KI-Crashkurs: Grundlegende Terminologie für Investoren in künstliche Intelligenz – American Institute For Crypto Investors

Neuauflage von Plato

Verfolger: 0

Eine meiner wichtigsten Regeln für Anleger digitaler Vermögenswerte besteht darin, ihre Investitionen erklären zu können, aber da die KI so schnell voranschreitet, wie man künstliche Intelligenz sagen kann, ist das leichter gesagt als getan.

Vor allem, wenn Phrasen wie „Deep Learning“, „Neuronale Netze“ und „Verarbeitung natürlicher Sprache“ herumgeworfen werden, als wären sie einfaches Englisch.

Für neue Investoren kann die KI-Lernkurve sogar noch steiler sein. Als ich zum ersten Mal in diesen Markt einstieg, verstand ich vielleicht 10 % von dem, was ich las. Aber als ich erst einmal einige grundlegende KI-bezogene Fachbegriffe definieren konnte, wurde mir endlich klar, wie groß die Möglichkeiten dieser Technologie sind. Und dann Ich konnte meine Investitionen erklären.

Um Ihnen dabei zu helfen, dasselbe zu tun, habe ich Karteikarten mit grundlegender KI-Terminologie zusammengestellt, damit Sie besser verstehen, wie es funktioniert und warum es wertvoll ist.

Ich möchte, dass Sie sich auch ein kurzes Video ansehen, in dem ich Ihnen die einzelnen Definitionen erläutere und Beispiele dafür gebe, wie sie sich auf KI beziehen.

Starten Sie hier Ihren KI-Crashkurs…

Schritt eins: Sehen Sie sich zunächst den 15-minütigen Crashkurs an, in dem ich 16 grundlegende Definitionen behandle, die jeder KI-Investor kennen sollte.

Schritt zwei: Verwenden Sie die folgenden Lernkarten, um diese Definitionen zu studieren. Sie müssen sie nicht perfekt auswendig lernen, aber Sie sollten in der Lage sein, die Begriffe jemand anderem zu erklären.

Hier sind die Definitionen, die Sie als Referenz verwenden können:

Maschinelles lernen: Eine Teilmenge der KI, die die Entwicklung von Algorithmen und statistischen Modellen umfasst, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen, ohne explizit dafür programmiert zu werden.
Tiefes Lernen: Eine Teilmenge des maschinellen Lernens, die künstliche neuronale Netze mit vielen Schichten verwendet, um Computern das Lernen aus großen Mengen unstrukturierter Daten zu ermöglichen.
Verarbeitung natürlicher Sprache (NLP): Eine Teilmenge der KI, bei der es darum geht, Maschinen beizubringen, menschliche Sprache zu verstehen, zu interpretieren und darauf zu reagieren.
Robotik: Ein Bereich der KI, der den Entwurf und die Entwicklung von Robotern umfasst, also Maschinen, die Aufgaben autonom oder unter menschlicher Führung ausführen können.
Computer Vision: Eine Teilmenge der KI, bei der Computern beigebracht wird, Bilder und Videos zu interpretieren und zu analysieren.
Neuronale Netze: Eine Art maschinelles Lernmodell, das von der Struktur und Funktion des menschlichen Gehirns inspiriert ist.
Verstärkungslernen: Eine Art maschinelles Lernen, bei der Agenten darin geschult werden, in einer Umgebung Maßnahmen zu ergreifen, um ein Belohnungssignal zu maximieren.
Erzeugung natürlicher Sprache (NLG): Ein Teilbereich der Verarbeitung natürlicher Sprache (NLP), bei dem Maschinen beigebracht werden, menschenähnliche Sprache zu erzeugen.
Expertensysteme: KI-Systeme, die die Entscheidungsfähigkeiten eines menschlichen Experten in einem bestimmten Bereich nachahmen.
Data-Mining: Der Prozess der Entdeckung von Mustern und Erkenntnissen in großen Datensätzen mithilfe statistischer und rechnerischer Methoden.
Big Data: Extrem große Datensätze, die analysiert werden können, um Muster, Trends und Zusammenhänge aufzudecken, insbesondere in Bezug auf menschliches Verhalten und Interaktionen.
Ethik der künstlichen Intelligenz: Die Untersuchung der ethischen, sozialen und politischen Implikationen von KI-Systemen und -Anwendungen.
Erklärbare KI: KI-Systeme und -Modelle, die Erklärungen oder Begründungen für ihre Entscheidungen oder Vorhersagen liefern können.
Generative Adversarial Networks (GAN): Eine Art Deep-Learning-Modell, das zwei neuronale Netze umfasst, von denen eines gefälschte Daten generiert und das andere zwischen echten und gefälschten Daten unterscheidet.
Faltungsneurale Netze (CNNs): Eine Art neuronales Netzwerk, das häufig für Bilderkennungs- und Computer-Vision-Aufgaben verwendet wird.
Halluzinationen (in AI): Das Phänomen, bei dem ein großes Sprachmodell Text generiert, der kohärent und bedeutungsvoll erscheint, in Wirklichkeit jedoch nicht auf der Realität basiert oder auf sachlichen Informationen basiert.