Prädiktive künstliche Intelligenz (KI) bezieht sich auf den Einsatz von maschinellem Lernen, um Muster in vergangenen Ereignissen zu erkennen und Vorhersagen über zukünftige Ereignisse zu treffen.
Nach Lektüre dieses Artikels können Sie Folgendes:
Ähnliche Inhalte
Was ist künstliche Intelligenz (KI)?
Was ist maschinelles Lernen?
Was ist ein Large Language Model (LLM)?
Was sind Einbettungen?
Vektordatenbank
Abonnieren Sie theNET, Cloudflares monatliche Zusammenfassung der beliebtesten Einblicke in das Internet!
Link zum Artikel kopieren
Prädiktive künstliche Intelligenz (KI) ist die Fähigkeit eines Computerprogramms, mit Hilfe statistischer Analysen Muster zu erkennen, Verhalten vorherzusagen und zukünftige Ereignisse zu prognostizieren. Statistische Verfahren werden schon seit langem eingesetzt, um Vorhersagen über die Zukunft zu treffen. Durch maschinelles Lernen und den Zugriff auf riesige Datenmengen macht prädiktive KI statistische Analysen schneller und (theoretisch) genauer. Auch wenn es keine Garantie dafür gibt, dass die Vorhersagen zutreffen, kann prädiktive KI Unternehmen dabei helfen, sich auf die Zukunft vorzubereiten und die Erfahrungen ihrer Kunden zu personalisieren.
Angenommen, Joey ist ein Fischer, der wissen muss, wie das Wetter wird, bevor er mit seinem Boot hinausfährt. In den letzten Monaten hat er an jedem Morgen, an dem der Himmel rot war, einen Sturm erlebt. Joey kommt zu dem Schluss, dass ein roter Himmel am Morgen eine Warnung vor einem kommenden Sturm ist. Prädiktive KI kommt zu ähnlichen Schlussfolgerungen, aber durch die Analyse von Tausenden von Faktoren (anstatt nur der Farbe des Himmels) und Daten aus Jahrzehnten (anstatt nur einiger Monate).
Die prädiktive KI ist nur eine von vielen Funktionen der KI, die sich auf eine Reihe von Fähigkeiten bezieht, mit denen Computer die menschliche Wahrnehmung nachahmen können.
In der Statistik steigt die Genauigkeit der Analyse in der Regel mit der Datenmenge. So muss eine Umfrage eine Mindestzahl von Befragten aufweisen, um als zuverlässig zu gelten, und wissenschaftliche Studien müssen mehrmals wiederholt werden, um als statistisch signifikant zu gelten.
Auch die prädiktive KI benötigt Zugang zu großen Datenmengen oder „Big Data“, wie es oft genannt wird. Je mehr Daten verfügbar sind, desto genauer sind die Vorhersagen. Während an einer Meinungsumfrage vielleicht einige Tausend Personen teilnehmen, kann ein prädiktives KI-Modell Tausende oder Millionen von Meinungsumfragen berücksichtigen, um Vorhersagen über die öffentliche Meinung oder bevorstehende Wahlen zu treffen.
Ein Teilgebiet der KI ist das maschinelle Lernen. Dabei wird ein Computerprogramm darauf trainiert, Daten ohne menschliches Eingreifen zu erkennen. Wenn ein maschinelles Lernmodell genügend Beispiele für das Nutzerverhalten auf einer Website erhält, kann es beispielsweise lernen, automatisierten Bot-Traffic von menschlichem Traffic auf der Website zu unterscheiden. Oder wenn genügend Fotos eines Himmels und Informationen über das Wetter zur Verfügung stehen, könnte ein maschinelles Lernmodell lernen, einen „roten“ Himmel zu erkennen und bestimmte Arten von Himmel mit stürmischem Wetter in Verbindung zu bringen.
Bei der prädiktiven KI wird maschinelles Lernen auf die oben beschriebenen riesigen Datensätze angewendet. Ein prädiktives KI-Modell kann riesige Datensätze ohne menschliche Aufsicht verarbeiten.
So wie der Fischer Joey das Muster des roten Himmels am Morgen als Zeichen eines aufziehenden Sturms erkannte, lernt prädiktive KI, bestimmte Arten von Daten oder bestimmte Ereignisse zuzuordnen. Prädiktive KI kann Hunderte oder Tausende von Faktoren untersuchen, um Muster zu erkennen, die auf Ereignisse hindeuten, die sich in der Zukunft wiederholen könnten.
Die Anwendungsmöglichkeiten der prädiktiven KI sind vielfältig und weitreichend. Eine Vorstellung von der Zukunft zu haben, kann ein enormer Vorteil für ein Unternehmen sein, auch wenn solche Vorhersagen nicht immer genau sind. Einige der möglichen Anwendungen für prädiktive KI sind:
Sowohl die prädiktive als auch die generative KI nutzen maschinelles Lernen in Verbindung mit dem Zugriff auf eine Vielzahl von Daten. Die prädiktive KI verwendet jedoch maschinelles Lernen, um die Zukunft zu extrapolieren. Die generative KI verwendet maschinelles Lernen, um Inhalte zu erzeugen. Die prädiktive KI-Version des Fischers Joey sagt seinen Fischerkollegen, wann ein Sturm aufzieht. Die generative KI-Version von Joey schreibt einen Roman, der verschiedene Wechselwirkungen zwischen Wetter und Fangreisen beschreibt.
In gewisser Weise ähnelt die generative KI der prädiktiven KI, da sie statistische Analysen verwendet, um „vorherzusagen“, welche Wörter und Konzepte zusammengehören. Die Ziele der generativen KI und der prädiktiven KI sind jedoch unterschiedlich, die verwendeten maschinellen Lernmodelle sind verschieden und die Anwendungsfälle sind unterschiedlich.
Wie die meisten Arten von KI benötigt auch prädiktive KI die Fähigkeit, Datenbanken schnell und effizient abzufragen und Beziehungen zwischen ähnlichen Datenelementen zu finden. Eine Datenbank mit Einbettungen ermöglicht die Abfrage von Ähnlichkeiten.
Einbettungen sind eine Möglichkeit, Informationen so zu speichern, dass Ähnlichkeiten und Beziehungen erkannt werden können. Einbettungen werden von unbeaufsichtigten neuronalen Netzwerkschichten erzeugt und wandeln Informationen in Vektoren um, die sie in einem mathematischen Raum mit anderen Informationen im Datensatz in Beziehung setzen.
Einbettungen, die sich in einem Cluster befinden, können als zusammengehörig betrachtet werden, was eine schnelle Mustererkennung ermöglicht. Wenn „roter Himmel“, „Gewitterwolken“ und „stürmisches Wetter“ in einer Datenbank mit Einbettungen nahe beieinander liegen, kann ein vorausschauendes KI-Modell erkennen, wann ein Sturm aufzieht.