![\"\"](\"https:\/\/www.lll.tum.de\/wp-content\/uploads\/2023\/07\/ai-data-science-machine-learning-visual.jpg\")
Expertenantworten zu K\u00fcnstlicher Intelligenz, Data Science, Machine Learning (\u00a9 istockphoto-1448152453)<\/p><\/div>\n
Deshalb haben wir drei unserer Experten angefragt, Licht ins Dunkel zu bringen. Lesen Sie im Interview, welche Zusammenh\u00e4nge, Missverst\u00e4ndnisse und m\u00f6gliche neue F\u00e4higkeiten im Umgang mit KI, Data Science und Machine Learning bestehen.<\/p>\n
Dominik B\u00f6sl<\/strong> ist CTO & Managing Director von Micropsi Industries, das Software f\u00fcr Industrieroboter in dynamischen Umgebungen entwickelt. Au\u00dferdem ist er Professor f\u00fcr Digital Sciences, Automation und Leadership an der Hochschule der Bayerischen Wirtschaft (HDBW). Er hat ein Diplom in Informatik von der Universit\u00e4t Augsburg und einen MBA-Abschluss von der University of Pittsburgh. Er ist regelm\u00e4\u00dfiger Dozent an verschiedenen Universit\u00e4ten und Autor von technischen und wissenschaftlichen Publikationen. An der TUM School of Education forscht er zum Thema “Technology, Robotic & AI Governance”: Den ethischen, moralischen, soziokulturellen, soziopolitischen und sozio\u00f6konomischen Auswirkungen von Technologien wie Robotik, Automatisierung und k\u00fcnstlicher Intelligenz auf die Menschheit. Er hat unter anderem die Robotic & A.I. Governance Foundation gegr\u00fcndet, um den interdisziplin\u00e4ren Diskurs \u00fcber diese Themen zu f\u00f6rdern.<\/p>\n Jakub Cichor <\/strong>ist wissenschaftlicher Mitarbeiter am Lehrstuhl f\u00fcr Forschung und Wissenschaftsmanagement, Leiter der Focus Area “Educational Technologies in Leadership and Expert Development” am TUM Center for Educational Technologies (TUM EdTech Center) und Mitglied des TUM Neurophysiological Leadership Lab (TUM NeLeLab). Er absolvierte seinen B.Sc. und M.Sc. in Informatik: Games Engineering an der Technischen Universit\u00e4t M\u00fcnchen mit einem Schwerpunkt auf Serious Games, Gamification und Game-based Learning. Seine Forschung konzentriert sich auf Bildungstechnologien an der Schnittstelle zwischen Mensch-Computer-Interaktion und Organisationsverhalten, insbesondere mit Fokus auf die Untersuchung von sozialen Robotern und KI in F\u00fchrungspositionen und die Implementierung von Virtual-Reality-Anwendungen f\u00fcr die F\u00fchrungskr\u00e4fteentwicklung.<\/p>\n Thomas Mair<\/strong> ist wissenschaftlicher Mitarbeiter am Institut f\u00fcr Werkzeugmaschinen und Betriebswissenschaften, TUM School of Engineering and Design. Er hat einen B.Sc. und M.Sc. Abschluss in Maschinenbau. In seiner Masterarbeit besch\u00e4ftigte er sich mit dem Einsatz von K\u00fcnstlicher Intelligenz zur Vorhersage von inneren Unregelm\u00e4\u00dfigkeiten beim R\u00fchrreibschwei\u00dfen. Sein Forschungsschwerpunkt liegt auf additiv gefertigten D\u00e4mpfungskonzepten f\u00fcr den Einsatz in schwingungsanf\u00e4lligen Bauteilen. Dazu werden das Design der Strukturen und die Topologieoptimierung der Bauteile mit Hilfe von K\u00fcnstlicher Intelligenz untersucht. Derzeit h\u00e4lt er die Vorlesung “K\u00fcnstliche Intelligenz in der Produktionstechnik” an der TUM.<\/p>\n <\/p>\n Dominik B\u00f6sl:<\/em> \u201eAlles beginnt mit Daten. Ohne sie sind die genannten Prozesse und Technologien entweder nutzlos oder nicht anwendbar. Data Science beschreibt alle Prozesse zum Sammeln, Speichern, Homogenisieren, Verarbeiten, Validieren und \u2013 je nach Definition \u2013 Analysieren von Daten im Rahmen der Datenanalytik. Beim maschinellen Lernen interpretieren Algorithmen die Daten. Sie erkennen Muster und Korrelationen, aus denen sich Probleml\u00f6sungen ableiten lassen. K\u00fcnstliche Intelligenz (KI) versucht, noch einen Schritt weiter zu gehen: Durch entsprechend ausgekl\u00fcgelte Algorithmen, Verfahren und Technologien \u2013 wie neuronale Netze und Transformer-Systeme \u2013 wird ein m\u00f6glichst “intelligentes” und autonomes Verhalten angestrebt. Computersysteme, etwa in autonomen Fahrzeugen, Assistenzsystemen zur Entscheidungsfindung oder (Service-)Robotern, sollen in der Lage sein, selbstst\u00e4ndig auf ihre Umwelt zu reagieren und Entscheidungen zu treffen. Einen allgemeing\u00fcltigen Begriff f\u00fcr Intelligenz gibt es allerdings noch nicht \u2013 was zu vielen Diskussionen dar\u00fcber f\u00fchrt, was eigentlich als k\u00fcnstlich ‘intelligent’ gelten soll und was nicht.