bereich nachahmen.
Beispiel: IBMs Watson, ein Expertensystem, das medizinische Zustände diagnostizieren und behandeln kann.

19. Kognitive Datenverarbeitung: KI-Systeme, die natürliche Sprachverarbeitung und maschinelle Lernalgorithmen verwenden, um menschliche Denkprozesse zu simulieren.
Beispiel: IBMs Watson, ein kognitives Computersystem, das menschliche Sprache verstehen und verarbeiten kann.

20. Augmented Intelligenz: Die Nutzung von KI zur Verbesserung der menschlichen Intelligenz, anstatt sie zu ersetzen.
Beispiel: Googles Suchmaschine, die KI verwendet, um relevante Suchergebnisse bereitzustellen.

21. Intelligente Automatisierung: Die Kombination von KI und Automatisierungstechnologien zur Automatisierung komplexer Geschäftsprozesse.
Beispiel: Teslas Produktionslinie, die Roboter und KI verwendet, um Elektroautos herzustellen.

22. Edge Computing: Die Praxis, Daten nahe am Rand des Netzwerks zu verarbeiten, wo sie erzeugt werden, anstatt in einem zentralen Datenverarbeitungs-Warenhaus.
Beispiel: Autonome Fahrzeuge, die Edge Computing verwenden, um Daten von Sensoren in Echtzeit zu verarbeiten.

23. Internet der Dinge (IoT): Das Netzwerk physischer Objekte – Geräte, Fahrzeuge, Gebäude und andere Gegenstände –, die mit Sensoren, Software und Konnektivität ausgestattet sind, die es ihnen ermöglicht, Daten zu sammeln und auszutauschen.
Beispiel: Google Nest, ein Smart-Home-System, das Temperatur, Beleuchtung und Sicherheit steuert.

24. Cloud Computing: Die Bereitstellung von Computing-Diensten – einschließlich Server, Speicher, Datenbanken, Netzwerken, Software, Analytik und Intelligenz – über das Internet.
Beispiel: Amazon Web Services (AWS) oder Microsoft Azure, die konsumgerechte Computing-Dienste bereitstellt.

25. Quantencomputing: Eine Art von Computing, die quantenmechanische Phänomene wie Überlagerung und Verschränkung nutzt, um Operationen an Daten durchzuführen. Also keine Einsen und Nullen mehr.
Beispiel: IBMs Quantencomputing-Plattform, die komplexe mathematische Probleme lösen kann.

26. Große Sprachmodelle (Large Language Modells oder LLM): Die aktuellen KIs, die fast normale Konversationen mit Menschen führen können und über ein enormes Wissen zu allen möglichen Themen verfügen.
Beispiel: ChatGPT, Claude 2 oder Llama 2.

Nächste Woche bringen wir die ganzen Begriffe in einen Zusammenhang, indem ich die aktuellen Phänomene versuche, in normalem Deutsch zu erläutern und was sie für uns bedeuten könnten.

🤘🏼 Das Techno-Optimist-Manifesto von a16z

Andreessen Horowitz, einer der renommiertesten Risikokapitalgeber (VC), hat vor kurzem sein Pro-Technologie-Manifesto veröffentlicht.

Ich sage gleich vorweg: Es ist sehr lang und komplett undifferenziert. Deswegen bekommt ihr von mir nur kurz deren Pro-Argumente zusammengefasst. Allgemein erörtert der Artikel die optimistische Sicht des Unternehmens auf die Technologie und ihr Potenzial, den menschlichen Fortschritt voranzutreiben. Am Ende stützt sich ihr Manifesto jedoch auf die folgende Grafik:

Dennoch seien hier im Folgenden die Argumente zusammengefasst:

1/ Beschleunigung des Fortschritts

Die These behauptet, dass technologischer Fortschritt exponentiell sei und dass wir uns an einem Punkt befänden, an dem die Geschwindigkeit der Innovationen schneller sei denn je. Dies würde zu einer schnelleren Verbesserung der Lebensqualität führen.

2. Demokratisierung des Zugangs

Technologie macht hochwertige Ressourcen und Dienstleistungen für eine breitere Bevölkerungsschicht zugänglich. Beispiele hierfür sind Online-Bildung, digitale Gesundheitsdienste und der Zugang zu Finanzinstrumenten.

3. Lösung globaler Herausforderungen

Die These argumentiert, dass Technologie entscheidend ist, um die drängendsten Probleme der Welt zu lösen, wie den Klimawandel, Gesundheitskrisen und Ungleichheit.

4. Wirtschaftswachstum und Arbeitsplatzschaffung

Innovationen führen zur Schaffung neuer Industrien und Arbeitsplätze, die das wirtschaftliche Wachstum vorantreiben und zur wirtschaftlichen Dynamik beitragen.

5. Verbesserung der menschlichen Fähigkeiten

Technologie erweitert die menschlichen Fähigkeiten und ermöglicht es den Menschen, kreativer, effizienter und effektiver zu sein.

