Welche Herausforderungen sieht Martinez aktuell bei der Anwendung von KI in Unternehmen?
Momentaner Blick auf AI ist zu spezifisch auf ML
Wichtige Punkte außenrum (Daten sammeln, aufbereiten, Model ausliefern und überwachen) werden außer Acht gelassen
-> System-weiter Blick ist nötig
Welche Aspekte sollten laut Martinez beachtet werden?
Sensoren und Quellen
mehr Daten denn je verfügbar
unstrukturierte Daten stellen Herausforderung für Speicherung dar
Großer Datenpool bietet Möglichkeiten für AI
Datenkonditionierung
Große Datenmengen müssen von Rauschen befreit werden, damit Information extrahiert werden und an ML gegeben werden kann
erfordert neue Methoden, große Datenmengen zu handhaben
Maschinelles Lernen
Verwendung unterschiedlicher Methoden, um Wissen aus Information zu extrahieren
Mensch-Maschine-Teaming
Extrahiertes Wissen verlangt nach Interaktion zwischen Mensch und Maschine
Mensch verifiziert Ergebnis
Benutzer (Mission)
Mensch nutzt Output von KI, um entsprechend zu handeln
Modernes Rechnen
Technologie, um KI umzusetzen
Entscheidung, welche Technologie verwendet wird, hängt von Datenmenge, Art des Algorithmus und Rechen-Umgebung ab
Robuste AI
KI muss robust gegenüber fehlerhaften/unvorhergesehenen Eingaben sein
Erklärbarkeit erlaubt, dass KI-Entscheidungen von Menschen nachvollzogen werden können
Welche Grenzen sehen Davenport und Miller bei den Einsatzmöglichkeiten von KI?
KI versteht nicht den größeren Zusammenhang/Kontext
KI kann nicht Alarme effektiv priorisieren
KI kann nicht subjektive Aspekte gewichten
KI kann nicht Tonfall verstehen
KI hat kein Verständnis von emotionalen Situationen und Bedürfnissen
Die letzte Entscheidung übernehmen immer Menschen
KI kann Probleme nicht selbst modellieren oder die Lösung unterrichten
KI kann kein Lehrprogramm ausarbeiten
KI kann selbst keine physischen Einstellungen für Analysen vornehmen
KI scheitert am Verständnis von komplexen und verschachtetelten Anwendungsfällen
KI verfügt über keine realistische Einschätzung der eigenen Fähigkeiten
KI achtet nicht auf ethische Konsequenzen
KI kann sich nicht selbst reparieren
KI kann Änderungen in Unternehmen nicht steuern
KI kann nicht emotionale Zufriedenheit im Job bieten
Wie unterscheiden sich Artificial Narrow Intelligence, Artificial General Intelligence und Superintelligence?
Artificial Narrow Intelligence: Intelligenz kann spezifische Aufgabe aus Fachdomäne lösen -> heute Standard
Artificial General Intelligence: Intelligenz ist unabhängig von Domäne (ähnlich zu Mensch) -> Forschungsgegenstand
Superintelligence: Intelligenz ist Menschen überlegen
Wie ändert sich die Anwendung von AI mit generativen Modellen?
Warum geschieht das jetzt?
Weg von speziellen Modellen für jede Aufgabe -> Silo-Struktur
Hin zu einem Modell, dass viele Aufgaben lösen kann -> LLM
Gründe:
Bessere Modell-Architekturen (Transformer) die bis vor Kurzem open access waren
Leistungsfähigere Hardware die speziell für KI gebaut wird (GPUs oder TPUs)
Große Erwartungen von Investoren in AI -> AI hype
Mehr Daten verfügbar denn je
Nach welchen Dimensionen spannt sich Mensch-Maschine-Teaming auf?
Vertrauen in die Maschine, Entscheidungen zu treffen
Konsequenzen der Entscheidungen
Wenn hohes vertrauen und geringe Konsequenzen -> Maschine sollte Aufgabe übernehmen
Wenn geringes Vertrauen und hohe Konsequenzen -> Mensch sollte die Aufgabe übernehmen
Zwischendrin Mensch-Maschine-Teaming
Zuletzt geändertvor einem Jahr
