Ich habe mal meinen persönlichen Rückblick auf 2019 in Zahlen zusammengestellt. Es kam erwartungsgemäß nichts Überraschendes dabei heraus.
Schreibe einen KommentarJahr: 2019
Jedes Jahr im November findet der NaNoWriMo statt. Eine Challenge, mit dem Ziel, einen Roman in 30 Tagen zu schreiben. Als Roman gilt hierbei ein Text mit mindestens 50.000 Wörtern. Es muss nicht schlüssig sein, es geht ausschließlich um das Schreiben von rund 1.700 Worten pro Tag. Für mich ist das ein Ziel, dass ich aus Zeitgründen nicht erreichen kann. Dennoch habe ich den Zeitraum von 30 Tagen im November genutzt, um mir eine andere Challenge zu stellen, die mit schreiben zu tun hat. Mein Ziel: Jeden Tag einen Blogeintrag auf dieser Seite veröffentlichen. Länge und Inhalt dürfen variieren. Es geht in erster Linie darum, täglich sinnvolle Texte zu schreiben und zu veröffentlichen.
Schreibe einen KommentarWas tut man heute, wenn man zu irgendwas herausfinden möchte, warum es so ist, wie es ist? Genau, man verwendet eine „KI“! Oder besser gesagt, man analysiert große Datenmengen und zieht beeindruckende Schlüsse daraus. Genau das haben Dashun Wang und seine Kollegen der Northwestern University für das Thema „the essential prerequisite for success“ (die wesentliche Voraussetzung für den Erfolg) gemacht.
Es wurden ganz viele Daten von Unternehmen untersucht, klassifiziert und seziert, um endlich zu erkennen, wie man erfolgreich sein kann. Dabei kamen so erstaunliche Erkenntnisse zutage wie:
- Jeder Gewinner startet als Verlierer
- Erfolgreiche und nicht erfolgreiche Gründer haben ungefähr gleich oft versucht ihr Ziel zu erreichen.
- Ständige Neuversuche sind nur dann erfolgreich, wenn man aus seinen vorherigen Fehlern gelernt hat
- Gescheiterte Versuche lagen meist nicht daran, dass zu wenig gearbeitet wurde
- Fail fast fail often
- Es kommt immer darauf an wie man scheitert.
Ja, so steht es in deren Paper. Mir persönlich ist nicht wirklich klar, welche neuen Erkenntnisse diese Forschung zutage gebracht hat. Man stelle sich nur mal vor, es wäre eine Zauberformel für Erfolg dabei herausgekommen. Alle Neugründungen sind Erfolge! Jeder Mensch ist erfolgreich. Geht nicht? EBEN! Sieht mal wieder ein wenig nach KI Schlangenöl aus.
Schreibe einen Kommentar
Unter Predictive Policing versteht man die Vorhersage von Straftaten. Sie dient auch dazu Wiederholungstäter vorherzusagen. Es gibt einige Firmen, die hierzu schon Computergestützte Systeme anbieten und in Deutschland wird es teilweise schon genutzt. PredPol, PRECOBS, COMPAS und wie sie alle heißen. Das Versprechen ist das Gleiche: Verbrechen vorhersagen, die Rückfallwahrscheinlichkeit nennen oder gar die Wahrscheinlichkeit nennen, an einer Schießerei beteiligt zu sein.
Schon länger wird kontrovers darüber diskutiert. Man spricht von einer Vorhersagequote von rund 67 %. Das entspricht in etwa dem Ergebnis, dass eine Gruppe von Menschen erzielen kann, würden sie einfach wahllos raten. Die zugrunde liegenden Modelle sind nicht offen. Keiner weiß, wie die Algorithmen funktionieren bzw. wie sie trainiert wurden. Es gibt bestätigte Vermutungen, dass die Systeme rassistische Tendenzen haben.
Dass ein Algorithmus auch gezielt rassistisch eingesetzt werden kann, zeigt sich in China. Ein kürzlich geleaktes Dokument beschreibt nicht nur, wie in China Menschen gezielt interniert werden. Es beschreibt ebenfalls, dass eine Software gezielt dafür eingesetzt wird, potenzielle Staatsfeinde zu ermitteln. Grundlage dafür sind die Unmengen an Daten, die über die Menschen in China durch Überwachung gesammelt werden. In China kommuniziert nahezu jeder mit WeChat und bezahlt mittels WeChat Pay. Gepaart mit der flächendeckenden Überwachung kommen einige Daten zusammen. Wird jetzt gezielt nach einer ungeliebten ethnischen Gruppe gesucht, wird einem das Ausmaß klar. Erwähnenswert ist die Tatsache, dass diese ethnische Gruppe keine Minderheit in China ist. Sie ist mit etwas mehr als 10.000.000 Menschen die viertgrößte in China.
