Diese Seite erscheint auf Englisch, bis eine vollständige Übersetzung vorliegt.
Zurück zur AkademieWissenschaftliche Definitionen und tiefe operative Phasen von Systemen der Künstlichen Intelligenz
Akademische Note:
Künstliche Intelligenz (KI) ist ein multidimensionales Feld; infolgedessen definieren Informatiker, Technologieinstitutionen und internationale Organisationen sie aus unterschiedlichen Perspektiven (wissenschaftlich, entwicklungsbezogen, angewandt und rechtlich).
5 wissenschaftliche und offizielle Definitionen aus anerkannten globalen Quellen
Definition von John McCarthy:
„Die Wissenschaft und Technik der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme, die Aufgaben ausführen können, die menschliche Intelligenz erfordern.“
Definition der Stanford University:
„Ein Zweig der Informatik, der sich auf das Verstehen und Bauen von Systemen und Maschinen konzentriert, die in der Lage sind, menschliche kognitive und geistige Fähigkeiten nachzuahmen, einschließlich Lernen, Schlussfolgern und Problemlösen.“
Definition von IBM:
„Künstliche Intelligenz ist eine Technologie, die Computer und künstliche Modelle nutzt, um Lernen, Schlussfolgern und die Ausführung von Aufgaben analog zur menschlichen intellektuellen Kapazität zu ermöglichen, indem große Datenmengen verarbeitet und Algorithmen angewendet werden.“
Definition der OECD:
„Ein computerbasiertes System, das mit einem gewissen Grad an Autonomie arbeitet und auf der Grundlage von Eingabedaten von Menschen definierte Ziele ableitet, um Vorhersagen, Empfehlungen oder Entscheidungen zu generieren, die physische oder digitale Umgebungen beeinflussen.“
Definition des Merriam-Webster Dictionaries:
„Die Fähigkeit eines Computerzweigs, Aufgaben auszuführen, die traditionell menschliche Intelligenz erfordern, wie Sprachübersetzung, Spracherkennung, Entscheidungsfindung und komplexe Datenanalyse.“
Tiefe operative Phasen von KI-Systemen in der wissenschaftlichen Praxis
Datenerfassung ➔ Vorverarbeitung & Vektorisierung ➔ Modelltraining & Backpropagation ➔ Validierung & Evaluierung ➔ Bereitstellung & Inferenz
Datenerfassung und -sammlung (Data Acquisition & Collection):
Wissenschaftliche Details: In der wissenschaftlichen Forschung bestimmen Qualität und Art der gesammelten Daten die Lebensfähigkeit des Modells. Daten werden in textuelle, visuelle und numerische Formate kategorisiert.
Algorithmische Dimension: Techniken wie (Web Scraping, APIs, Sensor Telemetry, and Synthetic Data Generation) werden eingesetzt, um Big Data bereitzustellen, die für das Training komplexer Modelle erforderlich sind.
Datenvorverarbeitung und -transformation (Data Preprocessing & Transformation):
Wissenschaftliche Details: Rohdaten enthalten Rauschen und Inkonsistenzen. Diese Phase führt (Tokenization, Normalization, Standardization, and Vectorization) aus.
Mathematische Dimension: Transformation unstrukturierter Daten in Matrizen und Vektoren über lineare Algebra-Operationen, was die numerische Berechnung durch Computersysteme ermöglicht.
Modellarchitektur und Trainingsphase (Model Architecture & Training Phase):
Wissenschaftliche Details: Das primäre KI-Paradigma wird hier festgelegt; entweder klassisches maschinelles Lernen (z. B. Random Forest, Support Vector Machines) oder Deep Learning (z. B. Convolutional Neural Networks - CNN für Bildverarbeitung oder Transformer-Modelle für Text).
Mathematische Dimension: Minimierung des Fehlerverlusts über Gradientenabstiegs- (Gradient Descent) und Backpropagation-Algorithmen, um die Gewichte (Weights) über die Schichten des neuronalen Netzes hinweg zu aktualisieren.
Evaluierung, Validierung und Testen (Evaluation, Validation & Testing):
Wissenschaftliche Details: Um die Generalisierung des Modells auf ungesehenen Daten zu gewährleisten und Überanpassung (Overfitting) oder Unteranpassung (Underfitting) zu verhindern, werden die Daten in Trainings-, Validierungs- und Testsets unterteilt.
