AIAE » E-LEARNING » INTERVIEW 1
KI-Anwendungen, maschinelles Lernen, Interaktion zwischen Mensch und Maschine
Die folgenden Interviewausschnitte wurden von Pierre Lison gegeben und behandeln verschiedene Themen wie die wichtigsten Anwendungen von KI in unserer Gesellschaft, maschinelles Lernen und die Beziehung zwischen KI und Big Data, Deep Learning, Mensch-Maschine-Interaktion und ihre Ziele sowie die Trends und Herausforderungen der Mensch-Maschine-Interaktion.
Transkript
Also, mein Name ist Kelly Zone. Ich bin leitende Forscherin am Norwegian Computing Center, einem Forschungsinstitut, das sich mit künstlicher Intelligenz, statistischer Modellierung und Informatik im Allgemeinen beschäftigt. Mein Forschungsgebiet ist KI und insbesondere alles, was mit Sprache zu tun hat, so genannte Sprachtechnologien oder natürliche Sprachverarbeitung.
Quiz question 1/8
Der Befragte, Pierre Lison, ist ein leitender
Quiz question 1/1
You have completed the Quiz!
Transkript
Ich danke Ihnen vielmals. Was sind die wichtigsten KI-Technologien und die wichtigsten KI-Anwendungen bis heute?
KI wird bereits in unserem täglichen Leben eingesetzt. Denken Sie nur an Suchmaschinen, Google oder die Computer Vision, die zur Erkennung von Objekten eingesetzt wird, oder an die Code-Balken auf Ihrem Handy oder die Spracherkennung, also alles, was mit komplexen Problemen zu tun hat, die ein gewisses Maß an Intelligenz erfordern, um gelöst zu werden.
Und was ist mit Objekterkennung und Stimmerkennung? Kann man Gesichts- und Spracherkennung damit in Verbindung bringen?
Ja. Alles, was mit der Erkennung von Objekten auf Bildern oder in Videostreams zu tun hat, gehört zu diesem großen Bereich, der Computer Vision genannt wird. Und man kann Objekte erkennen, wobei man die Objekte, die man erkennen will, in gewisser Weise definiert. Zum Beispiel möchte man Sofas oder verschiedene Arten von Möbeln oder Legos oder was auch immer erkennen, dann muss man die Kategorien definieren, die man erkennen möchte. Normalerweise trainiert ein System ein Modell, um diese Arten von Objekten zu erkennen. Bei der Gesichtserkennung ist es das Gleiche, nur dass man hier nicht mit physischen Objekten, sondern mit menschlichen Gesichtern arbeitet. Und auch hier braucht man ein System, das ein Modell trainiert, das verschiedene Arten von Personen anhand ihres Gesichts erkennt. Und bei der Spracherkennung ist es im Grunde dasselbe, außer dass es sich natürlich nicht um eine visuelle Eingabe handelt, sondern um eine Audioeingabe. Aber die Idee ist dieselbe: Man erkennt einige Muster in den Audiodaten, die verschiedene Arten von Klängen definieren, und wenn man die Klänge zusammensetzt, ergeben sie Wörter, sie ergeben Sätze, und dann kann man erkennen, was gesagt wird, und es transkribieren.
Können Sie uns sagen, welche Trends sich heute abzeichnen?
Die künstliche Intelligenz ist bereits ein großer Bereich, der ziemlich schnell wächst. Aber einer der größten Trends entsteht natürlich dank der breiten Verfügbarkeit großer Mengen von Trainingsdaten. Einer der wichtigsten Trends besteht darin, die Technologie so zu erweitern, dass sie wirklich große Datenmengen verarbeiten kann, im Grunde alles, was man im Internet finden kann. Das gilt sowohl für die Sprachtechnologie als auch für Text und Computer Vision, denn im Internet gibt es Milliarden von Bildern. Die Skalierung der Technologie ist also ein wichtiger Trend. Andererseits ist ein wichtiger Trend, den ich sehr interessant finde, die Tatsache, dass sich immer mehr Forscher:innen mit den ethischen Fragen hinter der Technologie befassen. Zum Teil, weil wir zum Beispiel alles, was wir im Internet finden, verwenden, ohne menschliche Personen, deren Bilder gezeigt werden, um ihre Zustimmung zu ihrer Verwendung für diese großen Systeme zu bitten, aber auch, weil wir erkennen, dass KI wirklich einen Einfluss auf unser tägliches Leben hat. Und dann sollten wir darüber nachdenken, ob KI zum Beispiel voreingenommen sein oder Stereotypen ausdrücken oder hasserfüllt werden kann, manchmal sogar, weil sie mit Daten trainiert wurde, die überall im Web zu finden sind. Und wir wissen, dass das Web manchmal ein seltsamer Ort ist. Wir sollten also darüber nachdenken, wie KI funktioniert, was lernt das Modell, wenn es das Web nach Daten durchsucht, und wie können wir sicherstellen, dass es unsere Erwartungen erfüllt? Und natürlich die Vorschriften zur Nicht-Diskriminierung. Zum Beispiel.
