Künstliche Intelligenz, definiert als Intelligenz von Maschinen, hat in der heutigen Gesellschaft viele Anwendungen. Insbesondere handelt es sich dabei um Weak AI, die Form der KI, bei der Programme entwickelt werden, um bestimmte Aufgaben auszuführen, die für eine Vielzahl von Aktivitäten verwendet werden, darunter medizinische Diagnose, elektronischer Handel, Robotersteuerung und Fernerkundung. AI wurde verwendet, um zahlreiche Bereiche und Branchen zu entwickeln und auszubauen, darunter Finanzen, Gesundheitswesen, Bildung, Transport und mehr.

AI für gut
AI for Good ist eine Bewegung, in der Institutionen AI einsetzen, um einige der größten wirtschaftlichen und sozialen Herausforderungen der Welt anzugehen. Beispielsweise hat die University of Southern California das Zentrum für künstliche Intelligenz in der Gesellschaft ins Leben gerufen, mit dem Ziel, die KI für sozial relevante Probleme wie Obdachlosigkeit einzusetzen. In Stanford analysieren Forscher mithilfe von KI Satellitenbilder, um herauszufinden, welche Gebiete die höchsten Armutsraten aufweisen.

Luftfahrt
Die Air Operations Division (AOD) verwendet AI für regelbasierte Expertensysteme. Der AOD hat künstliche Intelligenz für Ersatzoperatoren für Kampf- und Trainingssimulatoren, Hilfsmittel für das Missionsmanagement, Unterstützungssysteme für die taktische Entscheidungsfindung und die Nachverarbeitung der Simulatordaten zu symbolischen Zusammenfassungen.

Die Verwendung künstlicher Intelligenz in Simulatoren erweist sich für die AOD als sehr nützlich. Flugzeugsimulatoren verwenden künstliche Intelligenz, um die Daten von simulierten Flügen zu verarbeiten. Neben dem simulierten Fliegen gibt es auch eine simulierte Flugzeugkriegsführung. In diesen Situationen können die Computer die besten Erfolgsszenarien entwickeln. Die Computer können auch Strategien erstellen, die auf der Anordnung, Größe, Geschwindigkeit und Stärke der Kräfte und Gegenkräfte basieren. Piloten können während des Kampfes von Computern in der Luft unterstützt werden. Die künstlich intelligenten Programme können die Informationen sortieren und dem Piloten die bestmöglichen Manöver bieten, ganz zu schweigen davon, bestimmte Manöver loszuwerden, die für einen Menschen unmöglich sind. Mehrere Flugzeuge sind erforderlich, um für einige Berechnungen gute Näherungen zu erhalten, sodass vom Computer simulierte Piloten zum Sammeln von Daten verwendet werden. Diese am Computer simulierten Piloten werden auch zur Ausbildung zukünftiger Fluglotsen eingesetzt.

Das von der AOD zur Messung der Leistung verwendete System war das interaktive Fehlerdiagnose- und Isolationssystem (IFDIS). Es ist ein regelbasiertes Expertensystem, das aus Informationen aus TF-30-Dokumenten und dem Expertenrat von Mechanikern zusammengestellt wird, die mit dem TF-30 arbeiten. Dieses System wurde für die Entwicklung des TF-30 für den RAAF F-111C entwickelt. Das Leistungssystem wurde auch verwendet, um Fachkräfte zu ersetzen. Das System ermöglichte es den regulären Mitarbeitern, mit dem System zu kommunizieren und Fehler, Fehleinschätzungen zu vermeiden oder mit einem der spezialisierten Mitarbeiter sprechen zu müssen.

Der AOD verwendet künstliche Intelligenz auch in Spracherkennungssoftware. Die Fluglotsen geben den künstlichen Piloten Anweisungen, und die AOD möchte, dass die Piloten mit einfachen Antworten auf die ATC reagieren. Die Programme, die die Sprachsoftware enthalten, müssen trainiert werden, dh sie verwenden neuronale Netzwerke. Das verwendete Programm, die Verbex 7000, ist noch sehr früh und bietet viel Raum für Verbesserungen. Die Verbesserungen sind unerlässlich, da ATCs sehr spezifische Dialoge verwenden und die Software jedes Mal korrekt und schnell kommunizieren muss.

AIDA (Künstliche Intelligenz) wird unterstützt, um Konstrukteuren bei der Konzeption von Flugzeugentwürfen zu helfen. Dieses Programm ermöglicht es den Designern, sich mehr auf das Design selbst zu konzentrieren und weniger auf den Designprozess. Die Software ermöglicht es dem Benutzer auch, sich weniger auf die Softwaretools zu konzentrieren. Die AIDA verwendet regelbasierte Systeme zur Berechnung ihrer Daten. Dies ist ein Diagramm der Anordnung der AIDA-Module. Das Programm ist zwar einfach, erweist sich jedoch als effektiv.