\u201c<\/p>\n Jakub Cichor:<\/em> \u201eData Science, K\u00fcnstliche Intelligenz (KI) und maschinelles Lernen werden oft zusammen betrachtet, um gro\u00dfe Datenmengen effektiv und effizient zu analysieren und zu interpretieren. Data Science befasst sich grunds\u00e4tzlich mit Daten und nutzt regelm\u00e4\u00dfig Methoden der KI und des maschinellen Lernens, um Daten zu analysieren. KI wird eingesetzt, um intelligente Systeme zu implementieren, wobei Data Science nur einer von vielen Anwendungsbereichen von KI ist. Machine Learning hingegen ist ein Teilgebiet der KI, welches sich mit Methoden besch\u00e4ftigt, die aus Daten lernen und die gewonnenen Informationen zur Interpretation von Daten nutzen.\u201c<\/p>\n Thomas Mair:<\/em> \u201eDie drei Begriffe sind eng miteinander verbunden. K\u00fcnstliche Intelligenz (KI) ist der Oberbegriff f\u00fcr intelligente, selbst denkende Maschinen und Programme. Maschinelles Lernen (ML) ist ein Teil der KI und umfasst Modelle oder Algorithmen, die aus Daten lernen, um Entscheidungen und Vorhersagen zu treffen. Data Scientists befassen sich mit der Extraktion und Analyse von Daten, sie nutzen KI\/ML, um Wissen zu generieren.\u201c<\/p>\n <\/p>\n Jakub Cichor:<\/em> \u201eEin gro\u00dfes Missverst\u00e4ndnis ist, dass die Ergebnisse dieser Technologien objektiv und unvoreingenommen sind. Insbesondere beim maschinellen Lernen besteht ein Problem darin, dass der Gro\u00dfteil der Trainingsdaten von Menschen erzeugt wird. Dies f\u00fchrt wiederum zu einer Datenbasis, die von menschlichen Tendenzen und Vorurteilen beeinflusst ist, welche vom System \u00fcbernommen werden. Ein bekanntes Beispiel ist ein Algorithmus im medizinischen Bereich, der gelernt hat, bei der Krebsdiagnose in erster Linie nach Linealen auf Bildern zu suchen, anstatt tats\u00e4chlich Tumore zu erkennen. Der Grund f\u00fcr diesen Fehler war ganz einfach: Auf medizinischen Bildern werden in der Regel Lineale platziert, wenn ein Tumor vorhanden ist, um dessen Gr\u00f6\u00dfe genauer darstellen zu k\u00f6nnen.\u201c<\/p>\n Dominik B\u00f6sl:<\/em> \u201eEines der gr\u00f6\u00dften Missverst\u00e4ndnisse ist, dass KI \u2013 derzeit vor allem die komplexen Sprachmodelle um ChatGPT \u2013 ein Allheilmittel f\u00fcr alle ungel\u00f6sten Probleme in der Informatik, Robotik, Automatisierung, Bilderkennung, Texterzeugung, f\u00fcr intelligente Computerassistenten und mehr sind. Die Fortschritte, die in den letzten Wochen und Monaten bei der Verwendung von extrem gro\u00dfen Sprachmodellen und transformatorbasierten neuronalen Netzen erzielt wurden, sind beeindruckend und sicherlich bahnbrechend f\u00fcr einige Anwendungsbereiche. Die automatische Generierung \u2013 oder auch nur das Korrekturlesen \u2013 von Alltagstexten in E-Mails, Gesch\u00e4ftsbriefen oder Textzusammenfassungen wird viel Zeit sparen. Kreative Eigenleistungen, die Entwicklung sinnvoller, inhaltlicher Neuerungen oder gar automatisierte Forschung k\u00f6nnen \u2013 und sollten \u2013 wir aber nicht erwarten, erhoffen oder ertr\u00e4umen. Genau hier liegt auch eines der gr\u00f6\u00dften Risiken von AI: Zu sch\u00f6n ist der Traum vom intelligenten digitalen Kollegen, der alle banalen T\u00e4tigkeiten im Alltag abbilden, uns verstehen und entsprechend unserer Pr\u00e4ferenzen reagieren kann. Mittelfristig werden diese Erwartungen \u2013 vorerst zumindest \u2013 aber entt\u00e4uscht werden. Denn jede der gehypten Technologien hat ihren Einsatzzweck und -ort; keine ist jedoch universell anwendbar. So kann ChatGPT zwar Sprache verstehen und daraus die wahrscheinlich erwarteten Aktionen ableiten \u2013 automatisch aber den Bewegungsplan eines Roboters berechnen und den Greifarm an die entsprechende Stelle im Raum man\u00f6vrieren, um den gew\u00fcnschten Apfel zu greifen, kann es aber nicht.