Künstliche Intelligenz (KI) hat in letzter Zeit viel Aufmerksamkeit für verschiedene Errungenschaften in Bereichen wie Gesichtserkennung, Verständnis und Produktion natürlicher Sprache sowie in medizinischen Bereichen wie Tumorklassifikation, Herzinsuffizienzprognose und sogar Depressionserkennung erhalten, z. B. in Chockley und Emanuel (J Am Coll Radiol 13(12):1415–1420, 2016, [1]). Die Anwendungsbereiche für KI-Technologien erweitern sich derzeit schnell auf Pharmazie, Finanzen und natürlich Sicherheit in all ihren Formen und Ausprägungen. Was alle oben genannten Bereiche gemeinsam haben, ist die Tatsache, dass wir eine spezifische Art von KI-Technologien anwenden können, die auf der statistischen Analyse riesiger Datenmengen basieren. Dies sind die sogenannten datengetriebenen maschinellen Lernverfahren, deren Leistung exponentiell mit der Menge der für die statistische Analyse verfügbaren Daten steigt. Dabei vergisst man leicht, dass Künstliche Intelligenz tatsächlich ein viel breiteres Feld ist, das bis zum Anfang des letzten Jahrhunderts zurückreicht, als sich Wissenschaftler aus einem viel breiteren Spektrum von Disziplinen mit der Frage der Modellierung intelligenten Verhaltens beschäftigten. Eine Schlüsselfigur in diesem Bereich war Alan Turing selbst, der sich aufgrund seiner Arbeit im Bereich der Berechnungstheorie der Frage zuwandte, die in der Turing-Maschine als universellem Mechanismus bzw. als universelle Theorie für effizient berechenbare Funktionen resultierte. Es war nur konsequent, dass er anfangen würde, über die Menge von Funktionen nachzudenken, die nicht in die oben genannte Klasse fallen, und von dort ist es nur ein kleiner Schritt, über Intelligenz und die möglicherweise zugrunde liegenden Mechanismen zu diskutieren. Abb. 1 zeigt den Ursprung der Künstlichen Intelligenz als Teilmenge eines Spektrums von Disziplinen, das von Ingenieurwesen und Mechatronik über Informatik bis hin zu Kognitionswissenschaften, Neurowissenschaften und sogar Linguistik und Psychologie reicht. Künstliche Intelligenz stellt daher ein Gebiet dar, das für Anwendungen von großem Interesse ist – insbesondere solche Anwendungen, die einen hohen Grad an Autonomie erfordern, wie es die Unterwasserwelt tut.
Eine Übersicht über Herausforderungen und Potenziale für KI-Technologien
KI-Technologie für Unterwasserroboter ; Kapitel : 1 ; 3-18
2023-12-05
16 pages
Aufsatz/Kapitel (Buch)
Elektronische Ressource
Deutsch
> Elektromobilität — Elemente, Herausforderungen, Potenziale
Springer Verlag | 2010
|Potenziale neuer Mobilitätsformen und -technologien für eine nachhaltige Raumentwicklung
TIBKAT | 2016
|Fahrerzustandserkennung im Kraftfahrzeug - Herausforderungen und Potenziale
Tema Archiv | 2005
|Elektromobilität : Potenziale und wissenschaftlich-technische Herausforderungen
LUH Institutsbestände | 2010
|