Im Jahr 2003 entwickelten das Dryden Flight Research Center der NASA und viele andere Unternehmen eine Software, die es einem beschädigten Flugzeug ermöglichen würde, den Flug fortzusetzen, bis eine sichere Landezone erreicht werden kann. Die Software kompensiert alle beschädigten Komponenten, indem sie sich auf die unbeschädigten Komponenten verlässt. Das in der Software verwendete neuronale Netzwerk erwies sich als effektiv und markierte einen Triumph für künstliche Intelligenz.

Das an Bord eines Flugzeugs ebenfalls von der NASA verwendete Integrated Vehicle Health Management-System muss Daten verarbeiten und interpretieren, die von den verschiedenen Sensoren des Flugzeugs stammen. Das System muss in der Lage sein, die strukturelle Integrität des Flugzeugs zu bestimmen. Das System muss auch Protokolle implementieren, falls das Fahrzeug beschädigt wird.

Haitham Baomar und Peter Bentley führen ein Team des University College of London, um ein auf intelligenter Autopilotsystem (IAS) auf künstlicher Intelligenz basierendes System zu entwickeln, das einem Autopilotsystem beibringen soll, sich wie ein sehr erfahrener Pilot zu verhalten, der in einer Notsituation wie einer schweren Situation steht Wetter, Turbulenzen oder Systemausfälle. Die Ausbildung des Autopiloten beruht auf dem Konzept des überwachten maschinellen Lernens, „das den jungen Autopiloten als menschlichen Lehrling behandelt, der in eine Flugschule geht“. Der Autopilot zeichnet die Aktionen des menschlichen Piloten auf, um Lernmodelle unter Verwendung künstlicher neuronaler Netzwerke zu erzeugen. Der Autopilot erhält dann die volle Kontrolle und wird vom Piloten beobachtet, während er die Trainingsübung durchführt.

Das intelligente Autopilotsystem kombiniert die Prinzipien des Lehrlingslernens und des Verhaltensklonens, wobei der Autopilot die zum Manövrieren des Flugzeugs erforderlichen Aktionen auf niedriger Ebene und die für die Durchführung dieser Aktionen verwendete Strategie auf hoher Ebene beachtet. Die IAS-Implementierung umfasst drei Phasen. Pilotdatenerfassung, Schulung und autonome Kontrolle. Das Ziel von Baomar und Bentley ist die Schaffung eines autonomen Autopiloten, der den Piloten bei der Reaktion auf Notfallsituationen helfen soll.

Computerwissenschaften
KI-Forscher haben viele Werkzeuge entwickelt, um die schwierigsten Probleme in der Informatik zu lösen. Viele ihrer Erfindungen wurden von der Mainstream-Informatik übernommen und gelten nicht mehr als Bestandteil der KI. (Siehe KI-Effekt.) Laut Russell & Norvig (2003, S. 15) wurden alle folgenden Elemente ursprünglich in KI-Labors entwickelt: Timesharing, interaktive Interpreter, grafische Benutzeroberflächen und die Computermaus, Rapid Development Environments, die Verknüpfungen Listendatenstruktur, automatisches Speichermanagement, symbolische Programmierung, funktionale Programmierung, dynamische Programmierung und objektorientierte Programmierung.

AI kann verwendet werden, um möglicherweise den Entwickler anonymer Binärdateien zu ermitteln.

KI kann verwendet werden, um andere KI zu erstellen. Zum Beispiel um November 2017 hat Googles AutoML-Projekt zur Entwicklung neuer Topologien für neuronale Netze NASNet geschaffen, ein für ImageNet und COCO optimiertes System. Laut Google übertraf NASNet alle zuvor veröffentlichten ImageNet-Leistungen.

Bildung
Es gibt eine Reihe von Unternehmen, die Roboter für Kinder unterrichten, von Biologie bis Informatik, obwohl solche Werkzeuge noch nicht weit verbreitet sind. In der Hochschulbildung gab es auch einen Anstieg von intelligenten Nachhilfesystemen (ITS). Zum Beispiel lehrt ein ITS namens SHERLOCK Technikern der Luftwaffe die Diagnose von Problemen mit elektrischen Systemen in Flugzeugen. Ein anderes Beispiel ist DARPA, Defence Advanced Research Projects Agency, die mithilfe von AI einen digitalen Tutor entwickelte, um die Rekruten der Navy in technischen Fähigkeiten in kürzerer Zeit zu trainieren. Die Einführung von KI-Technologien wurde von den Universitäten wegen mangelnder Finanzierung oder mangelnder Skepsis hinsichtlich der Wirksamkeit dieser Instrumente nur langsam durchgeführt. In den kommenden Jahren werden jedoch mehr Klassenzimmer Technologien wie ITS einsetzen, um die Lehrkräfte zu ergänzen.