Quiz question 1/8
Nach Meinung des Experten werden KI-Anwendungen in unserer Gesellschaft und in unserem täglichen Leben bereits in großem Umfang eingesetzt.
Quiz question 1/8
Suchmaschinen, Google, Computer Vision, Spracherkennung, Objekt-/Gesichtserkennung, Sprachtechnologie sind Beispiele für KI-Technologien und KI-Anwendungen.
Quiz question 1/8
Die Erkennung von Objekten auf Bildern und Videobildschirmen gehört nicht zu diesem großen Bereich, der als Computer Vision bezeichnet wird.
Quiz question 1/8
Beim Computersehen (Computer Vision) geht es darum, ein Modell zu trainieren, das Muster wie physische Objekte, menschliche Stimmen und Gesichter, visuelle, Audio- oder Videoeingaben erkennt.
Quiz question 1/8
Laut dem Experten entwickelt sich die KI nicht schnell weiter.
Quiz question 1/8
Big-Data-Analytik ist einer der aufkommenden Technologietrends, der die Verarbeitung einer sehr großen Datenmenge ermöglicht.
Quiz question 1/8
Forscher:innen halten die ethischen Fragen hinter den KI-Technologien nicht für wichtig.
Quiz question 1/8
Nach Meinung des Experten hat KI keinen Einfluss auf unseren Alltag und unsere Gesellschaft.
Quiz question 1/1
You have completed the Quiz!
Transkript
Jetzt werden wir ein wenig mehr über maschinelles Lernen sprechen. Können Sie uns sagen, was maschinelles Lernen ist und wie es funktioniert?
Also, maschinelles Lernen ist ein Zweig der künstlichen Intelligenz (KI), der jedoch als der dominierende Zweig der künstlichen Intelligenz bekannt geworden ist. Es geht darum, Modelle für eine bestimmte Aufgabe zu erstellen, wobei die Dinge nicht vorprogrammiert sind, sondern aus Daten gelernt werden. Anstatt also detaillierte Regeln darüber aufzuschreiben, was das System in jeder Situation tun soll, stellt man einige Daten, Trainingsdaten, zur Verfügung, weil man versucht, das System anhand dieser Daten lernen zu lassen. Das System erkennt dann automatisch einige Muster, die für die jeweilige Aufgabe nützlich sind und wendet sie automatisch auf neue Daten an, sobald es gelernt hat.
Können Sie uns sagen, wie maschinelles Lernen mit künstlicher Intelligenz und auch mit Big Data zusammenhängt?
Ja. Was die Beziehung zur künstlichen Intelligenz betrifft, so ist es die dominierende Methode zur Lösung komplexer KI-Aufgaben geworden. Das maschinelle Lernen erfolgt auf der Grundlage großer Trainingssätze, und das ist auch der Zusammenhang mit Big Data, denn man lernt Modelle für verschiedene Aufgaben anhand großer Datensätze. Es besteht also ein direkter Bezug zu Big Data.
Quiz question 1/8
Maschinelles Lernen ist:
Quiz question 1/8
Beim maschinellen Lernen geht es um: (2 richtige Antworten)
Quiz question 1/8
Maschinelles Lernen: (2 richtige Antworten)
Quiz question 1/1
You have completed the Quiz!
Transkript
Und was ist der Unterschied zwischen maschinellem Lernen und Deep Learning?