\u201c<\/p>\n Thomas Mair:<\/em> \u201eKI wird viele Berufe ersetzen. Nat\u00fcrlich wird die k\u00fcnstliche Intelligenz Auswirkungen auf die Struktur der Arbeitswelt haben. Dennoch l\u00e4sst sich diese Aussage nicht verallgemeinern. Betrachten wir das Beispiel eines Softwareentwicklers. Der Chatbot ChatGPT ist in der Lage, innerhalb k\u00fcrzester Zeit ganze Codestrukturen nach den Vorgaben des Entwicklers zu generieren. Dies bedeutet nicht, dass die Softwareentwickler ersetzt werden. Ihre T\u00e4tigkeit verlagert sich von der Strukturierung und Implementierung des Codes auf die Formulierung der Aufgabe f\u00fcr den Chatbot. Andere T\u00e4tigkeiten, wie die Planung und das Debugging des Codes, bleiben unver\u00e4ndert. Das bedeutet, dass die Arbeitspl\u00e4tze aufgewertet und nicht ersetzt werden.\u201c<\/p>\n <\/p>\n Thomas Mair<\/em>: \u201eDie erforderlichen F\u00e4higkeiten h\u00e4ngen von der Anwendungsebene ab. Drei Beispiele sind unten aufgef\u00fchrt:<\/p>\n Jakub Cichor<\/em>: \u201eEs ist wichtig, die Technologien zu kennen und ein grundlegendes Verst\u00e4ndnis f\u00fcr sie zu haben, um die Ergebnisse sinnvoll interpretieren zu k\u00f6nnen und sich gleichzeitig der Fallstricke dieser Systeme bewusst zu sein. Ein verantwortungsvoller Umgang mit den Ergebnissen kann viele neue M\u00f6glichkeiten er\u00f6ffnen, w\u00e4hrend die unkritische \u00dcbernahme falscher Ergebnisse viele Probleme verursachen kann.\u201c<\/p>\n Dominik B\u00f6sl<\/em>: \u201eZu den wichtigsten F\u00e4higkeiten im Umgang mit neuen, disruptiven Technologien geh\u00f6rt sicherlich eine grunds\u00e4tzliche Offenheit und Bereitschaft, sich mit dem Thema auseinanderzusetzen. Das bedeutet (in Bezug auf KI) nicht unbedingt, die zugrundeliegenden Modelle selbst mathematisch erfassen und berechnen zu k\u00f6nnen \u2013 aber die eingangs erw\u00e4hnte begriffliche Differenzierung hilft, Chancen, Risiken und Anwendbarkeit im pers\u00f6nlichen Kontext zu verstehen und einzusch\u00e4tzen \u2013 sei es im privaten, gesch\u00e4ftlichen oder wissenschaftlichen Umfeld. Pers\u00f6nlich m\u00f6chte ich den Informationskreislauf umkehren: Alle Akteure, ob aus Wissenschaft oder Industrie, die relevante Technologien entwickeln, sollten verpflichtet werden, ihre Ergebnisse allgemeinverst\u00e4ndlich zu erl\u00e4utern. Nur wenn wir einen sinnvollen, informierten Diskurs in der Gesellschaft \u00fcberhaupt erst erm\u00f6glichen und f\u00f6rdern, wird es uns gelingen, partizipative Innovation zu f\u00f6rdern.\u201c<\/p>\n Hinter den Schlagw\u00f6rtern K\u00fcnstliche Intelligenz, Data Science und Machine Learning steckt mehr, als es auf den ersten Blick scheint. Wir danken unseren Experten f\u00fcr ihre tiefen Einblicke in das Thema und f\u00fcr ihre Bem\u00fchungen, diese komplexen Begriffe zu erkl\u00e4ren.<\/p>\n M\u00f6chten Sie mehr \u00fcber bahnbrechende Technologien wie K\u00fcnstliche Intelligenz, Data Science und Machine Learning erfahren?<\/strong> Tauchen Sie mit unseren Masterclasses<\/a> kostenlos in neue Themen ein oder erlernen Sie neue F\u00e4higkeiten mit unseren Zertifikatsprogrammen<\/a>.<\/p>\n <\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":" Wenn von den neuesten Entwicklungen in der Informationstechnologie die Rede ist, tauchen unweigerlich die Begriffe K\u00fcnstliche Intelligenz (KI), Data Science und Machine Learning auf. Was diese Begriffe tats\u00e4chlich bedeuten und \u2026 Welchen Zusammenhang gibt es zwischen K\u00fcnstlicher Intelligenz (KI), Data Science und Machine Learning?<\/h2>\n
Was sind die gr\u00f6\u00dften Missverst\u00e4ndnisse \u00fcber K\u00fcnstliche Intelligenz (KI), Data Science und maschinellem Lernen?<\/h2>\n
Welche F\u00e4higkeiten sollte man haben, um mit K\u00fcnstlicher Intelligenz (KI), Data Science und Machine Learning zu arbeiten?<\/h2>\n
\n
Read More here <\/i><\/p>\n","protected":false},"author":82,"featured_media":174740,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[669,589,199],"tags":[695],"acf":[],"yoast_head":"\n