Die datenzentrische KI hingegen begann ernsthaft in den 1970er Jahren mit der Erfindung von Methoden zum automatischen Erstellen von „Entscheidungsbäumen“ und ist im letzten Jahrzehnt mit dem durchschlagenden Erfolg von neuronalen Netzwerken (heute als „Deep Learning“ bezeichnet) an Popularität explodiert “). Datenzentrische künstliche Intelligenz wurde auch als „enge KI“ oder „schwache KI“ bezeichnet, aber der rasante Fortschritt in den letzten zehn Jahren hat ihre Macht demonstriert.
Deep-Learning-Methoden, gepaart mit riesigen Trainingsdatensätzen und beispielloser Rechenleistung, haben bei einem breiten Spektrum enger Aufgaben, von der Spracherkennung bis zum Spielen und mehr, zu Erfolgen geführt. Die Methoden der künstlichen Intelligenz bauen Vorhersagemodelle auf, die durch einen rechenintensiven iterativen Prozess immer genauer werden. In den vergangenen Jahren war der Bedarf an von Menschen gekennzeichneten Daten zum Trainieren der KI-Modelle ein wesentlicher Engpass für den Erfolg. In jüngster Zeit hat sich der Fokus von Forschung und Entwicklung jedoch auf Möglichkeiten verlagert, wie die erforderlichen Etiketten basierend auf der internen Struktur der Daten automatisch erstellt werden können.
Das 2020 von OpenAI veröffentlichte GPT-3-Sprachmodell veranschaulicht sowohl das Potenzial als auch die Herausforderungen dieses Ansatzes. GPT-3 wurde auf Milliarden von Sätzen trainiert. Es generiert automatisch sehr plausiblen Text und beantwortet sogar sinnvoll Fragen zu einer Vielzahl von Themen, wobei es die gleiche Sprache nachahmt, die eine Person verwenden könnte.
Dieser Essay ist Teil des Pakets 2022 Innovators Under 35 des MIT Technology Review, das die vielversprechendsten jungen Menschen auszeichnet, die heute im Technologiebereich arbeiten. Sehen Sie sich hier die vollständige Liste an oder erkunden Sie unten die Gewinner in dieser Kategorie.