Deep Learning ist eine besondere Art von Technologie für maschinelles Lernen. Es ist nicht die einzige, aber sie ist für einige Arten von Problemen sehr beliebt geworden. Beim Deep Learning geht es darum, so genannte neuronale Netze mit vielen Schichten der Verarbeitung lernen zu lassen. Man hat also ein recht komplexes mathematisches Modell, das aus kleinen Rechenknoten besteht, die Informationen empfangen und dann an andere Neuronen oder andere Rechenknoten weiterleiten, die bestimmte mathematische Eigenschaften haben. Und obwohl diese kleinen Knoten für sich genommen recht einfach sind, kann die Tatsache, dass man sie miteinander kombiniert und zu großen Netzen mit Millionen solcher Knoten verbindet, ähnlich wie in unserem Gehirn, wo die Neuronen miteinander verbunden sind, dazu führen, dass Systeme lernen, komplizierte Aufgaben auszuführen. Zum Beispiel tiefe neuronale Netze. Und Deep Learning wird für die maschinelle Übersetzung eingesetzt. Wir wissen, dass die automatische Übersetzung, wie bei Google Translate, eine komplizierte Aufgabe ist: Man muss den Kontext des Satzes verstehen. Man muss die linguistischen Eigenschaften sowohl der Eingabesprache als auch der Zielsprache verstehen. Man muss verstehen, wie Wörter miteinander kombiniert werden, so dass zwei Wörter zusammengesetzt eine Konstruktion ergeben, die unterschiedlich übersetzt wird. Es handelt sich also um wirklich komplexe Aufgaben, und wir wissen, dass Latif bis 2010 mit Hilfe des traditionellen maschinellen Lernens Ergebnisse erzielt hat, die in den meisten Fällen in Ordnung waren, aber schwerwiegende Fehlern und Problemen hatten beispielsweise beim Verstehen von Kontextfaktoren, während Deep-Learning-Netzwerke nachweislich bessere Übersetzungen von hoher Qualität liefern konnten. Dennoch ist das Problem noch lange nicht gelöst und es gibt noch viele Probleme mit der maschinellen Übersetzung, aber es hat sich gezeigt, dass sie besser verstehen, wie man übersetzt.
Und was ist der Unterschied zwischen maschinellem Lernen, Deep Learning und herkömmlicher Programmierung?
Maschinelles Lernen ist ein Oberbegriff für alles, was im Bereich der künstlichen Intelligenz anhand von Daten trainiert wird. Es ist also ein ziemlich großer Bereich. Es umfasst Deep Learning, aber auch andere Techniken, von denen einige bis in die siebziger Jahre zurückreichen. Deep Learning ist zwar eine spezielle Technologie, die auf neuronalen Netzen basiert und in vielen Fällen funktioniert, aber es gibt auch viele andere Techniken, die gut funktionieren und andere interessante Eigenschaften haben. Vielleicht kann ich sagen, worin einer der Hauptmängel von neuronalen Netzen besteht. Zunächst einmal sind große Datenmengen erforderlich, und für einige Probleme stehen große Datenmengen zur Verfügung, was aber bei weitem nicht für alle Probleme gilt, wenn man sie übersetzt. Bei der maschinellen Übersetzung einer Sprache zum Beispiel, für die man nicht viele Ressourcen hat, wird es schwierig sein, Deep Learning einzusetzen. Ein weiteres Problem ist, dass es sich um komplette Black Boxen handelt. Das heißt, man versteht nicht, was das System gelernt hat, und manchmal ist das auch in Ordnung. Man muss nicht immer alles verstehen. Aber nehmen wir an, Sie entwickeln ein System, das entscheidet, ob Sie einer Person einen Kredit geben sollen. Und Sie haben ein System, das möglicherweise auf dem Gehalt der Person basiert und darauf, wo sie wohnt und ob sie verheiratet ist oder nicht, und so weiter und so fort. Verschiedene demografische Faktoren. Und Sie haben ein System, das eine gute Vorhersage darüber treffen kann, ob eine Person Anspruch hat. Aber es ist nicht in der Lage, die Logik für diese Entscheidung zu erklären. Das wird sehr problematisch sein, denn man braucht ein System, das nicht nur eine Antwort gibt, sondern auch erklärt, warum es zu dieser bestimmten Antwort gekommen ist. Das ist also ein wichtiges Manko neuronaler Netze. Aus diesem Grund haben maschinelle Lernsysteme manchmal eine etwas geringere Leistung, sind aber in der Lage, die Schritte, also die Verarbeitungsschritte hinter ihrer Entscheidung zu erklären. Es gibt also keine einheitliche Methode zur Bewertung dieser Modelle. Es gibt verschiedene Arten von Vor- und Nachteilen hinter verschiedenen Arten von Technologien. Ja, und die traditionelle Programmierung ist einfach das, was man macht, wenn man das Modell nicht lernen lässt, wo man einfach alle Regeln im Voraus programmiert.
Quiz question 1/8
Deep Learning ist die einzige Technologie für maschinelles Lernen.
Das Ziel von Deep Learning ist es, neuronale Netze mit vielen Verarbeitungsschichten zu trainieren.
