Algorithmen finden sich in praktisch jedem Computerprogramm. Ein Algorithmus enthält Anweisungen, die Schritt für Schritt befolgt werden, um ein bestimmtes Problem zu lösen. Die Anweisungen finden sich vorwiegend in der Software wieder und liegen in deren Quellcode, also dem für Menschen lesbaren, in einer Programmiersprache geschriebenen Text eines Computerprogramms. Algorithmen sind so vielfältig wie ihre Anwendungen. Der Kürzeste-Pfade-Algorithmus berechnet beispielsweise die schnellsten Routen in Navigationssystemen, der PageRank-Algorithmus liegt der Ausgabe von Ergebnissen in Online-Suchmaschinen zugrunde.
Teilgebiet der Informatik, das sich mit → maschinellem Lernen und der Umsetzung intelligenten Handelns in → Algorithmen auseinandersetzt. Ziel ist die Nachbildung kognitiver Fähigkeiten des Menschen in Computersystemen. Künstliche Intelligenz wird in vielen Branchen und Bereichen, die mit großen Datenmengen arbeiten, eingesetzt. Dazu gehören sowohl in der Industrie als auch in Privathaushalten digitale Assistenten (beispielsweise Siri, Alexa oder Navigationssysteme), Unterstützungssysteme in der Produktion, Planungsinstrumente in der Logistik oder Smart Home Anwendungen.
Modell aus dem Bereich der → KI, das an den Aufbau des menschlichen Gehirns mit der Vernetzung von Neuronen/Nervenzellen angelehnt ist. Die Programmstruktur des Netzwerks beinhaltet Datenknoten, die in Schichten vernetzt sind. Die Verbindungen der Schichten untereinander werden durch verschiedene Trainingsdaten und Methoden unterschiedlich gewichtet. Je nach Komplexität der Neuronenvernetzung (Anzahl der Schichtung) können vielschichtige Muster erkannt und verarbeitet werden (→ Deep Learning).
(deutsch: ‘tiefgehendes Lernen’)
Teilbereich des → maschinellen Lernens (englisch: ‘Machine Learning’), der den Programmaufbau von → künstlichen neuronalen Netzwerken mit einer komplexen inneren Programmstruktur aus mehreren Schichten beschreibt. Die Algorithmen entwickeln selbstständig Lernmodelle, indem sie verschiedene Daten auf unterschiedlichen Schichten miteinander abgleichen, verknüpfen und daraus Rückschlüsse bilden. Die Maschine lernt zu lernen und Entscheidungen zu treffen. Die Rechenprozesse sind bei Deep Learning aufwändiger und benötigen mehr Rechnerleistung als bei
einfachem Machine Learning.
GAN steht für ‘Generative Adversarial Networks Algorithm’ und ist eine Handlungsanweisung für erzeugende gegensätzliche Netzwerke. Modell aus dem Bereich des → Machine Learning, das aus zwei → künstlichen neuronalen Netzwerken besteht, deren → Algorithmen gegensätzliche Aufgaben beim Lernen haben. Diese sollen sich gegeneinander ausspielen. Auf Grundlage von vorgegebenen Daten werden neue Daten von Netzwerk 1 (Generator) erzeugt und vom ‘gegensätzlichen’ Netzwerk 2 (Diskriminator) bewertet. Durch Abgleich der Ergebnisse lernt der Algorithmus dazu und erzeugt immer neue Daten, die nicht mehr durch Netzwerk 2 von den echten ursprünglichen Daten unterschieden werden können. Es entstehen immer perfektere „Täuschungen“ oder „Fälschungen“. Zu den Anwendungsmöglichkeiten gehören z. B. die Erstellung fotorealistischer Abbildungen (→ StyleGAN) oder die nutzerorientierte Kommunikation mit Chatbots. Ziel ist, den Nutzer:innen den Eindruck von Echtheit bei Bildern oder Kommunikation zu vermitteln.
Gesichtsgenerator-Software auf Grundlage eines → GAN-Modells zur Erzeugung künstlich zusammengefügter fotorealistischer Abbildungen von menschlichen Gesichtern. Die Abbildung des künstlichen Gesichts wird auf verschiedenen Schichten schrittweise aufgebaut, wobei die unterschiedlichen Merkmale (Form, Farbe) einzeln gesteuert werden. So entstehen hochauflösende, authentisch aussehende Bilder von Menschen,
die es nicht gibt.
(deutsch: ‘Latenter/versteckter Raum’)
Der Raum, in dem Daten nach ihrer Eingabe in ein → KI-System und vor ihrer Umrechnung und Ausgabe zwischengelagert sind. Im → GAN-Modell nimmt der Generator einzelne Dateninformationen aus dem Latent Space und erzeugt daraus neue Daten. So entstehen in diesem versteckten Raum aus Informationen wie Bild- oder Audiodaten, die die KI verarbeitet und gelernt, dort vermischt oder auch erfunden hat, neue akustische, visuelle Welten. Die Ergebnisse können ebenso abstrakt wie konkret sein.
Methode der künstlichen Intelligenz (→ KI), bei der Systeme automatisch aus Trainingsdaten und Erfahrungen lernen und sich optimieren, ohne zuvor mit definierten Regeln oder einem Lösungsweg programmiert worden zu sein. Maschinelles Lernen findet sich in einer Vielzahl unterschiedlichster Einsatzgebiete vom Spam-Filter, über personalisierte Werbung bis zu autonomem Fahren.
Systeme zur Mustererkennung bestimmen, verarbeiten und ordnen Daten in verschiedene Kategorien auf der Grundlage von Mustern wie z. B. Wiederholungen, Ähnlichkeiten, Gesetzmäßigkeiten. Typische Anwendungsgebiete sind u. a. Sprach-, Text- und Gesichtserkennung. Das können Technologien zur Gesichtserkennung oder der Erkennung von Fingerabdrücken bei Mobiltelefonen, aber auch Unterstützungssysteme bei ärztlichen Diagnosen sein.
Ein spezielles → künstliches neuronales Netzwerk aus der Gruppe der Convolutional Neural Networks (deutsch: ‘faltendes neuronales Netzwerk’), das u. a. zur Datenverarbeitung von Bild- oder Audiodaten in → KI-Technologien genutzt wird. Der Name VGG-16 steht für das Entwicklerteam (VGG - Visual Geometry Group/University of Oxford) und die Netzwerkstruktur, die aus 16 Faltungsschichten besteht.