{"id":11359,"date":"2024-12-16T16:23:42","date_gmt":"2024-12-16T16:23:42","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=11359"},"modified":"2024-12-16T16:23:44","modified_gmt":"2024-12-16T16:23:44","slug":"status-check-kuenstliche-intelligenz","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/de\/blog\/status-check-kuenstliche-intelligenz\/","title":{"rendered":"Status-Check KI: Wie alles begann, wo wir heute stehen, was uns erwartet"},"content":{"rendered":"\n

Science Fiction war gestern. Seit ihren Pioniertagen hat k\u00fcnstliche Intelligenz eine steile Karriere hingelegt und ist heute eine treibende Kraft, die Branchen weltweit neu gestaltet. Auf der diesj\u00e4hrigen Dreamforce interviewte ich zwei gestandene KI-Experten zur historischen Entwicklung k\u00fcnstlicher Intelligenz \u2013 und wie sie unser Leben und unsere Arbeit zuk\u00fcnftig pr\u00e4gen wird. Silvio Savarese<\/a> ist als Chief Scientist und Peter Schwartz<\/a> als Chief Futurist bei Salesforce besch\u00e4ftigt.<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz: Von den Anf\u00e4ngen bis heute<\/h2>\n\n\n\n

Asseo<\/strong>: Vielen Dank, dass Sie beide hier sind, um \u00fcber K\u00fcnstliche Intelligenz<\/a> zu sprechen und damit \u00fcber das Thema, das Ihre beiden Karrieren gepr\u00e4gt hat. Wir werden drei Hauptbereiche behandeln: Die Geschichte der KI, eine aktuelle Momentaufnahme und einen Ausblick in die Zukunft.<\/p>\n\n\n\n

Peter, ich beginne mit Ihnen. Als dienst\u00e4ltester Mitarbeiter bei Salesforce haben Sie schon zahlreiche Innovationszyklen miterlebt. K\u00fcnstliche Intelligenz gibt es ja nicht erst seit gestern \u2013 w\u00fcrden Sie uns einen kurzen historischen Aufriss liefern?<\/p>\n\n\n\n

\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
Im Interview auf der Dreamforce 2024: Chief Scientist Silvio Savarese (Mitte) und Chief Futurist Peter Schwartz (rechts)<\/figcaption><\/figure>\n\n\n\n

Schwartz<\/strong>: Gerade bin ich 78 geworden und besch\u00e4ftige mich seit \u00fcber 50 Jahren mit zukunftsorientierten Fragestellungen. Meine Karriere begann ich am Stanford Research Institute (SRI), einem der beiden Hotspots der KI-Forschung in Amerika \u2013 bei dem anderen handelt es sich um das Massachusetts Institute of Technology (MIT). Ich engagierte mich aktiv am Diskurs rund um k\u00fcnstliche Intelligenz, der ab 1972 in Gang kam. <\/p>\n\n\n\n

Die urspr\u00fcngliche Idee der anf\u00e4nglichen KI-Forschung war, die Funktionsweise des menschlichen Gehirns zu verstehen und dann Computermodelle zu erstellen, die diese Funktionen simulieren. Allein \u2013 das menschliche Gehirn erwies sich als komplexer, als man erwartet hatte. Mit diesem strategischen Problem brach in den sp\u00e4ten 70ern der erste \u201eKI-Winter\u201c an, damit gemeint ist eine Phase, in der das Interesse an und die Finanzierung von KI-Projekten auf Eis lagen.<\/p>\n\n\n\n

Mit der Erfindung von Parallelrechnern flammte das Interesse am Thema wieder auf. Danny Hillis, mit dem ich eine sehr enge Freundschaft pflege, hatte das \u201eParallel Computing\u201c erfunden und betrieb Mitte der 80er Jahre ein Unternehmen namens Thinking Machines. An Dannys T\u00fcr stand der ambitionierte Slogan: \u201eIch m\u00f6chte eine Maschine bauen, die stolz auf mich sein wird.\u201c<\/em> Nun, mit Parallel Computing alleine klappte das nicht. Aber damit erkannte Danny: F\u00fcr zuk\u00fcnftige Forschungsans\u00e4tze braucht eine v\u00f6llig andere Strategie.<\/p>\n\n\n\n

\n
\n

Parallel Computing<\/strong><\/h3>\n\n\n\n

verk\u00fcrzt die Rechenzeit f\u00fcr komplexe Aufgaben. Statt eine Berechnung Schritt f\u00fcr Schritt auf einem einzigen Prozessor auszuf\u00fchren, werden die einzelnen Schritte gleichzeitig (parallel) auf verschiedenen Prozessoren oder Kernen verarbeitet. Dies ist besonders n\u00fctzlich bei gro\u00dfen Datenmengen oder rechenintensiven Anwendungen wie maschinellem Lernen<\/a>.<\/p>\n<\/div>\n<\/div>\n\n\n\n

In den 1990er und fr\u00fchen 2000er Jahren vollzog sich ein Paradigmenwechsel: Das Konzept KI wurde komplett vom Modell des menschlichen Gehirns entkoppelt. Die mathematische Architektur K\u00fcnstlicher Intelligenz wurde jetzt losgel\u00f6st von kognitiven Modellen gedacht. Wir wollten die KI-Forschung nicht l\u00e4nger durch die Grenzen dessen, was wir \u00fcber das Gehirn wissen, einschr\u00e4nken. Das er\u00f6ffnete ganz neue M\u00f6glichkeiten.<\/p>\n\n\n\n

Asseo<\/strong>: Silvio, Sie sind seit vielen Jahren leitend in der KI-Forschung t\u00e4tig. Peter hat uns soeben durch wichtige Momente der fr\u00fcheren KI-Geschichte gef\u00fchrt \u2013 wie leitet sich der heutige Entwicklungsstand daraus ab?<\/p>\n\n\n\n

Savarese<\/strong>: Ich begann mit meiner Promotion im Jahr 2000, mitten in einem jener \u201eKI-Winter\u201c \u2013 es wird der siebte oder achte gewesen sein. Besonders sexy war das Thema KI zu dieser Zeit nicht. Die Technologie war noch nicht produktionsreif. Ich war trotzdem davon fasziniert und w\u00e4hlte sie zu meinem Forschungsgegenstand. <\/p>\n\n\n\n

Zum damaligen Zeitpunkt arbeiteten wir mit Bayes’schen Modellen, also leistungsstarken statistischen Tools f\u00fcr die Entscheidungsfindung. Um auf Deinen vorigen Punkt einzugehen, Peter: Das waren rein datengesteuerte Modelle, sie basierten nicht auf dem Versuch einer Simulation der menschlichen Gehirns. <\/p>\n\n\n\n

Leider aber bringen datengesteuerte Modelle einen enormen Aufwand an Feature Engineering mit sich. Das KI-Modell kann die Rohdaten nicht direkt \u201eabsorbieren\u201c; sie m\u00fcssen aufw\u00e4ndig vorbereitet werden, damit die KI sie verarbeiten kann (siehe Infobox). Damit blieb die Gesamtperformance dieser Modelle recht schwach.<\/p>\n\n\n\n

\n
\n

Traditionelles Machine Learning<\/strong>… <\/h3>\n\n\n\n

… erkl\u00e4ren wir am besten an einem konkreten Beispiel: Ein Spam-Filter soll automatisch verd\u00e4chtige E-Mails erkennen und aus der Inbox filtern. Doch wie bringt man ihm das bei?<\/p>\n\n\n\n

    \n
  1. Daten vorbereiten <\/strong>\n