6. Förderung der Freiheit und Autonomie

Durch die Bereitstellung von Werkzeugen, die es den Menschen ermöglichen, ihre eigenen Entscheidungen zu treffen und ihre eigenen Wege zu gehen, fördert Technologie individuelle Freiheit und Autonomie.

7. Netzwerkeffekte und kollektive Intelligenz

Die Vernetzung durch Technologie führt zu Netzwerkeffekten, die kollektive Intelligenz und kollaborative Lösungen für komplexe Probleme ermöglichen.

8. Ethik und Verantwortung

Die These erkennt an, dass mit der Macht der Technologie auch eine große Verantwortung einhergeht und dass ethische Überlegungen und verantwortungsvolles Handeln entscheidend sind, um sicherzustellen, dass die Vorteile der Technologie allen zugutekommen.

Für eine detailliertere Analyse und weitere Argumente kannst du den vollständigen Artikel auf der Website von a16z lesen: The Techno-Optimist's Manifesto.

🙀 Die Gegenseite: Neue Studie misst die negativen klimatischen Auswirkungen

Eine neue Studie hat die Auswirkungen der zunehmenden KI-Nutzung gemessen und gibt Anlass zur Sorge. Es sollte nicht überraschen, dass KI eine erhebliche Menge an Energie verbrauchen wird. Aber wie viel und wie bald ist noch umstritten.

Eine neue, von Fachleuten begutachtete Studie von Alex de Vries von der VU Amsterdam School of Business and Economics versucht, diese Frage zu beantworten, indem sie den Stromverbrauch der KI kartiert und prognostiziert.

Durch die Betrachtung des aktuellen Stromverbrauchs von GPU-Chips, die für KI verwendet werden, und der Anzahl der GPUs, die voraussichtlich bis 2027 ausgeliefert werden, schätzte die Studie einen Energieverbrauch im Bereich von 85-134 Terrawattstunden Strom pro Jahr.

"Man würde von einem Stromverbrauch in der Größenordnung eines Landes wie den Niederlanden sprechen", sagte de Vries der BBC.

💡 Framework: Wie man KI im Unternehmen budgetieren kann

KI ist keine Neuheit mehr. Sie wird zu einem festen Bestandteil in vielen Unternehmensbudgets, und daher wird das Kostenmanagement immer wichtiger. Und dieser jüngste Schritt von Box, einer Plattform für Cloud-Inhaltsverwaltung, hat meine Aufmerksamkeit erregt. Den Originalartikel kannst du hier lesen.

Wie Box künstliche Intelligenz strategisch bepreist

Box verfügt über KI-Funktionen, mit denen du deine Box-Dokumente zusammenfassen und chatten kannst. Und sie haben gerade ihren neuen Preisplan für Unternehmen vorgestellt.

So funktioniert es:

1. Die Benutzer erhalten eine bestimmte Anzahl an "Credits" pro Monat.

2. Wenn sie diese nutzen, können sie "Rollover"-Credits verwenden, die von ihrer Organisation bezahlt werden.

Das klingt ein bisschen wie Handy-Minuten und fühlt sich wie ein einzigartiger Ansatz an, um die hohen Betriebskosten großer Sprachmodelle wieder einzuspielen.

Jetzt denken offensichtlich Softwareprodukte wie Box, die KI nutzen und hohe OpenAI-Rechnungen anhäufen, voraus. Aber es sind nicht nur sie. Unternehmen und Geschäfte aller Art beginnen, KI als eigenen Posten in ihren Budgets zu sehen.

Erst letzte Woche haben wir begonnen, über ein eigenes Budget für KI in unserem Betrieb zu diskutieren. Bisher hatten wir es in die Softwarekosten eingebunden, aber da KI immer häufiger wird, ist klar, dass sie ihre eigene Kategorie benötigt.

4 Trends bei KI "Kosten vs. Preise vs. Wert", die ich beobachte:

1. Da KI immer stärker in unsere Betriebe integriert wird, werden die Kosten für ihre Nutzung immer deutlicher.

2. Ja, 1.000€/Monat für eine Software mögen verrückt erscheinen. Aber wenn diese KI dir etwa 30 Std. pro Monat der Zeit eines 60-Euro-Mitarbeiters sparen kann, rentiert sie sich mehr als.

3. Da KI immer häufiger wird, müssen Unternehmen beginnen, für ihre Kosten zu planen. Das bedeutet, ein eigenes Budget für KI zu schaffen und sicherzustellen, dass es kosteneffizient ist.

4. Unternehmen wie Box entwickeln einzigartige Preisstrategien, um die hohen Betriebskosten der KI wieder einzuspielen. Dies könnte ein Präzedenzfall für andere Unternehmen in der Zukunft sein.

Da KI weiterhin stärker in unsere Betriebe integriert wird, ist klar, dass wir anfangen müssen, über ihre Kosten nachzudenken. Sie ist nicht mehr nur ein Teil der Softwarekosten; sie ist ein eigener Posten.

Und es ist klar, dass auch die Anbieter von KI-Produkten darüber nachdenken.