Wissenschaftliche Metriken: Verwendung statistischer Evaluierungsmetriken wie (Accuracy, Precision, Recall, F1-Score, and ROC-AUC) zur Messung der Zuverlässigkeit von Modellentscheidungen.
Bereitstellung und Inferenz (Deployment & Inference):
Wissenschaftliche Details: Übergang des trainierten Modells aus der Laborumgebung in die reale Produktionsinfrastruktur über Cloud-APIs.
Inferenzprozess (Inference): Das System verarbeitet neue Eingaben über Wahrscheinlichkeitsrechnungen und balanciert dabei Latenz und genutzte Hardwareressourcen aus.
Referenzen (References)
Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Grundlegendes Referenzwerk für Kernkonzepte, algorithmische Logik und neuronale Netzstrukturen.
Verfügbar unter: Pearson - Artificial Intelligence: A Modern Approach
Stanford University (2024). Artificial Intelligence Index Report / What is AI?. Stanford Institute for Human-Centered Artificial Intelligence (HAI).
Offizielle Definition und wissenschaftlicher Rahmen des Stanford HAI.
Verfügbar unter: Stanford HAI AI Index
IBM Cloud Education (2023). What is Artificial Intelligence? & Machine Learning Workflows. IBM Documentation.
Technologischer Rahmen für Datenerfassung, Algorithmentraining und Modellbereitstellung.
Verfügbar unter: IBM Topics - Artificial Intelligence
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media.
Praktische Referenz für Datenvorverarbeitung, Pipeline-Bau und Workflows des maschinellen Lernens.
Verfügbar unter: O'Reilly Online Learning
OECD (2021). OECD Framework for the Classification of AI Systems. OECD Digital Economy Papers.
Internationaler Politikrahmen und globale Standards für die Klassifizierung autonomer KI-Systeme.
Verfügbar unter: OECD AI Policy Observatory
Google Cloud Architecture Center (2024). Machine Learning Operations (MLOps) Framework & Data Pipelines. Google Documentation.
Zentrale technische Referenz für Datenerfassung, Pipeline-Engineering, Training und MLOps-Bereitstellung.
Verfügbar unter: Google Cloud MLOps Framework
Künstliche Intelligenz (KI) ist ein multidimensionales Feld; infolgedessen definieren Informatiker, Technologieinstitutionen und internationale Organisationen sie aus unterschiedlichen Perspektiven (wissenschaftlich, entwicklungsbezogen, angewandt und rechtlich).
5 wissenschaftliche und offizielle Definitionen aus anerkannten globalen Quellen
Definition von John McCarthy:
„Die Wissenschaft und Technik der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme, die Aufgaben ausführen können, die menschliche Intelligenz erfordern.“
Definition der Stanford University:
„Ein Zweig der Informatik, der sich auf das Verstehen und Bauen von Systemen und Maschinen konzentriert, die in der Lage sind, menschliche kognitive und geistige Fähigkeiten nachzuahmen, einschließlich Lernen, Schlussfolgern und Problemlösen.“
Definition von IBM:
„Künstliche Intelligenz ist eine Technologie, die Computer und künstliche Modelle nutzt, um Lernen, Schlussfolgern und die Ausführung von Aufgaben analog zur menschlichen intellektuellen Kapazität zu ermöglichen, indem große Datenmengen verarbeitet und Algorithmen angewendet werden.“
Definition der OECD:
„Ein computerbasiertes System, das mit einem gewissen Grad an Autonomie arbeitet und auf der Grundlage von Eingabedaten von Menschen definierte Ziele ableitet, um Vorhersagen, Empfehlungen oder Entscheidungen zu generieren, die physische oder digitale Umgebungen beeinflussen.“
Definition des Merriam-Webster Dictionaries:
„Die Fähigkeit eines Computerzweigs, Aufgaben auszuführen, die traditionell menschliche Intelligenz erfordern, wie Sprachübersetzung, Spracherkennung, Entscheidungsfindung und komplexe Datenanalyse.“
Tiefe operative Phasen von KI-Systemen in der wissenschaftlichen Praxis
Datenerfassung ➔ Vorverarbeitung & Vektorisierung ➔ Modelltraining & Backpropagation ➔ Validierung & Evaluierung ➔ Bereitstellung & Inferenz
Datenerfassung und -sammlung (Data Acquisition & Collection):
Wissenschaftliche Details: In der wissenschaftlichen Forschung bestimmen Qualität und Art der gesammelten Daten die Lebensfähigkeit des Modells. Daten werden in textuelle, visuelle und numerische Formate kategorisiert.
