Maschinelles Lernen – Wie geht es weiter?
Seit einiger Zeit erlebt die Künstliche Intelligenz immer neue Höhenflüge. Beeindruckende Systeme wie AlphaGO, Google Duplex oder IBM Debater sind in aller Munde. Möglich werden solche Leistungen vor allem durch lernende Algorithmen, die mittels Big Data trainiert werden, kognitive Aufgaben zu lösen. Was aber ist, wenn Trainingsdaten verzerrt oder fehlerhaft sind oder schlicht nicht in der Menge vorliegen, die nötig wäre, um robust lernen zu können? Wie kann sichergestellt werden, dass die Entscheidungen eines komplexen Algorithmus für Anwender nachvollziehbar sind? Hier ergeben sich Herausforderungen für das maschinelle Lernen, die gelöst werden müssen, um möglichen Risiken oder der Monopolisierung der Künstlichen Intelligenz zu begegnen.
0 Kommentare