Fortschritte in der Verarbeitung natürlicher Sprache in Kombination mit maschinellem Lernen haben auch die automatische Einstufung von Aufgaben und ein datengestütztes Verständnis der Lernbedürfnisse einzelner Schüler ermöglicht. Dies führte zu einer explosionsartigen Popularität von MOOCs (Massive Open Online Courses), bei denen Schüler aus der ganzen Welt Online-Kurse besuchen können. Datensätze, die aus diesen großen Online-Lernsystemen gesammelt wurden, haben auch Lernanalysen ermöglicht, die zur Verbesserung der Qualität des Lernens in großem Umfang verwendet werden. Beispiele dafür, wie Lernanalysen zur Verbesserung der Lernqualität eingesetzt werden können, sind Vorhersagen, welche Schüler einem Versagensrisiko ausgesetzt sind, und eine Analyse des Engagements der Schüler.

Finanzen
Algorithmischer Handel
Algorithmischer Handel beinhaltet die Verwendung komplexer KI-Systeme, um Handelsentscheidungen mit Geschwindigkeiten zu treffen, die mehrere Größenordnungen über dem liegen, was ein Mensch vermag, und oft Millionen von Trades pro Tag ohne menschliches Eingreifen tätigt. Automatisierte Handelssysteme werden typischerweise von großen institutionellen Anlegern eingesetzt.

Marktanalyse und Data Mining
Mehrere große Finanzinstitute haben in AI-Engines investiert, um ihre Anlagepraktiken zu unterstützen. Aladdin, die AI-Engine von BlackRock, wird sowohl innerhalb des Unternehmens als auch bei Kunden eingesetzt, um bei Investitionsentscheidungen zu helfen. Das breite Funktionsspektrum umfasst die Verwendung der Verarbeitung in natürlicher Sprache, um Text wie Nachrichten, Brokerberichte und Social-Media-Feeds zu lesen. Dann misst es die Stimmung der genannten Unternehmen und weist eine Bewertung zu. Banken wie UBS und Deutsche Bank verwenden eine KI-Engine namens Sqreem (Sequential Quantum Reduction and Extraction Model), mit der Daten gewonnen werden können, um Verbraucherprofile zu entwickeln und sie mit den Vermögensverwaltungsprodukten abzustimmen, die sie am wahrscheinlichsten wünschen. Goldman Sachs verwendet Kensho, eine Marktanalyseplattform, die statistische Berechnungen mit Big Data und Verarbeitung natürlicher Sprachen kombiniert. Seine maschinellen Lernsysteme durchforsten die Datenhaufen im Internet und bewerten Zusammenhänge zwischen Weltereignissen und deren Auswirkungen auf die Preise von Vermögenswerten. Die Informationsextraktion, Teil der künstlichen Intelligenz, wird verwendet, um Informationen aus Live-Newsfeeds zu extrahieren und bei Investitionsentscheidungen zu helfen.

Persönliche Finanzen
Es entstehen verschiedene Produkte, die KI einsetzen, um Menschen bei ihren persönlichen Finanzen zu unterstützen. Zum Beispiel ist Digit eine auf künstlicher Intelligenz basierende App, die Verbrauchern automatisch dabei hilft, ihre Ausgaben und Einsparungen anhand ihrer persönlichen Gewohnheiten und Ziele zu optimieren. Die App kann Faktoren wie monatliches Einkommen, aktueller Kontostand und Ausgabenverhalten analysieren, dann eigene Entscheidungen treffen und Geld auf das Sparkonto überweisen. Wallet.AI, ein bevorstehendes Startup in San Francisco, erstellt Agenten, die Daten analysieren, die ein Verbraucher zurücklassen würde, vom Smartphone-Check-In bis zu Tweets, um den Verbraucher über sein Ausgabeverhalten zu informieren.

Portfolio-Management
Robo-Berater werden in der Anlageverwaltungsbranche immer häufiger eingesetzt. Robo-Berater bieten Finanzberatung und Portfoliomanagement mit minimalem Eingriff des Menschen. Diese Klasse von Finanzberatern arbeitet auf der Grundlage von Algorithmen, um ein Finanzportfolio entsprechend den Anlagezielen und der Risikobereitschaft der Kunden automatisch zu entwickeln. Es kann sich an Echtzeitänderungen des Marktes anpassen und das Portfolio entsprechend kalibrieren.

