Künstliche Intelligenz: GPT 3 – Maschinelles Lernen durch AI
Künstliche Intelligenz (AI) hat in vielen Sektoren ihren Einzug gehalten und es gibt viel Aufregung um GPT-3, eine neu entwickelter KI-Ansatz. Hier handelt es sich um eine künstliche Intelligenz, welche gesprochene Inhalte, menschlich oder maschinell besser erstellen kann als alles, was es bisher auf dem Markt gab.
Der Textgenerator GPT-3 wurde von OpenAI, ein relativ junges Forschungs-Unternehmen, das von Elon Musk mitgegründet wurde, entwickelt. GPT-3 wird als der nützlichste und wichtigste Fortschritt im Bereich der künstlichen Intelligenz in den letzten Jahren bezeichnet.
Deep Learning, Maschinelles Lernen und neuronale Netzwerke
Die Technologien, die OpenAI zur Entwicklung seiner Software für die automatische Texterstellung verwendet, sind diejenigen, auf denen die erfolgreichsten KI-Anwendungen von heute basieren: Bildsuchmaschinen, automatische Übersetzer, Suchassistenten (Siri, Alexa), Chatbots für die Kundenbetreuung, Computer Vision, selbstfahrende Fahrzeuge, medizinische Diagnostik und im Onlinespiel Sektor wie im NetBet Online Casino Deutschland usw. Wir sprechen über Deep Learning und künstliche neuronale Netze, zwei Bereiche des maschinellen Lernens.
Vereinfacht ausgedrückt handelt es sich dabei um Algorithmen, die ausgehend von Eingabedaten ein Ergebnis (Ausgabe) liefern, das sie durch Training mit einer großen Datenmenge erzielen. Dabei extrahieren sie komplexe Muster und lernen, diese in die gewünschte Ausgabe zu transformieren.
Uralte Ideen werden nun umgesetzt
Warum diese Ideen, obwohl sie aus den 1950er-Jahren stammen, erst im neuen Jahrtausend Anwendung fanden ist, weil die Rechenleistung der Computer und die Verfügbarkeit digitaler Daten für das Training der Algorithmen gestiegen sind. Im Vergleich zum maschinellen Lernen, bei dem die Eingabedaten bereits strukturiert sind (im Vorfeld gibt es hier aber teilweise eine menschliche Bearbeitung), zielt Deep Learning darauf ab, „alles selbst zu machen“.
Außerdem ist die Analyse, wie der Name schon sagt, tiefgreifend, weil die Verarbeitungsschritte, die zum Ergebnis führen, mehrstufig sind. Tiefe Neuronale Netze beinhalten mehrere Schichten, die die Eingabedaten nach und nach transformieren und filtern. Dies ahmt das Verhalten der Neuronen im Gehirn nach (sehr vereinfacht gesprochen).
So funktioniert Deep Learning und künstliche neuronale Netze
Das „Gehirn“ von GPT-3 besteht aus simulierten Neuronen, die in mehreren Ebenen organisiert sind: Es gibt solche, die den Input, ein Wort, erhalten; dazwischen liegende (mindestens 2 in einem „tiefen“ Netzwerk), die entscheiden, welche Zusammenhänge zwischen Wörtern bestehen und solche, die das Ergebnis und den Satz dann wiedergeben.
Sie sind durch mathematische Synapsen miteinander verbunden, d. h. Funktionen, die je nach Wirksamkeit der erzeugten Kombinationen bestätigt oder „verworfen“ werden (analog zu neuronalen Synapsen, die je nach Wirksamkeit der Kommunikation verstärkt oder geschwächt werden).
Ob die Kombinationen gut sind oder nicht, wird entschieden, indem sie mit dem verglichen werden, was GPT-3 bereits gelernt hat, d. h. mit seinem „Wissensspeicher“. Dieser ist enorm: Die Software wurde mit 450 Gigabyte an Daten trainiert, was Millionen und Abermillionen von Webseiten entspricht. GPT-3 ist das leistungsstärkste neuronale Netz, das je entwickelt wurde (es verfügt über 175 Milliarden Neuronen), aber es ist noch nicht perfekt.
WOHIN GEHT DIE KI-FORSCHUNG?
Es ist heute schon möglich, KI im Gesundheitswesen zu verwenden! Kann diese Art von Programmen in Zukunft weiter ausgebaut werden? Falls ja, was haben wir davon? Und wie könnte dies gelingen?
Viele heutzutage glauben naiv, dass wir durch die Erhöhung der Komplexität eines Deep-Learning-Algorithmus, indem wir etwa die Parameterzahl mit hundert und die Datenanzahl mit tausend multiplizieren, ein neuronales Netz erhalten, das dann in der Lage sein wird, das zu tun, was das menschliche Gehirn tut. Das wird aber möglicherweise nicht so einfach der Fall sein! Möglicherweise sind ausgefeiltere mechanismen und ein tieferes Verständnis des menschlichen Gehirns hierzu nötig.
Schreibe einen Kommentar