Artificial Intelligence / AI
Artificial Intelligence (AI) bezeichnet die Entwicklung von Computern / Software, die Aufgaben erledigen können, für die Menschen normalerweise Intelligenz benötigen: Wahrnehmen, lernen, schlussfolgern, planen, entscheiden und Sprache verstehen.
Grundlegende Teilbereiche
Arbeitsweise (Typical AI Pipeline)
- Datenakquise – Sammeln, Bereinigen, Annotieren von Rohdaten.
- Feature‑Engineering – Extraktion / Auswahl relevanter Merkmale (oder: End‑to‑End‑Learning).
- Modell‑Training – Optimierung von Gewichten/Parametern (Gradient Descent, Backpropagation).
- Validierung – Kreuz‑Validierung, Metriken (Accuracy, F1‑Score, AUC).
- Deployment – Inferenz über APIs, Edge‑Geräte, Cloud‑Services.
- Monitoring – Drift‑Erkennung, kontinuierliches Retraining.
Anwendungsgebiete
- Gesundheitswesen: Diagnose‑Assistenz, Bild‑Analyse (Radiologie), Medikamenten‑Entdeckung.
- Finanzen: Fraud‑Detection, Kredit‑Scoring, algorithmischer Handel.
- Industrie: Predictive Maintenance, Qualitätskontrolle, Optimierung von Produktionsprozessen.
- Kundenservice: Chatbots, Sentiment‑Analyse, Empfehlungssysteme.
- Transport: Autonomes Fahren, Routenoptimierung, Flotten‑Management.
- Medien: automatisierte Übersetzung, Content‑Generierung, Bild‑ und Video‑Tagging.
Vorteile & Risiken
Aktuelle Trends (2024‑2025)
- Foundation Models (z. B. GPT‑4, Gemini) – sehr große, multimodale Modelle, die über API‑Zugriff breit einsetzbar sind.
- Edge‑AI – KI‑Inference direkt auf Geräten (Smartphones, IoT) zur Reduktion von Latenz und Datentransfer.
- AI‑Ops – Automatisierung von KI‑Modell‑Lebenszyklen (MLOps, Model‑Monitoring).
- Responsible AI – Rahmenwerke für Ethik, Transparenz, Fairness (EU AI‑Act, ISO 42001).