Underwriting
Ein Online-Kreditgeber, Upstart, analysiert riesige Mengen an Verbraucherdaten und verwendet Algorithmen zum Lernen des Lernens, um Kreditrisikomodelle zu entwickeln, die die Ausfallwahrscheinlichkeit eines Verbrauchers vorhersagen. Ihre Technologie wird an Banken lizenziert, damit diese auch ihre Underwriting-Prozesse nutzen können.

ZestFinance hat die Zest Automated Machine Learning (ZAML) -Plattform speziell für das Credit Underwriting entwickelt. Diese Plattform nutzt maschinelles Lernen, um zehntausende traditionelle und nicht traditionelle Variablen (von Kaufvorgängen bis zum Ausfüllen eines Formulars durch einen Kunden) zu analysieren, die in der Kreditbranche zur Bewertung von Kreditnehmern verwendet werden. Die Plattform ist besonders nützlich, um Kreditwürdigkeiten mit begrenzten Kreditverläufen wie beispielsweise Millennials zuzuordnen.

Geographie und Ökologie
Eine Bewerbung wird von Papadimitriou (2012) in Prolog-Sprache bezogen auf die Landschaft des Mittelmeers gestellt.

Arbeitssuche
Der Arbeitsmarkt hat sich aufgrund der Implementierung künstlicher Intelligenz bemerkenswert verändert. Es hat den Prozess sowohl für Personalvermittler als auch für Arbeitssuchende vereinfacht (z. B. Google für Jobs und Online-Bewerbung). Laut Raj Mukherjee von Indeed.com starten 65% der Menschen innerhalb von 91 Tagen nach ihrer Einstellung erneut eine Stellensuche. Ein von einer KI angetriebener Motor vereinfacht die Komplexität der Jobsuche, indem Betriebsinformationen zu Jobfähigkeiten, Gehältern und Tendenzen der Benutzer abgerufen werden, um Personen an die relevantesten Positionen anzupassen. Maschinelle Intelligenz berechnet, welche Löhne für einen bestimmten Job angemessen sind, und rekrutiert Lebenslaufinformationen für Personalbeschaffer mithilfe einer Verarbeitung in natürlicher Sprache, die relevante Wörter und Phrasen mithilfe von spezieller Software aus dem Text extrahiert. Eine andere Anwendung ist ein AI-Lebenslauf-Generator, der 5 Minuten für die Erstellung eines Lebenslaufs benötigt, anstatt stundenlang die gleiche Arbeit zu erledigen. Im AI-Zeitalter unterstützen Chatbots Website-Besucher und lösen tägliche Arbeitsabläufe. Revolutionäre KI-Tools ergänzen die Fähigkeiten der Menschen und ermöglichen es HR-Managern, sich auf Aufgaben mit höherer Priorität zu konzentrieren. Die Auswirkungen künstlicher Intelligenz auf die Beschäftigungsforschung legen jedoch nahe, dass intelligente Agenten und Roboter bis 2030 30% der menschlichen Arbeitskraft der Welt beseitigen können. Darüber hinaus beweist die Studie, dass die Automatisierung zwischen 400 und 800 Millionen Beschäftigte verdrängen wird. Laut dem Research-Bericht von Glassdoor wird erwartet, dass die Anwerbung von Personal und Personal im Arbeitsmarkt 2018 und darüber hinaus eine breitere Akzeptanz findet.

Schwerindustrie
Roboter sind in vielen Branchen üblich geworden und erhalten oft Arbeitsplätze, die für den Menschen gefährlich sind. Roboter haben sich in sehr repetitiven Jobs als effektiv erwiesen, was zu Fehlern oder Unfällen aufgrund von Konzentrationsstörungen und anderen Jobs führen kann, die der Mensch als negativ empfinden kann.

China, Japan, die Vereinigten Staaten, die Republik Korea und Deutschland machten im Jahr 2014 zusammen 70% des gesamten Verkaufsvolumens von Robotern aus. In der Automobilindustrie, einer Branche mit besonders hohem Automatisierungsgrad, hatte Japan die höchste Dichte an Industrierobotern der Welt: 1.414 pro 10.000 Beschäftigte.

Krankenhäuser und Medizin
Künstliche neuronale Netzwerke werden als klinische Entscheidungshilfesysteme für die medizinische Diagnose verwendet, beispielsweise in der Konzeptverarbeitungstechnologie in EMR-Software.