Systeme können dank dieser vielen Knoten, die in einem großen Netz solcher Knoten kombiniert und verbunden sind, lernen, wie man komplizierte Aufgaben ausführt.
Deep Learning wurde bei der maschinellen Übersetzung eingesetzt, also bei der automatischen Übersetzung.
Bei der maschinellen Übersetzung, wie z. B. bei Google Translate, muss man den Kontext der Sätze, die sprachlichen Eigenschaften der beiden Sprachen oder die Kombinationsmöglichkeiten von Wörtern nicht verstehen.
Die tiefe neuronale maschinelle Übersetzung funktioniert besser und ist von höherer Qualität als die herkömmliche maschinelle Übersetzung, muss aber noch stark verbessert werden.
Maschinelles Lernen ist ein sehr allgemeiner Begriff für alles, was in der KI mit Daten trainiert wird.
Maschinelles Lernen schließt Deep Learning nicht ein.
Deep Learning ist eine sehr spezielle Technologie, die auf neuronalen Netzen basiert.
Bei der traditionellen Programmierung werden die Regeln im Voraus programmiert und die Modelle nicht trainiert.
Quiz question 1/1
You have completed the Quiz!
Transkript
Sie haben ja bereits die maschinelle Übersetzung erwähnt. Können Sie vielleicht ein oder mehrere Beispiele für den Einsatz von maschinellem Lernen nennen?
Ja. Also maschinelles Lernen bei der Suche, wie bei der Google-Suche, bei Suchmaschinen, beim maschinellen Sehen, bei der Spracherkennung. Es wird dort grundsätzlich für jede Art von Klassifizierung oder Vorhersage verwendet. Und die meisten Unternehmen haben heutzutage eine Art von System. Sie automatisieren einige ihrer Entscheidungen oder Vorhersagen. In der Robotik gab es schon immer viele maschinelle Lernmodelle, die den Robotern helfen zu entscheiden, was sie tun sollen und wie sie es tun sollen. In der Industrie werden maschinelles Lernen und Deep Learning sehr stark genutzt. Früher waren es statistische Modelle und maschinelle Lernmodelle, die für die Entwicklung dieser Technologie verwendet wurden.
Sie haben bereits einige Vorteile und Möglichkeiten des maschinellen Lernens für die Gesellschaft genannt. Können Sie vielleicht noch weitere nennen?
Einer der Hauptvorteile ist wahrscheinlich die Automatisierung. Es geht um die Automatisierung von Aufgaben, die sich vielleicht wiederholen. Etwas Interessantes, ja, das habe ich vielleicht vergessen zu erwähnen. Aber auch alles, was man mit autonomen, teilautonomen Autos macht. Das ist auch ein weiteres Beispiel dafür, dass ein Großteil des Fahrens repetitiv ist, Routine ist. Es geht im Grunde darum, nach Mustern zu suchen. Und Computer sind ziemlich gut darin, Muster zu erkennen und dies systematisch zu tun. 24 Stunden am Tag, 7 Tage die Woche, während menschliche Fahrer notorisch schlecht darin sind, stundenlang den Überblick über das Geschehen auf der Straße zu behalten. Das ist ein weiterer Fall, in dem die Automatisierung eines Prozesses, der in den meisten Fällen mehr oder weniger routinemäßig und repetitiv abläuft, von großem Nutzen sein kann. Natürlich ist das ein gutes Beispiel, denn vieles, was auf der Straße passiert, ist repetitiv. Aber manchmal gibt es auch eine komplexe Situation, etwas Unerwartetes, das auf der Straße passiert. Und maschinelles Lernen basiert auf historischen Daten. Es lernt aus dem, was man in der Vergangenheit gesehen hat, und versucht, daraus zu verallgemeinern. Aber die Fähigkeit zur Verallgemeinerung ist viel schwächer als die, die wir als Menschen haben. Während wir also eine neue Situation, die sich entwickelt, schnell verstehen können, ist das für Computer viel schwieriger.
1/3: Wo wird maschinelles Lernen heutzutage eingesetzt?
Bitte versuche zuerst die Frage selbst zu beantworten und klicke dann auf "next", um unsere Antwort zu sehen.1/3: Wo wird maschinelles Lernen heutzutage eingesetzt?
In der maschinellen Übersetzung, in Suchmaschinen wie Google Search, im maschinellen Sehen, in der Spracherkennung, in der automatischen Entscheidungsfindung, in Klassifizierungen und Vorhersagen, in der Robotik und in autonomen Autos.2/3: Was ist der größte Vorteil des maschinellen Lernens für die Gesellschaft?
