Was uns gemäß der Definitionen von Künstlicher Intelligenz, Maschinellem Lernen und Künstlichen Neuronalen Netzen vielleicht abstrakt vorkommen mag und nach purer Forschungswelt der Lehrstühle für Mathematik und Informatik klingt, begegnet uns allen bereits heute täglich.

Kein Wunder: Denn die Big Player am Markt haben innerhalb der letzten Jahre keine Kosten und Mühe gescheut, sich in diesem Bereich für die Zukunft gut aufzustellen. Das zeigt vor allem die Anzahl durchgeführter Akquisitionen: Bis einschließlich 2017 hat allein Google 14 Akquisitionen im Bereich künstlicher Intelligenz abgeschlossen, dicht gefolgt von Apple mit 13 Akquisitionen. Insgesamt haben die GAFA-Unternehmen – und das zeigt den Stellwert künstlicher Intelligenz innerhalb der Plattform Ökonomie – 48 Startups gekauft. Und auch dieses Jahr ging es munter weiter.

Quelle: CBInsights: The Race for AI, 2018

Worum geht es bei diesen Akquisitionen? Schaut man sich die Akquisitionen etwas genauer an, so fallen einem 2 Aspekte auf: Zum Einen arbeiteten die Startups nah an den Kerngeschäften und Kernkompetenzen des jeweiligen Tech Giganten, sodass man den eigenen Innovationsprozess mit einer entsprechenden Übernahme beschleunigen und das eigene Portfolio optimieren konnte. Zum Anderen liegt ein ganz klarer Personalfokus vor. Sprich: Gute Entwickler von KI sind schwer zu finden. Mit der Übernahme von Startups kann schnell neue Expertise ins Unternehmen geholt werden, ohne über den Arbeitsmarkt gehen zu müssen.

 

Einige Beispiel dafür, wie AI bereits heute unseren Alltag bestimmt:

Gesichtserkennung bei Facebook – was steckt dahinter?

Hackread.com, 2016

Facebook erkennt auf Fotos und Videos mittlerweile automatisch verschiedener Nutzer, ohne dass diese vorher markiert werden müssen.

Durch die Analyse vorhandener Bilder, darunter dem Profilfoto und Bildern mit Markierungen wird ein sogenanntes Template – also eine Art digitale Identifikationsmarke – erstellt. Werden anschließend Bilder hochgeladen, werden sie auf Gemeinsamkeiten mit bekannten Bildern hin untersucht und erkannte Personen automatisch markiert. Und das ganze basiert auf? Richtig! Maschinellem Lernen!

Das Netflix Empfehlungsmanagement – woher wissen die, was mir gefällt?

Simple Antwort: Weil sie es mit maschinellem Lernen analysieren und prognostizieren mit dem Ziel, möglichst personalisierte Empfehlungen zu machen.

In Zahlen: Mehr als 80% aller Serien und Filme, die auf Netflix gesehen werden, basieren auf den Empfehlungen, die Netflix gemacht hat. Und das ist Und nicht nur das: Auch die Titelbilder eines Films sind nicht bei jedem Nutzer gleich: Je nachdem, welche Filmpräferenzen ein Nutzer hat, wird ihm der gleiche Film anders angezeigt als jemandem mit anderen Präferenzen

Wusstest du, dass Netflix bereits 2013 riesige Datenmengen seiner Nutzer analysiert hat und daraufhin sicher war, dass sich House of Cards zu einem großen Hit entwickeln würde, noch bevor sie die Serie eingekauft haben? Und dies sind noch vergleichsweise triviale Anwendungsfälle maschinellen Lernen auf Basis von Big Data.

Google Translator? War gestern. DeepL setzt neue Maßstäbe

Mobilegeeks.de, 2017

Übersetzungsprogramme gibt es nicht erst seit gestern. Und was vermutlich jedem von uns aufgefallen ist – von zunächst recht waghalsigen Übersetzungen sind wir längst zu einer Stufe gelangt, in der korrekte und sachlich logische Übersetzungen teils auch verschachtelter Sätze möglich sind. Zu verdanken ist das vor allem der Nutzung künstlicher neuronaler Netze. Mittlerweile hilft Google Translate zuverlässig beim Übersetzen in über 100 Sprachen. Doch nun macht auch das Kölner Startup DeepL von sich reden. Grund: Es verspricht eine bessere Übersetzungsqualität als die Konkurrenz – und kann dies anhand von Beispielen auch bestätigen. DeepL´s neuronale Netzwerke wurden mit über einer Milliarde übersetzter Sätze von hoher Qualität trainiert.

Laut der Nachrichten-Webseite Heise.de verfolge DeepL grundsätzlich einen anderen Ansatz als Google. Während Google rekurrente Netze verwende, die bei der Übersetzung ein Wort nach dem anderen betrachten, setze DeepL auf konvolutionelle Netze, die alle Wörter parallel analysieren. Damit sei DeepL vor allem schneller als Google.

Und zum Abschluss noch eine kleine Anekdote am Rande: Forscher halten Google-Übersetzer für sexistisch. Warum? Weil anhand von geschlechtsneutralen Sprachen herausgefunden wurde, dass der Google Translator Berufe wie Geschäftsführer mit Männern in Verbindung bringt, während Berufe wie Bäcker eher mit Frauen verbunden werden.

Mehr dazu unter: www.golem.de/