Andere Aufgaben in der Medizin, die möglicherweise von künstlicher Intelligenz ausgeführt werden können und zu entwickeln beginnen, sind:

Computergestützte Interpretation medizinischer Bilder. Solche Systeme helfen beim Scannen digitaler Bilder, z. B. von der Computertomographie, nach typischen Erscheinungsbildern und zur Hervorhebung auffälliger Abschnitte wie etwa möglicher Krankheiten. Eine typische Anwendung ist der Nachweis eines Tumors.
Herztonanalyse
Begleitroboter für die Pflege älterer Menschen
Mining Medical Records, um weitere nützliche Informationen zu erhalten.
Behandlungspläne entwerfen.
Unterstützung bei wiederkehrenden Tätigkeiten einschließlich Medikamentenmanagement.
Konsultationen anbieten.
Drug Creation
Verwendung von Avataren anstelle von Patienten für die klinische Ausbildung
Prognostizieren Sie die Wahrscheinlichkeit eines Todes durch chirurgische Eingriffe
Vorhersage des HIV-Fortschritts

Gegenwärtig gibt es über 90 KI-Startups in der Gesundheitsbranche, die in diesen Bereichen arbeiten.

IDx-DR, die erste Lösung von IDx, ist das erste autonome, auf KI basierende Diagnosesystem, das von der FDA für die Vermarktung zugelassen wurde.

Humanressourcen und Rekrutierung
Eine weitere Anwendung der KI ist der Personal- und Rekrutierungsbereich. Es gibt drei Möglichkeiten, wie KI von Personal- und Rekrutierungsfachleuten eingesetzt wird. Die KI wird verwendet, um die Lebensläufe zu überprüfen und die Bewerber nach ihrem Qualifikationsniveau zu ordnen. Ai wird auch verwendet, um den Erfolg von Kandidaten in bestimmten Rollen durch Jobmatching-Plattformen vorherzusagen. Und jetzt führt AI die Rekrutierung von Chat-Bots ein, die sich wiederholende Kommunikationsaufgaben automatisieren können.

Typischerweise umfasst das Screening eines Lebenslaufs einen Personalbeschaffer oder einen anderen Personalfachmann, der eine Lebenslaufdatenbank scannt. Startups wie Pomato erstellen jetzt Algorithmen für das maschinelle Lernen, um Wiederherstellungsprüfungsprozesse zu automatisieren. Pomatos Lebenslauf-Screening AI konzentriert sich auf die Automatisierung der Validierung technischer Bewerber für technische Personalfirmen. Die KI von Pomato führt in Sekundenschnelle mehr als 200.000 Berechnungen für jeden Lebenslauf durch und erstellt dann ein individuelles technisches Interview, das auf den gewonnenen Fähigkeiten basiert. KE Solutions wurde 2014 gegründet und hat Empfehlungssysteme entwickelt, um Stellen für Bewerber und Lebensläufe für Arbeitgeber zu ordnen. jobster.io, von KE Solutions entwickelt, verwendet die konzeptbasierte Suche, wodurch die Genauigkeit im Vergleich zu herkömmlichen ATS um 80% gesteigert wurde. Es hilft Personalvermittlern, technische Barrieren zu überwinden.

Von 2016 bis 2017 verwendete das Konsumgüterunternehmen Unilever künstliche Intelligenz, um alle Mitarbeiter im Einstiegsbereich zu prüfen. Die KI von Unilever nutzte neurowissenschaftliche Spiele, aufgezeichnete Interviews und Gesichts- / Sprachanalyse, um den Erfolg der Einstellung vorherzusagen. Unilever ging eine Partnerschaft mit Pymetrics und HireVue ein, um sein neuartiges KI-basiertes Screening zu ermöglichen, und erhöhte seine Bewerber von 15.000 auf 30.000 in einem einzigen Jahr. Durch die Rekrutierung mit AI wurde auch die bisher „bislang vielfältigste Klasse“ von Unililever produziert. Unilever verkürzte auch die Zeit für die Einstellung von 4 Monaten auf 4 Wochen und sparte über 50.000 Stunden an Personalvermittlern.

