Künstliche Intelligenz (KI) - artificial intelligence (AI)
- Martin Döhring
- 11. Aug. 2020
- 1 Min. Lesezeit
Aktualisiert: 12. Jan. 2024
Vor etwa 20 Jahren habe ich an der Universität Heidelberg, im Institut für Arbeitsmedizin, eine Synopsis, eine Übersicht über den damaligen Stand der Technik zu „künstlicher Intelligenz“ verfasst.
Viele interessante Anwendung von KI sind mittlerweile Wirklichkeit geworden, etwa das autonome Fahren eines Kfz oder Vorhersage-Anwendungen.
Viele Softwarefirmen forcieren die Forschung zu KI und die Entwicklung von KI-Anwendungen.
Zu den bekanntesten Firmen gehören: Alphabet (exGoogle), Microsoft, Amazon, Apple, Facebook, IBM.
OpenAI Module, insbesondere die GPT-Modelle, können über APIs (Application Programming Interfaces) in eigene Software integriert werden. Diese APIs ermöglichen Entwicklern, die Funktionen der KI in ihre Anwendungen, Websites oder Systeme zu integrieren. Hier sind die grundlegenden Aspekte, wie man OpenAI-Module als API-Tools nutzt und in eigene Software einbindet:
### 1. **API-Zugang erhalten**
Um die OpenAI-API nutzen zu können, müssen Sie sich zunächst bei OpenAI registrieren und einen API-Schlüssel anfordern. Dieser Schlüssel authentifiziert Ihre Anwendung und ermöglicht es Ihnen, auf die API-Funktionen zuzugreifen.
### 2. **Dokumentation studieren**
Die OpenAI-API kommt mit einer umfangreichen Dokumentation. Es ist wichtig, diese zu studieren, um die verschiedenen Endpunkte, Parameter und Funktionen zu verstehen. Die Dokumentation bietet Beispiele und Erläuterungen zu verschiedenen Anwendungsfällen.
### 3. **Installation…
Momentan sorgt das chinesische Model Deep Seek AI R1 für Furore. Der Quellcode ist Open Source. Entwicklungskosten nur 3 bis 6 Millionen USD. Deep Seek kommt offenbar ohne NVIDIA Microchips aus und benötigt nur wenig Strom.
Die Geschichte der künstlichen Intelligenz (KI) ist eine faszinierende Reise durch die Zeit, die tief in der menschlichen Vorstellungskraft verwurzelt ist und sich bis in die Antike zurückverfolgen lässt. Schon damals träumten Menschen von Automaten und mechanischen Dienern, die in den Mythen und Legenden der griechischen Kultur verewigt wurden. Diese frühen Konzepte bildeten die Grundlage für die Entwicklung der KI, wie wir sie heute kennen. Im 18. Jahrhundert brachte Julien Offray de La Mettrie mit seinem Werk "L'Homme Machine" die Idee auf, dass menschliche Intelligenz mechanisiert werden könnte, was als theoretischer Vorläufer der KI angesehen wird. Die Idee des Laplaceschen Dämons, benannt nach dem französischen Mathematiker Pierre-Simon Laplace, trug ebenfalls dazu bei, indem sie das Universum als eine große Maschine…
Trainingsmodelle für die KI , um Emotionen zu lernen:
Das Sammeln von Trainingsdaten für Emotionserkennungsmodelle ist ein wichtiger und oft aufwendiger Prozess. Hier sind einige der gängigen Methoden:
1. **Öffentliche Datensätze**: Es gibt mehrere öffentlich zugängliche Datensätze, die speziell für die Emotionserkennung erstellt wurden. Ein bekanntes Beispiel ist der FER-2013-Datensatz, der über 30.000 Graustufenbilder von Gesichtern enthält, die mit sieben Emotionen (Wut, Ekel, Angst, Freude, Traurigkeit, Überraschung und Neutralität) gekennzeichnet sind¹².
2. **Crowdsourcing**: Plattformen wie Amazon Mechanical Turk können verwendet werden, um große Mengen an Daten zu sammeln. Hierbei werden Menschen gebeten, Bilder von sich selbst hochzuladen und die darauf dargestellten Emotionen zu kennzeichnen².
3. **Eigene Datensammlung**: Forscher und Entwickler können eigene Daten sammeln, indem sie Anwendungen erstellen, die Bilder…
Emotionen für KI:
In einem Deep Learning-Modell zur Emotionserkennung werden Emotionen typischerweise als **Kategorien** oder **Klassen** repräsentiert. Hier ist, wie das funktioniert:
1. **Kategorische Repräsentation**: Jede Emotion wird als eine separate Klasse behandelt. Zum Beispiel könnten die Emotionen Freude, Traurigkeit, Wut, Überraschung, Angst und Ekel jeweils eine eigene Klasse haben. Das Modell wird dann trainiert, um Eingabedaten (wie Bilder oder Sprachaufnahmen) einer dieser Klassen zuzuordnen.
2. **One-Hot-Encoding**: Um diese Klassen im Modell zu repräsentieren, wird oft eine Technik namens One-Hot-Encoding verwendet. Dabei wird jede Emotion als ein Vektor dargestellt, der an der Position der entsprechenden Emotion eine 1 und an allen anderen Positionen eine 0 hat. Zum Beispiel könnte der Vektor für Freude so aussehen: `[1, 0, 0, 0, 0,…