Bitte versuche zuerst die Frage selbst zu beantworten und klicke dann auf "next", um unsere Antwort zu sehen.2/3: Was ist der größte Vorteil des maschinellen Lernens für die Gesellschaft?
Automatisierung von sich wiederholenden und monotonen Aufgaben und Prozessen.3/3: Worauf basiert das maschinelle Lernen?
Bitte versuche zuerst die Frage selbst zu beantworten und klicke dann auf "next", um unsere Antwort zu sehen.3/3: Worauf basiert das maschinelle Lernen?
Historische Daten beim überwachten maschinellen Lernen, Lernen aus dem, was wir in der Vergangenheit gesehen haben, und Verallgemeinerung daraus.Quiz question 1/1
You have completed the Quiz!
Transkript
Nun werden wir uns der Interaktion zwischen Mensch und Maschine zuwenden. Was sind Ihrer Meinung nach die Ziele der Interaktion zwischen Mensch und Maschine?
Das Ziel der Mensch-Maschine-Interaktion besteht einfach darin, gute Schnittstellen zwischen einem Menschen, der eine bestimmte Aufgabe erfüllen möchte, und einer Maschine, die diese Aufgabe unterstützt, zu schaffen. Und eine grafische Benutzeroberfläche ist ein sehr einfaches Beispiel dafür. Aber natürlich gehört alles, was mit Interaktion, mit Technologie zu tun hat, dazu. Ich habe zum Beispiel an sprechenden Robotern gearbeitet und das ist eine andere Art von Interaktion, die sich von einem Fenster auf dem Bildschirm unterscheidet, aber es ist auch eine Schnittstelle in dem Sinne, dass man in diesem Fall gesprochene Sprache verwendet, um Anweisungen zu geben und Rückmeldungen darüber zu erhalten, was bei der Ausführung der Aufgabe passiert. Die Frage ist immer, wie wir eine flüssige Kommunikation erreichen können, bei der die Person versteht, was vor sich geht, und einfach vermitteln kann, was zu tun ist.
Und wie können die Geräte gesteuert werden?
Das hängt wirklich von der Technologie ab. Ich meine, bei einem Computerfenster ist es ziemlich einfach, solange man die Schnittstelle versteht, dass ein kleines Kreuz bedeutet, dass man das Fenster schließt. Bei komplizierteren Geräten ist es natürlich etwas schwieriger, weil man etwas finden muss, das intuitiv genug ist, aber auch leistungsfähig genug, um die Möglichkeiten des jeweiligen Geräts auszuschöpfen. Bei einem Roboter zum Beispiel ist die Menge der möglichen Dinge, die der Roboter in der Welt sagen und tun kann, ziemlich groß. Man braucht also eine Art von Transparenz, und das ist einer der Grundgedanken der Mensch-Roboter-Interaktion. Das bedeutet, dass das System so weit wie möglich explizite Signale darüber geben sollte, was das System verstanden hat, was es nicht verstanden hat und wo es sich bei der Ausführung der Aufgabe befindet, damit der Benutzer so weit wie möglich die Kontrolle hat, denn ohne Informationen gibt es keine Kontrolle.
1/3: Was ist das Hauptziel der Mensch-Maschine-Interaktion?
Bitte versuche zuerst die Frage selbst zu beantworten und klicke dann auf "next", um unsere Antwort zu sehen.1/3: Was ist das Hauptziel der Mensch-Maschine-Interaktion?
Gute Schnittstellen zwischen einem Menschen, der eine bestimmte Aufgabe erfüllen möchte, und einer Maschine, die diese Aufgabe erfüllen kann, zu schaffen.2/3: Welche Beispiele für Mensch-Maschine-Interaktion gibt es?
Bitte versuche zuerst die Frage selbst zu beantworten und klicke dann auf "next", um unsere Antwort zu sehen.2/3: Welche Beispiele für Mensch-Maschine-Interaktion gibt es?
Eine grafische Benutzeroberfläche, sprechende Roboter, Interaktion mit Technologien3/3: Wie müssen Werkzeuge/Geräte/Systeme/Maschinen beschaffen sein??
Bitte versuche zuerst die Frage selbst zu beantworten und klicke dann auf "next", um unsere Antwort zu sehen.3/3: Wie müssen Werkzeuge/Geräte/Systeme/Maschinen beschaffen sein?
