Artificial Narrow Intelligence (ANI), häufig auch als Weak AI (schwache KI) bezeichnet, ist der aktuelle Stand der heute weit verbreiteten Technologie für künstliche Intelligenz. Diese KI-Systeme werden entwickelt und trainiert, um eine bestimmte, begrenzte Anzahl von Aufgaben auszuführen. Im Gegensatz zu der breit gefächerten, anpassungsfähigen menschlichen Intelligenz arbeitet die ANI innerhalb festgelegter Grenzen und ist nur in ihrem speziellen Bereich leistungsfähig. Sie bildet das Rückgrat vieler Tools und Dienste, die täglich genutzt werden, und ist die am weitesten verbreitete und praktisch umsetzbare Form der Künstlichen Intelligenz (KI). ANI-Systeme können in ihren speziellen Bereichen bemerkenswerte Leistungen erbringen, aber es fehlt ihnen an Bewusstsein, Selbstbewusstsein oder der Fähigkeit, das Gelernte auf nicht verwandte Probleme anzuwenden - ein Konzept, das als Transferlernen bekannt ist.
Kernmerkmale
Das entscheidende Merkmal von ANI ist ihre Spezialisierung. Diese Systeme werden in der Regel auf der Grundlage umfangreicher Datensätze entwickelt, die für die jeweilige Funktion relevant sind, und nutzen oft Techniken des maschinellen Lernens (ML). Zu den wichtigsten Merkmalen gehören:
- Aufgabenspezifisch: Entwickelt für einen einzigen Zweck oder eine sehr begrenzte Anzahl eng zusammenhängender Aufgaben, wie z. B. Schach spielen, Gesichter erkennen(Gesichtserkennung) oder Sprachen übersetzen.
- Datengesteuert: Die Leistung hängt stark von der Qualität und Menge der Trainingsdaten ab, die bei der Entwicklung verwendet werden. Zu den gängigen Trainingsparadigmen gehören überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.
- Zielorientiert: Arbeitet auf der Grundlage von Algorithmen und Parametern, die von den Entwicklern festgelegt wurden, um bestimmte, messbare Ziele zu erreichen.
- Fehlendes Bewusstsein: ANI-Systeme besitzen kein Selbstbewusstsein, keine Empfindungsfähigkeit oder echtes Verständnis; sie simulieren Intelligenz in ihrem engen Bereich auf der Grundlage von Mustern, die sie aus Daten lernen. In der Ultralytics Dokumentation findest du weitere Informationen darüber, wie diese Modelle trainiert und eingesetzt werden.
Unterscheidung von anderen KI-Typen
Um ANI zu verstehen, muss man sie von fortgeschritteneren, theoretischen Formen der KI unterscheiden:
- Künstliche allgemeine Intelligenz (AGI): Oft auch als starke KI bezeichnet, bezieht sich AGI auf hypothetische Maschinen mit menschenähnlichen kognitiven Fähigkeiten, die in der Lage sind, ähnlich wie ein Mensch zu verstehen, zu lernen und Intelligenz in einem breiten Spektrum von Aufgaben anzuwenden. Organisationen wie Google DeepMind und OpenAI erforschen aktiv Wege zur AGI. AGI bleibt weitgehend theoretisch und ist ein bedeutender Schritt über die derzeitigen ANI-Fähigkeiten hinaus.
- Künstliche Superintelligenz (ASI): Dies ist ein hypothetisches zukünftiges Stadium, in dem KI die menschliche Intelligenz in praktisch allen wirtschaftlich wertvollen Bereichen übertrifft. ASI steht für ein Intelligenzniveau, das selbst die klügsten Köpfe weit übertrifft. Dieses Konzept wurde von Denkern wie Nick Bostrom eingehend untersucht.
Obwohl ANI anspruchsvolle Anwendungen steuert, funktioniert es ausschließlich auf der Grundlage seiner Programmierung und seiner Trainingsdaten, ohne echtes Verständnis oder die Fähigkeit, über seine spezifische Aufgabe hinaus zu verallgemeinern.
Anwendungen in der realen Welt
ANI ist in der modernen Technologie allgegenwärtig. Hier sind zwei prominente Beispiele:
- Computer Vision (CV) Systeme: Modelle wie Ultralytics YOLO, einschließlich Versionen wie YOLOv8 und YOLO11sind Paradebeispiele für ANI. Sie zeichnen sich durch spezifische visuelle Aufgaben aus, wie z. B. Objekterkennung (Identifizierung und Lokalisierung von Objekten mit Bounding Boxes), Segmentierung von Objekten (Abgrenzung einzelner Objektinstanzen) und Posenschätzung (Erkennung wichtiger Körperpunkte). Diese Fähigkeiten sind in verschiedenen Bereichen von entscheidender Bedeutung, z. B. bei der Navigation von autonomen Fahrzeugen (siehe den Ansatz von Waymo), bei der Verbesserung von Sicherheitssystemen, bei der Automatisierung der Qualitätskontrolle in der Fertigung und bei der medizinischen Bildanalyse. Plattformen wie Ultralytics HUB erleichtern das Training und den Einsatz solcher spezialisierten Lebenslaufmodelle. Vergleiche zwischen YOLO findest du in unserer Dokumentation.
- Systeme zur Verarbeitung natürlicher Sprache (NLP): Virtuelle Assistenten wie Apples Siri und Amazon Alexa, ausgeklügelte Chatbots für den Kundenservice und maschinelle Übersetzungsprogramme wie Google Translate werden alle von ANI unterstützt. Sie werden auf riesigen Textdatensätzen trainiert, um menschliche Sprache für bestimmte Anwendungen zu verstehen und zu generieren, z. B. um Fragen zu beantworten, Befehle zu befolgen oder Text zwischen Sprachen zu übersetzen. Obwohl sie diese Aufgaben sehr gut beherrschen, fehlt ihnen ein umfassendes Weltwissen oder ein gesunder Menschenverstand außerhalb ihres Trainingsbereichs. Frameworks wie Hugging Face Transformers bieten Werkzeuge für den Aufbau solcher NLP-Modelle.
Andere weit verbreitete Beispiele für KI sind Empfehlungssysteme, die von Plattformen wie Netflix und Spotify eingesetzt werden, E-Mail-Spamfilter und Software für die Finanzmodellierung. Bei der Entwicklung und dem Einsatz dieser Systeme werden zunehmend ethische Aspekte der KI berücksichtigt, um Fairness zu gewährleisten und schädliche Verzerrungen zu verhindern. Dabei werden wir von Organisationen wie der Partnership on AI und den Prinzipien der Explainable AI (XAI) unterstützt.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