Von der Wiederaufnahme des Lebenslaufs über Neurowissenschaften, Spracherkennung und Gesichtsanalyse … ist klar, dass die KI einen massiven Einfluss auf das Personalwesen hat. Eine weitere Entwicklung in der KI ist die Rekrutierung von Chatbots. TextRecruit, ein Startup in der Bay Area, hat Ari (automatisierte Rekrutierungsschnittstelle) veröffentlicht. Ari ist ein Chatbot für Rekrutierungszwecke, der für bidirektionale Kurzmitteilungen mit Kandidaten konzipiert ist. Ari automatisiert Ausschreibungsjobs, Anzeigeneröffnungen, Screening-Kandidaten, Planung von Interviews und Pflege von Kandidatenbeziehungen mit Updates, während sie entlang des Einstellungskanals voranschreiten. Ari wird derzeit als Teil der Kandidatenplattform von TextRecruit angeboten.

Marketing
Die Bereiche Marketing und künstliche Intelligenz konvergieren in Systemen, die in Bereichen wie der Marktprognose, der Automatisierung von Prozessen und der Entscheidungsfindung helfen, zusammen mit einer erhöhten Effizienz von Aufgaben, die normalerweise von Menschen ausgeführt werden. Die Wissenschaft hinter diesen Systemen kann durch neuronale Netze und Expertensysteme, Computerprogramme, die Eingaben verarbeiten und wertvolle Ergebnisse für Vermarkter liefern, erklärt werden.

Künstliche Intelligenzsysteme, die aus der Social Computing-Technologie stammen, können zum Verständnis sozialer Netzwerke im Web eingesetzt werden. Data-Mining-Techniken können verwendet werden, um verschiedene Arten von sozialen Netzwerken zu analysieren. Diese Analyse hilft einem Vermarkter, einflussreiche Akteure oder Knoten in Netzwerken zu identifizieren, Informationen, die dann für einen gesellschaftlichen Marketingansatz verwendet werden können.

Medien
Einige KI-Anwendungen sind auf die Analyse audiovisueller Medieninhalte wie Filme, TV-Programme, Werbevideos oder von Nutzern erstellte Inhalte ausgerichtet. Bei den Lösungen handelt es sich häufig um Computer Vision, die ein Hauptanwendungsgebiet der KI ist.

Typische Anwendungsszenarien umfassen die Analyse von Bildern mittels Objekterkennung oder Gesichtserkennungstechniken oder die Analyse von Videos zur Erkennung relevanter Szenen, Objekte oder Gesichter. Die Motivation für die Verwendung der KI-basierten Medienanalyse kann unter anderem die Erleichterung der Mediensuche, die Erstellung eines Satzes beschreibender Schlüsselwörter für ein Medienelement sowie die Überwachung der Medieninhaltsrichtlinie sein (z. B. Überprüfung der Eignung von Inhalten für einen bestimmten Gegenstand) Fernsehzeit), Rede zu Text für Archivierungszwecke oder zu anderen Zwecken sowie Erkennung von Logos, Produkten oder Promi-Gesichtern für die Platzierung relevanter Anzeigen.

Medienanalyse KI-Unternehmen bieten ihre Dienste häufig über eine REST-API an, die den maschinellen automatischen Zugriff auf die Technologie und das maschinelle Lesen der Ergebnisse ermöglicht. IBM, Microsoft, Amazon und das Video-AI-Unternehmen Valossa ermöglichen beispielsweise den Zugriff auf ihre Medienerkennungstechnologie mithilfe von RESTful-APIs.

Musik
Während die Entwicklung der Musik immer von der Technologie beeinflusst wurde, hat künstliche Intelligenz durch wissenschaftliche Fortschritte die Möglichkeit geschaffen, in gewissem Maße menschenähnliche Kompositionen nachzuahmen.

Zu den bemerkenswerten frühen Bemühungen zählte David Cope eine KI namens Emily Howell, die auf dem Gebiet der Algorithmischen Computermusik bekannt wurde. Der Algorithmus hinter Emily Howell ist als US-Patent registriert.

Die AI Iamus hat 2012 das erste komplette klassische Album erstellt, das vollständig von einem Computer komponiert wurde.

Andere Bemühungen, wie AIVA (Artificial Intelligence Virtual Artist), konzentrieren sich auf das Komponieren symphonischer Musik, hauptsächlich klassische Musik für Filmmusik. Es war eine Weltneuheit, als es der erste virtuelle Komponist wurde, der von einem Musikfachverband anerkannt wurde.

Künstliche Intelligenzen können sogar Musik produzieren, die in einer medizinischen Umgebung verwendbar ist. Melomics bemüht sich, computergenerierte Musik für Stress und Schmerzlinderung einzusetzen.

Darüber hinaus möchten Initiativen wie Google Magenta, durchgeführt vom Google Brain-Team, herausfinden, ob eine künstliche Intelligenz fähig sein kann, Kunst zu erzeugen.