Intuitiv und transparentQuiz question 1/1
You have completed the Quiz!
Transkript
Wie wird sich die Interaktion zwischen Mensch und Maschine entwickeln und welche Trends zeichnen sich ab?
Nun, ein wichtiger Trend ist, dass es bei der frühen Mensch-Maschine-Interaktion darum ging, dass sich der Mensch an die Beschränkungen der Schnittstelle anpasst, mit der er zu tun hat. In den 70er Jahren gab es sehr komplexe Maschinen mit vielen Knöpfen, und es ging darum, dass der Mensch lernen musste, die Schnittstelle zu bedienen, während die Schnittstelle selbst keinerlei Anpassung erforderte. Heutzutage geht der Trend dahin, dass die Schnittstelle, die Maschine, versucht, sich an den Menschen anzupassen und seine Sprache zu sprechen. Was mich an der Forschung im Bereich der Sprachtechnologie interessiert, ist, Maschinen zu haben, die eine Sprache sprechen und in der Lage sind, mit dem Kommunikationsmedium zu interagieren, das für uns Menschen am intuitivsten ist, nämlich die natürliche gesprochene Sprache, weil wir die meiste Zeit unseres Lebens damit verbracht haben, in gesprochener Sprache miteinander zu reden und einander zuzuhören. Das ist das mächtigste Medium, weil wir Ideen und Gedanken und im Grunde alles auf eine völlig mühelose Art und Weise ausdrücken können, die mit einer starren Schnittstelle, auf der wir auf Schaltflächen klicken müssen, unmöglich wäre. Aber natürlich ist es auch schwierig, denn natürliche Sprache ist mehrdeutig, vage, manchmal widersprüchlich und unsicher. Es muss immer viel interpretiert werden, damit wir uns gegenseitig verstehen. Aber das alles ist interessant, denn eine Maschine, die gesprochene Sprache versteht, ist eine Maschine, für die man keine Ausbildung braucht. Man weiß, wie man seine Muttersprache spricht, und das ist sowohl sehr nützlich als auch benutzerfreundlich. Und in einigen Fällen, wie zum Beispiel beim Autofahren oder beim Kochen, wenn die Hände mitten in der Zubereitung sind, ist dies auch eine der einzigen Möglichkeiten, um eine konkrete Interaktion mit der Maschine zu haben, denn man kann nicht erwarten, dass der Benutzer in einem autonomen Auto die Zeit damit verbringt, auf den Bildschirm zu schauen und Knöpfe zu berühren. In vielen Fällen besteht die Zukunft der Mensch-Roboter-Mensch-Maschine-Interaktion also wirklich darin, dass Systeme mit uns auf eine Art und Weise interagieren können, die uns vertraut ist, entweder durch Sprache oder durch eine visuelle Sprache, die leicht zu verstehen ist.
Und als letzte Frage, Sie haben bereits einige der Chancen und Herausforderungen erwähnt. Fallen Ihnen weitere positive Auswirkungen und auch Herausforderungen der Interaktion zwischen Mensch und Maschine für die Gesellschaft ein?
Nun, da ist immer der Gedanke an die Sprachtechnologie. Ungleicher Zugang und ungleiche Ressourcen sind eine Herausforderung, die über die Interaktion zwischen Mensch und Maschine hinausgeht. Aber ein wichtiges Problem für viele der heutigen Sprachtechnologien ist zum Beispiel, dass Sprachen nicht in gleichem Maße unterstützt werden, und es macht einen großen Unterschied, ob man amerikanisches Englisch spricht oder eine abgelegene afrikanische Sprache, zu der man keinen Zugang hat. Wo Google Translate nicht funktioniert, haben Sie keine Möglichkeit, die Technologie in irgendeiner Weise zu nutzen. Manchmal hat man nicht einmal eine Tastatur auf seinem Handy, um sich in seiner Muttersprache auszudrücken. Und das ist in Zukunft eine große Herausforderung. Ganz zu schweigen natürlich vom Zugang zur Technologie. Ich meine, wenn man erst einmal kein Telefon hat, hat man noch weniger Zugang. Aber die Frage, wie man sicherstellen kann, dass diese Technologie tatsächlich als Gleichmacher eingesetzt wird, anstatt Ungleichheiten in der Welt zu schaffen, ist eine wichtige Herausforderung.
Quiz question 1/8
Ein wichtiger neuer Trend im Bereich des maschinellen Lernens ist die Entwicklung von Maschinen, die sich an menschliche Benutzer:innen
Quiz question 1/1
You have completed the Quiz!