Fächer

Informatik

Grundlagen der informatik

Codierung und verschlüsselung

Authentifizierung, integrität, digitale signatur, kryptografische hashfunktion, zertifikat

Wie funktioniert KI? Künstliche Intelligenz Beispiele und Anwendungen

Name: Knowunity
Brand: Knowunity

Öffnen

Wie funktioniert KI? Künstliche Intelligenz Beispiele und Anwendungen

Hannes B.

@hannes8973

12 Follower

Künstliche Intelligenz (KI) ist ein faszinierendes Teilgebiet der Informatik, das die technische Nachbildung menschlicher Intelligenz anstrebt. Sie zielt darauf ab, die Funktionsweise unseres Gehirns zu verstehen und künstlich nachzubauen. KI umfasst verschiedene Lernmethoden wie überwachtes, unüberwachtes und bestärktes Lernen sowie Deep Learning mit künstlichen neuronalen Netzen. Trotz beeindruckender Fortschritte in Bereichen wie autonomes Fahren, Medizin und Spracherkennung gibt es noch Herausforderungen zu bewältigen.

• KI hat das Potenzial, menschliche Fähigkeiten in vielen Bereichen zu ergänzen oder sogar zu übertreffen
• Maschinelles Lernen und Deep Learning sind Schlüsseltechnologien der modernen KI-Entwicklung
• KI findet bereits vielfältige Anwendungen in Industrie, Medizin, Sicherheit und im Alltag
• Neben großen Chancen birgt KI auch Risiken, die sorgfältig abgewogen werden müssen
• Die Geschichte der KI reicht bis in die 1950er Jahre zurück und hat seitdem enorme Fortschritte gemacht

5.7.2022

6261

Künstliche Intelligenz
Von: Hannes Bauer Inhaltsverzeichnis
* Was ist ,,Künstliche Intelligenz"?
*
* Maschinelles Lernen
Kl im Einsatz
Schwä

Geschichte der Künstlichen Intelligenz

Die Geschichte der Künstlichen Intelligenz ist geprägt von bedeutenden Meilensteinen und visionären Vorhersagen:

1950: Alan Turing stellt die Frage "Können Maschinen denken?" und entwickelt den Turing-Test.

1956: Auf der Dartmouth-Konferenz wird der Begriff "Künstliche Intelligenz" geprägt.

1965: Gordon Moore formuliert das Mooresche Gesetz, das die rasante Entwicklung der Computertechnologie vorhersagt.

1980er: Entwicklung der ersten Expertensysteme und Beginn des Projekts "Computer der fünften Generation" in Japan.

1997: Der Schachcomputer Deep Blue schlägt den Schachweltmeister Garri Kasparow.

Highlight: Die Geschichte der KI zeigt eine stetige Entwicklung von theoretischen Konzepten hin zu praktischen Anwendungen, die heute unser tägliches Leben beeinflussen.

Quote: "In drei bis acht Jahren werden wir eine Maschine mit der allgemeinen Intelligenz eines durchschnittlichen Menschen haben" - Marvin Minsky, 1970

Diese optimistische Vorhersage zeigt, wie schwierig es ist, den Fortschritt in der KI-Forschung genau vorherzusagen.

Öffnen

Vor- und Nachteile der Künstlichen Intelligenz

Die Entwicklung und der Einsatz von Künstlicher Intelligenz bringen sowohl Vorteile als auch Herausforderungen mit sich:

Vorteile:

Objektive Entscheidungsfindung ohne emotionale Beeinflussung
Fähigkeit zur Analyse großer Datenmengen
Schnelle Weitergabe von gelerntem Wissen an andere Systeme
Steigerung der Effizienz in vielen Unternehmensbereichen

Highlight: Die Fähigkeit von KI, große Datenmengen zu analysieren und daraus Erkenntnisse zu gewinnen, revolutioniert viele Branchen und ermöglicht neue Geschäftsmodelle.

Nachteile:

Potenzielle Abhängigkeit von KI-gesteuerten Systemen
Ethische Bedenken bei der Entscheidungsfindung durch KI
Möglicher Verlust von Arbeitsplätzen durch Automatisierung
Datenschutz- und Sicherheitsrisiken

Beispiel: Künstliche Intelligenz nutzen kann in der Medizin zu präziseren Diagnosen führen, birgt aber auch die Gefahr, dass sensible Patientendaten missbraucht werden könnten.

Es ist wichtig, diese Vor- und Nachteile sorgfältig abzuwägen und einen verantwortungsvollen Umgang mit KI-Technologien zu entwickeln.

Öffnen

KI im Einsatz

Künstliche Intelligenz findet heute in vielen Bereichen Anwendung:

Medizin: KI unterstützt Ärzte bei Diagnosen und der Analyse von medizinischen Bildern.
Visuelle Assistenten: Systeme wie Siri, Alexa oder Google Assistant nutzen KI für Spracherkennung und -verarbeitung.
Industrie: Virtuelle Assistenten optimieren Produktionsprozesse und unterstützen bei der Qualitätskontrolle.
Vertrieb: KI-gestützte Systeme verbessern Kundenservice und personalisierte Marketingstrategien.
Sicherheit: Prognosemodelle helfen bei der Vorhersage von Risiken und Gefahrenbereichen.