Wie hat es Amy Webb in ihrem Buch „The Big Nine“ treffend formuliert:
The G-MAFIA* is beholden to capitalist market forces; the BAT** serves the will of the Chinese government.
Genau so ist es.
* G-MAFIA: Google, Microsoft, Apple, Facebook, IBM, Amazon
**BAT: Baidu, Alibaba, Tencent
Photo by Emiliano Bar on Unsplash
Schreibe einen Kommentar
Die Automobilindustrie ist in einem Wandel, den sie so nicht vorhergesehen hat. Jahre in der Komfortzone haben dazu geführt, dass nur noch auf Profit und nicht auf die Käufer und Benutzer ihrer Produkte geachtet wurde. Es wurde vorsätzlich betrogen und getäuscht. Dank einer guten Lobbyarbeit sind sie mit einem blauen Auge aus dem Betrug davongekommen. Viel nachhaltiger ist das Verschlafen von aktuellen Entwicklungen wie Elektromobilität, Umweltbewusstsein und Sharing Economy. Wir erleben einen enormen Wandel in der Mobilität. Manchen Menschen geht der Wandel nicht schnell genug. Doch mit einem kurzen Blick auf die Zeit, die das Automobil benötigte, um sich so tief zu etablieren, erkennt man, dass es leider nicht ganz so schnell geht.
Schreibe einen KommentarFrüher hätte man einen Menschen über 50 belächelt, wenn er gesagt hätte: Ich lerne jetzt Programmieren. Lebenslang lernen? Lieber nicht. Es herrschte der allgemeine Glaube, dass ab einem bestimmten Alter das Gehirn nicht mehr in der Lage ist neues zu lernen. Hieß es doch „Fürs Leben lernen“. Die Frage ist, wofür muss ich lernen, damit ich in 10 bis 20 Jahren gewappnet bin? Das kann keiner beantworten. Gerade der heutige Fortschritt geht so schnell, dass wir immer und ständig neues lernen müssen. Zum Glück ist unser Gehirn bis ins hohe Alter lernfähig.
Wie hoch das Alter sein kann, um etwas gänzlich Neues zu lernen und erfolgreich zu betreiben, zeigt Masako Wakamiya aus Japan. Die Dame ist 84 Jahre alt und App-Entwicklerin. Auch wenn sie mit erscheinen des ersten iOS SDK im Jahr 2008 angefangen hätte, wäre sie 73 Jahre alt gewesen. Das finde ich genauso beeindruckend wie inspirierend. Höre niemals auf Neues zu lernen! Egal wie alt du bist.
Schreibe einen KommentarI have turned 84, and I feel I am more intelligent than before.
Masako Wakamiya
Machine Learning, Deep Learning und KI als Oberbegriff werden in den letzten paar Jahren extrem gehypt. Dass die grundlegenden Ideen, Strukturen und Algorithmen schon sehr viel länger bekannt sind, ist nicht jedem bewusst. Genauer gesagt, wird in der Forschung seit 1956 von künstlicher Intelligenz gesprochen. Neuronale Netze sind bereits in der Theorie bekannt. Die Technologie war jedoch nicht so weit. Es folgte in den 80er bis zu den 2000er der sogenannte KI-Winter. Ganz zum Erliegen kam die Forschung nicht. Im Gegenteil! 1987 hat John Walker beschrieben, wie ein neuronales Netz auf einem Commodore 64 implementiert werden kann.
In seinem Artikel beschreibt er die Funktionsweise von Neuronen und von neuronalen Netzen. Natürlich inklusive einem Beispiel mit einem Listing! Echte Fans tippen das jetzt natürlich ab, statt zu kopieren, oder?
Schreibe einen Kommentar
Facebook hat einen Algorithmus für die (angeblich) optimierte Sortierung deiner Timeline. Twitter, TikTok, Amazon und wie sie alle heißen, machen das Gleiche. Sie werten die Unmengen an Daten aus, die durch Tracking der Benutzer gesammelt werden. Anhand dieser Daten wird eingeschätzt, welche Arten von Posting, Produkt oder Bild für uns relevant sind. So die Theorie. In einer perfekten Welt funktioniert das wahrscheinlich. Doch leider gibt es auch Firmen, die diese Algorithmen analysieren und durch geschickte Manipulation die Ergebnisse nach ihren Vorstellungen ausnutzen.
Schreibe einen Kommentar
Was passiert, wenn eine KI zum Schriftsteller wird? Janelle Shane hat getestet, ob eine KI sinnvolle Eröffnungen für Bücher generieren kann. Sie ein Modell trainiert und einige wirklich lesenswerte Passagen sind dabei herausgekommen. Darunter auch nahezu poetische Weisheiten wie
I am, or was.
Hätte Shakespeare nicht besser formulieren können. Aber mit der Logik hat es die KI nicht so genau genommen.
Schreibe einen Kommentar