Im Sony CSL Research Laboratory hat die Flow Machines-Software Pop-Songs erstellt, indem sie Musikstile aus einer riesigen Song-Datenbank lernen. Durch die Analyse einzigartiger Stilkombinationen und Optimierungstechniken kann er in jedem Stil komponiert werden.

Ein anderes musikalisches Kompositionsprojekt für künstliche Intelligenz, The Watson Beat, von IBM Research geschrieben, benötigt keine große Musikdatenbank wie die Projekte Google Magenta und Flow Machines, da es Reinforcement Learning und Deep Belief Networks verwendet, um Musik auf einem einfachen Grund zu komponieren Eingabemelodie und einen ausgewählten Stil. Seit die Software Open Source ist, arbeiten Musiker, wie Taryn Southern, mit dem Projekt zusammen, um Musik zu erstellen.

Nachrichten, Veröffentlichung und Schreiben
Das Unternehmen Narrative Science stellt computergenerierte Nachrichten und Berichte kommerziell zur Verfügung, einschließlich der Zusammenfassung von Mannschaftssportereignissen auf der Grundlage statistischer Daten aus dem Spiel in englischer Sprache. Es erstellt auch Finanzberichte und Immobilienanalysen. Ebenso generiert das Unternehmen Automated Insights personalisierte Zusammenfassungen und Vorschauen für Yahoo Sports Fantasy Football. Das Unternehmen soll 2014 eine Milliarde Geschichten generieren, verglichen mit 350 Millionen im Jahr 2013.

Echobox ist ein Softwareunternehmen, das Publishern hilft, den Traffic zu erhöhen, indem Artikel auf Social-Media-Plattformen wie Facebook und Twitter „intelligent“ veröffentlicht werden. Durch die Analyse großer Datenmengen lernt es, wie bestimmte Zielgruppen zu unterschiedlichen Tageszeiten auf verschiedene Artikel reagieren. Es wählt dann die besten Geschichten zum Posten und die besten Zeiten zum Posten. Dabei werden sowohl historische Daten als auch Echtzeitdaten verwendet, um zu verstehen, was in der Vergangenheit gut funktioniert hat und was aktuell im Internet im Trend ist.

Ein anderes Unternehmen namens Yseop nutzt künstliche Intelligenz, um aus strukturierten Daten intelligente Kommentare und Empfehlungen in natürlicher Sprache zu machen. Yseop ist in der Lage, Finanzberichte, Zusammenfassungen, personalisierte Verkaufs- oder Marketingdokumente und mehr mit einer Geschwindigkeit von Tausenden von Seiten pro Sekunde und in mehreren Sprachen zu erstellen, darunter Englisch, Spanisch, Französisch und Deutsch.

Boomtrain’s ist ein weiteres Beispiel für die KI, mit dem Sie lernen, wie Sie jeden einzelnen Leser mit den exakten Artikeln, die zum richtigen Zeitpunkt über den richtigen Kanal gesendet werden, am besten ansprechen, die für den Leser am relevantesten sind. Es ist, als würde man für jeden einzelnen Leser einen persönlichen Editor einstellen, der das perfekte Leseerlebnis kuratiert.

Es besteht auch die Möglichkeit, dass AI zukünftig Arbeit schreibt. Im Jahr 2016 schrieb eine japanische KI eine Kurzgeschichte mit und gewann beinahe einen Literaturpreis.

Online- und Telefon-Kundenservice
Künstliche Intelligenz wird in automatisierte Online-Assistenten implementiert, die auf Webseiten als Avatare angesehen werden können. Unternehmen können dadurch ihre Betriebs- und Schulungskosten senken. Eine wesentliche zugrunde liegende Technologie für solche Systeme ist die Verarbeitung natürlicher Sprache. Pypestream nutzt einen automatisierten Kundendienst für seine mobile Anwendung, die die Kommunikation mit Kunden rationalisieren soll.

Derzeit investieren große Unternehmen in AI, um künftig mit schwierigen Kunden umzugehen. Die neueste Entwicklung von Google analysiert die Sprache und konvertiert Sprache in Text. Die Plattform kann verärgerte Kunden anhand ihrer Sprache identifizieren und entsprechend reagieren.

Sensoren
Künstliche Intelligenz wurde mit vielen Sensortechnologien kombiniert, wie z. B. Digital SpectrometryTM von IdeaCuria Inc., die viele Anwendungen ermöglichen, z. B. die Überwachung der Wasserqualität zu Hause.

Wartung der Telekommunikation
Viele Telekommunikationsunternehmen nutzen die heuristische Suche bei der Verwaltung ihrer Arbeitskräfte. Beispielsweise hat die BT Group die heuristische Suche in einer Planungsanwendung eingesetzt, die die Arbeitszeitpläne von 20.000 Ingenieuren bereitstellt.

