Wie hilft Crowdsourcing angesichts der COVID-19-Pandemie? Kann die „Menschenmenge“ etwas tun, um das Virus zu besiegen? Wir nennen Ihnen 4 interessante Projekte, die sogar unentgeltlich funktionieren.

Die Idee des perfekten Menschen ist so alt wie die Menschheit selbst. Aber die selbstlernenden Algorithmen rücken diese Idee wieder etwas näher – genauso wie die Furcht vor der Allmacht der Maschinen. Macht Künstliche Intelligenz schlauer, schöner, gesünder und glücklicher? Vier Fragen und vier Antworten.

Die Lebensmittelindustrie profitiert schon heute von den Vorteilen der Künstlichen Intelligenz. Aber die Entwicklung ist im vollen Gange. Sie wird von der Wissenschaft mit zahlreichen Projekten gefördert, die neue Perspektiven eröffnen und Hindernisse auf dem Weg zu einer effizienten Lebensmittelproduktion und Lieferung beseitigen. Gemeinsam ist allen Projekten, dass durch die Nutzung von KI das gesamte Verfahren optimiert und Lebensmittelabfälle vermieden werden.

Die Erfindung der Dampfmaschine löste revolutionäre gesellschaftliche Änderungen aus. Maschinen ersetzten körperliche Arbeit. Sie produzierten billiger, schneller und effektiver. Am Ende profitierten alle davon – durch mehr Wohlstand. Eine ähnliche Entwicklung zeichnet sich heute ab: Künstliche Intelligenz ersetzt in vielen Bereichen Prozesse, die menschliches Denken bedingen. Werden wir ebenfalls alle davon profitieren?

Die Popularität von KI-Systemen (Künstliche Intelligenz) wächst sprunghaft an. Unternehmen auf der ganzen Welt beginnen zu verstehen, wie sie von diesen Systemen profitieren können, aber die künstliche Intelligenz ist noch nicht so weit, dass man sie einfach aus der Schachtel nehmen und erwarten kann, dass sie funktioniert. KI-Systeme erfordern Training, und genau hier kommen KI-Modelle ins Spiel.

Ein “KI-Modell” ist ein Algorithmus, der mit den Daten und Eingaben eines menschlichen Experten gefüttert wird. Das Modell wird auf seine Genauigkeit hin bewertet, indem die Ergebnisse, die es liefert, mit den vom menschlichen Experten getroffenen Entscheidungen verglichen werden. Dazu muss der Algorithmus oft eine beträchtliche Datenmenge überprüfen. Darüber hinaus ist das Modell durch den Zugriff auf Daten aus mehreren Quellen besser in der Lage, Muster zu finden, die es zur weiteren Rationalisierung seiner Analyse verwenden kann. Das Modell versucht, den Entscheidungsprozess eines Expertenteams mit Zugriff auf die gleichen Daten zu replizieren.