Algorithmische Dimension: Techniken wie (Web Scraping, APIs, Sensor Telemetry, and Synthetic Data Generation) werden eingesetzt, um Big Data bereitzustellen, die für das Training komplexer Modelle erforderlich sind.
Datenvorverarbeitung und -transformation (Data Preprocessing & Transformation):
Wissenschaftliche Details: Rohdaten enthalten Rauschen und Inkonsistenzen. Diese Phase führt (Tokenization, Normalization, Standardization, and Vectorization) aus.
Mathematische Dimension: Transformation unstrukturierter Daten in Matrizen und Vektoren über lineare Algebra-Operationen, was die numerische Berechnung durch Computersysteme ermöglicht.
Modellarchitektur und Trainingsphase (Model Architecture & Training Phase):
Wissenschaftliche Details: Das primäre KI-Paradigma wird hier festgelegt; entweder klassisches maschinelles Lernen (z. B. Random Forest, Support Vector Machines) oder Deep Learning (z. B. Convolutional Neural Networks - CNN für Bildverarbeitung oder Transformer-Modelle für Text).
Mathematische Dimension: Minimierung des Fehlerverlusts über Gradientenabstiegs- (Gradient Descent) und Backpropagation-Algorithmen, um die Gewichte (Weights) über die Schichten des neuronalen Netzes hinweg zu aktualisieren.
Evaluierung, Validierung und Testen (Evaluation, Validation & Testing):
Wissenschaftliche Details: Um die Generalisierung des Modells auf ungesehenen Daten zu gewährleisten und Überanpassung (Overfitting) oder Unteranpassung (Underfitting) zu verhindern, werden die Daten in Trainings-, Validierungs- und Testsets unterteilt.
Wissenschaftliche Metriken: Verwendung statistischer Evaluierungsmetriken wie (Accuracy, Precision, Recall, F1-Score, and ROC-AUC) zur Messung der Zuverlässigkeit von Modellentscheidungen.
Bereitstellung und Inferenz (Deployment & Inference):
Wissenschaftliche Details: Übergang des trainierten Modells aus der Laborumgebung in die reale Produktionsinfrastruktur über Cloud-APIs.
Inferenzprozess (Inference): Das System verarbeitet neue Eingaben über Wahrscheinlichkeitsrechnungen und balanciert dabei Latenz und genutzte Hardwareressourcen aus.
Referenzen (References)
Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Grundlegendes Referenzwerk für Kernkonzepte, algorithmische Logik und neuronale Netzstrukturen.
Verfügbar unter: Pearson - Artificial Intelligence: A Modern Approach
Stanford University (2024). Artificial Intelligence Index Report / What is AI?. Stanford Institute for Human-Centered Artificial Intelligence (HAI).
Offizielle Definition und wissenschaftlicher Rahmen des Stanford HAI.
Verfügbar unter: Stanford HAI AI Index
IBM Cloud Education (2023). What is Artificial Intelligence? & Machine Learning Workflows. IBM Documentation.
Technologischer Rahmen für Datenerfassung, Algorithmentraining und Modellbereitstellung.
Verfügbar unter: IBM Topics - Artificial Intelligence
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O'Reilly Media.
Praktische Referenz für Datenvorverarbeitung, Pipeline-Bau und Workflows des maschinellen Lernens.
Verfügbar unter: O'Reilly Online Learning
OECD (2021). OECD Framework for the Classification of AI Systems. OECD Digital Economy Papers.
Internationaler Politikrahmen und globale Standards für die Klassifizierung autonomer KI-Systeme.
Verfügbar unter: OECD AI Policy Observatory
Google Cloud Architecture Center (2024). Machine Learning Operations (MLOps) Framework & Data Pipelines. Google Documentation.
Zentrale technische Referenz für Datenerfassung, Pipeline-Engineering, Training und MLOps-Bereitstellung.
Verfügbar unter: Google Cloud MLOps Framework