Spielsachen und Spiele
In den 1990er Jahren wurden erste Versuche unternommen, inländische Arten von künstlicher Intelligenz für den Unterricht oder für die Freizeit in Massen zu produzieren. Mit der Digitalen Revolution entwickelte sich dies enorm und half, Menschen, vor allem Kinder, in ein Leben mit verschiedenen Arten künstlicher Intelligenz einzuführen, insbesondere in Form von Tamagotchis und Giga Pets, iPod Touch, dem Internet und dem ersten weit verbreiteten Roboter Furby. Ein Jahr später wurde mit Aibo, einem Roboterhund mit intelligenten Funktionen und Autonomie, ein verbesserter Hausroboter-Typ herausgebracht.

Unternehmen wie Mattel haben bereits ab dem Alter von drei Jahren ein Sortiment an AI-Spielzeug für Kinder entwickelt. Mit proprietären KI-Engines und Spracherkennungstools können sie Gespräche verstehen, intelligente Antworten geben und schnell lernen.

AI wurde auch auf Videospiele angewendet, z. B. Videospiel-Bots, die als Gegner fungieren sollen, an denen Menschen nicht verfügbar oder nicht erwünscht sind.

Transport
Fuzzy-Logiksteuerungen wurden für Automatikgetriebe in Kraftfahrzeugen entwickelt. So verfügen der Audi TT, der VW Touareg und der VW Caravell aus dem Jahr 2006 über ein DSP-Getriebe, das Fuzzy Logic verwendet. Eine Reihe von Škoda-Varianten (Škoda Fabia) enthält derzeit auch einen Controller auf Basis von Fuzzy Logic.

Heutige Autos verfügen jetzt über eine auf KI basierende Fahrerassistenz, wie zum Beispiel das Einparken und erweiterte Geschwindigkeitsregelungen. AI wurde zur Optimierung von Verkehrsmanagementanwendungen eingesetzt, wodurch wiederum Wartezeiten, Energieverbrauch und Emissionen um bis zu 25 Prozent reduziert werden. In Zukunft werden völlig autonome Autos entwickelt. Von der KI im Transportwesen wird erwartet, dass sie einen sicheren, effizienten und zuverlässigen Transport bietet und gleichzeitig die Auswirkungen auf die Umwelt und die Gemeinden minimiert. Die größte Herausforderung bei der Entwicklung dieser KI ist die Tatsache, dass Transportsysteme von Natur aus komplexe Systeme sind, die eine sehr große Anzahl von Komponenten und verschiedene Parteien umfassen, von denen jede unterschiedliche und oft widersprüchliche Ziele hat.

Andere
Verschiedene Instrumente der künstlichen Intelligenz werden auch häufig in den Bereichen Heimatschutz, Sprach- und Texterkennung, Data Mining und E-Mail-Spam-Filterung eingesetzt. Es werden auch Anwendungen für die Gestenerkennung (Verständnis der Gebärdensprache durch Maschinen), die individuelle Spracherkennung, die globale Spracherkennung (von einer Vielzahl von Personen in einem lauten Raum), die Gesichtsausdruckerkennung für die Interpretation von Emotionen und nonverbale Signale entwickelt. Andere Anwendungen sind Roboternavigation, Hindernisvermeidung und Objekterkennung.

Liste der Bewerbungen

Typische Probleme, auf die AI-Methoden angewendet werden
Optische Zeichenerkennung
Handschrifterkennung
Spracherkennung
Gesichtserkennung
Künstliche Kreativität
Computer Vision, virtuelle Realität und Bildverarbeitung
Foto- und Videomanipulation
Diagnose (künstliche Intelligenz)
Spieltheorie und strategische Planung
Spiel künstliche Intelligenz und Computerspiel-Bot
Natürliche Sprachverarbeitung, Übersetzung und Chatterbots
Nichtlineare Steuerung und Robotik

Andere Felder, in denen AI-Methoden implementiert sind
Künstliches Leben
Automatisiertes Denken
Automatisierung
Biologisch inspiriertes Computing
Konzept Bergbau
Data Mining
Wissensrepräsentation
Semantic Web
E-Mail-Spam-Filterung
Robotik
Verhaltensbasierte Robotik
Kognitiv
Kybernetik
Entwicklungsrobotik (Epigenetik)
Evolutionäre Robotik
Hybrides intelligentes System
Intelligenter Agent
Intelligente Steuerung
Rechtsstreitigkeiten