Deep Learning und künstliche Intelligenz (KI) sind sich schnell entwickelnde Bereiche, in denen ständig neue Technologien entstehen. Fünf der vielversprechendsten neuen Trends in diesem Bereich sind Federated Learning, GANs, XAI, Reinforcement Learning und Transfer Learning.
Diese Technologien haben das Potenzial, verschiedene Anwendungen des maschinellen Lernens zu revolutionieren, von der Bilderkennung bis zum Spielen, und bieten spannende neue Möglichkeiten für Forscher und Entwickler gleichermaßen.
Föderiertes Lernen
Federated Learning ist ein maschineller Lernansatz, der es mehreren Geräten ermöglicht, an einem einzigen Modell zusammenzuarbeiten, ohne ihre Daten mit einem zentralen Server zu teilen. Dieser Ansatz ist besonders nützlich in Situationen, in denen der Datenschutz ein Problem darstellt.
Beispielsweise hat Google föderiertes Lernen verwendet, um die Genauigkeit seiner Texterkennungstastatur zu verbessern, ohne die Privatsphäre der Benutzer zu gefährden. Modelle für maschinelles Lernen werden in der Regel unter Verwendung zentralisierter Datenquellen entwickelt, was die gemeinsame Nutzung von Benutzerdaten mit einem zentralen Server erfordert. Obwohl Benutzer sich unwohl fühlen könnten, wenn ihre Daten auf einem einzigen Server gesammelt und gespeichert werden, kann diese Strategie zu Datenschutzproblemen führen.
Federated Learning löst dieses Problem, indem verhindert wird, dass Daten jemals an einen zentralen Server gesendet werden, indem Modelle mit Daten trainiert werden, die auf den Geräten der Benutzer verbleiben. Da die Trainingsdaten auf den Geräten der Benutzer verblieben, war es außerdem nicht erforderlich, große Datenmengen an einen zentralen Server zu senden, was den Rechen- und Speicherbedarf des Systems verringerte.
Verwandte: Microsoft entwickelt einen eigenen KI-Chip für ChatGPT: Report
Generative Adversarial Networks (GANs)
Generated Adversarial Networks sind eine Art neuronales Netzwerk, mit dem auf der Grundlage vorhandener Daten neue, realistische Daten generiert werden können. Beispielsweise wurden GANs verwendet, um realistische Bilder von Menschen, Tieren und sogar Landschaften zu erzeugen. GANs arbeiten, indem sie zwei neuronale Netzwerke gegeneinander ausspielen, wobei ein Netzwerk gefälschte Daten generiert und das andere Netzwerk versucht zu erkennen, ob die Daten echt oder gefälscht sind.
Generative Adversarial Networks, kurz GANs, haben sich schnell zu einer führenden Technologie zur Generierung realistischer synthetischer Daten entwickelt. GANs sind eine Art neuronale Netzwerkarchitektur, die aus zwei Netzwerken besteht: einem g … https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
— phill.ai (@phill_ai) 20. April 2023
Erklärbare KI (XAI)
Ein als erklärbare KI bekannter KI-Ansatz zielt darauf ab, die Transparenz und das Verständnis von maschinellen Lernmodellen zu erhöhen. XAI ist entscheidend, weil es garantieren kann, dass KI-Systeme unparteiische und faire Entscheidungen treffen. Hier ist ein Beispiel dafür, wie XAI verwendet werden könnte:
Stellen Sie sich ein Szenario vor, in dem eine Finanzorganisation maschinelle Lernalgorithmen verwendet, um die Wahrscheinlichkeit vorherzusagen, dass ein Kreditantragsteller mit seinem Kredit in Verzug gerät. Bei herkömmlichen Black-Box-Algorithmen hätte die Bank keine Kenntnis vom Entscheidungsprozess des Algorithmus und könnte ihn dem Kreditantragsteller möglicherweise nicht erklären.
Mithilfe von XAI konnte der Algorithmus jedoch seine Wahl erklären, sodass die Bank bestätigen konnte, dass sie auf vernünftigen Erwägungen und nicht auf ungenauen oder diskriminierenden Informationen beruhte. Der Algorithmus könnte zum Beispiel spezifizieren, dass er eine Risikobewertung basierend auf der Kreditwürdigkeit, dem Einkommen und der Beschäftigungshistorie des Bewerbers berechnet. Dieses Maß an Transparenz und Erklärbarkeit kann dazu beitragen, das Vertrauen in KI-Systeme zu stärken, die Rechenschaftspflicht zu verbessern und letztendlich zu einer besseren Entscheidungsfindung zu führen.
Verstärkungslernen
Eine Art des maschinellen Lernens, das als Verstärkungslernen bezeichnet wird, beinhaltet das Lehren von Agenten, durch Kritik und Anreize zu lernen. Viele Anwendungen, darunter Robotik, Spiele und sogar Bankwesen, haben sich diese Strategie zunutze gemacht. Zum Beispiel nutzte AlphaGo von DeepMind diesen Ansatz, um sein Gameplay kontinuierlich zu verbessern und schließlich die besten menschlichen Go-Spieler zu besiegen, was die Wirksamkeit des Verstärkungslernens bei komplexen Entscheidungsaufgaben demonstrierte.
KI kann ein Agent für unsere Verbesserung sein. Das interessanteste Papier, das ich zu diesem Thema gesehen habe, ist eine Studie über die Leistung professioneller GO-Spieler vor und nach der Einführung von Leela, der Open-Source-Version von DeepMinds AlphaGo. Spielerleistung verbessert. pic.twitter.com/Tk6qxwOftz
– Miles Grimshaw (@milesgrimshaw) 15. Januar 2023
Verwandte: 7 fortschrittliche humanoide Roboter der Welt
Lernen übertragen
Eine maschinelle Lernstrategie namens Transfer Learning beinhaltet die Anwendung zuvor trainierter Modelle, um brandneue Probleme zu lösen. Wenn für ein neues Problem nur wenige Daten verfügbar sind, ist diese Methode besonders hilfreich.
Beispielsweise haben Forscher Transferlernen verwendet, um Bilderkennungsmodelle, die für einen bestimmten Bildtyp (z. B. Gesichter) entwickelt wurden, an einen anderen Bildtyp – z. B. Tiere – anzupassen.
Dieser Ansatz ermöglicht die Wiederverwendung der erlernten Merkmale, Gewichtungen und Verzerrungen des vorab trainierten Modells in der neuen Aufgabe, wodurch die Leistung des Modells erheblich verbessert und die für das Training erforderliche Datenmenge reduziert werden kann.