Beispiel: KI-Anwendungen im Alltag reichen von Sprachassistenten auf Smartphones bis hin zu personalisierten Empfehlungen in Streaming-Diensten.

Highlight: KI Beispiele Industrie zeigen, wie Unternehmen durch den Einsatz von KI ihre Effizienz steigern und innovative Produkte entwickeln können.

Öffnen

Maschinelles Lernen

Maschinelles Lernen ist ein zentraler Bestandteil der künstlichen Intelligenz und umfasst verschiedene Lernmethoden:

Überwachtes Lernen: Diese Methode nutzt bekannte Daten, um Muster und Zusammenhänge zu erkennen. Ziel ist es, eine Zufallsvariable vorherzusagen.

Beispiel: Ein KI-System wird mit Bildern von Kirschen trainiert und lernt, diese zu erkennen.
Unüberwachtes Lernen: Hierbei werden große Datenmengen nach unbekannten Strukturen und Mustern durchsucht.

Highlight: Unüberwachtes Lernen ist besonders nützlich, um in komplexen Datensätzen neue Erkenntnisse zu gewinnen.
Bestärktes Lernen: Diese Methode simuliert natürliches Lernen durch positives oder negatives Feedback auf Aktionen.

Beispiel: Ein KI-System lernt durch Versuch und Irrtum, Objekte korrekt zu identifizieren.

Vocabulary: Maschinelles Lernen neuronale Netze bezieht sich auf die Verwendung künstlicher neuronaler Netzwerke im maschinellen Lernprozess.

Öffnen

Vergleich: Maschinelles Lernen vs. Deep Learning

Der Vergleich zwischen maschinellem Lernen und Deep Learning zeigt wichtige Unterschiede in verschiedenen Aspekten:

Datenstruktur:
- Maschinelles Lernen: Arbeitet hauptsächlich mit strukturierten Daten
- Deep Learning: Kann sowohl mit strukturierten als auch unstrukturierten Daten umgehen
Datensatzgröße:
- Maschinelles Lernen: Funktioniert auch mit kleineren Datensätzen
- Deep Learning: Benötigt in der Regel sehr große Datenmengen
Hardware-Anforderungen:
- Maschinelles Lernen: Funktioniert oft mit einfacher Hardware
- Deep Learning: Erfordert leistungsstarke Computer, insbesondere GPUs
Feature-Extraktion:
- Maschinelles Lernen: Erfordert oft manuelles Verständnis der Merkmale
- Deep Learning: Kann Merkmale automatisch extrahieren
Laufzeit:
- Maschinelles Lernen: Minuten bis Stunden
- Deep Learning: Kann Tage bis Monate dauern
Interpretierbarkeit:
- Maschinelles Lernen: Teilweise leicht interpretierbar
- Deep Learning: Oft schwer zu interpretieren ("Black Box")

Highlight: Deep Learning vs Machine Learning deutsch erklärt, zeigt, dass Deep Learning besonders bei komplexen Aufgaben mit großen Datenmengen Vorteile hat, während klassisches maschinelles Lernen bei kleineren, strukturierten Datensätzen effizient sein kann.

Öffnen

Schwächen und Stärken der KI

Künstliche Intelligenz hat sowohl Stärken als auch Schwächen, die es zu berücksichtigen gilt.

Schwächen der KI:

Fokussierung auf klar definierte Aufgaben
Begrenzte Flexibilität außerhalb des trainierten Bereichs
Abhängigkeit von der Qualität der Trainingsdaten

Stärken der KI:

Ziel, menschliche intellektuelle Fertigkeiten zu erreichen oder zu übertreffen
Eigenständiges, intelligentes und flexibles Handeln
Potenzial zur Entwicklung einer starken KI in den nächsten 20-40 Jahren

Highlight: Die Entwicklung einer starken KI, die in allen Bereichen mit menschlicher Intelligenz mithalten oder diese übertreffen kann, gilt als realistisches Ziel für die kommenden Jahrzehnte.

Beispiel: Eigenschaften einer starken KI könnten logisches Denkvermögen, Entscheidungsfähigkeit und Lernfähigkeit umfassen.

Öffnen

Künstliche Neuronale Netze und Deep Learning

Künstliche Neuronale Netze und Deep Learning sind fortgeschrittene Methoden des maschinellen Lernens, die sich an der Struktur des menschlichen Gehirns orientieren.

Definition: Deep Learning ist eine Methode des maschinellen Lernens, bei der ein Algorithmus mithilfe von künstlichen neuronalen Netzen Zusammenhänge in großen Datenmengen erkennt.

Highlight: Deep Learning vs Machine Learning zeigt sich vor allem in der Fähigkeit, mit unstrukturierten Daten umzugehen und komplexe Muster zu erkennen.

Künstliche Neuronale Netze ahmen die Struktur und Funktionsweise des menschlichen Gehirns nach, um Lernprozesse zu optimieren und tiefgreifende Analysen durchzuführen.

Vocabulary: Neuronale Netze KI bezeichnet die Verwendung von künstlichen neuronalen Netzwerken in KI-Systemen, die besonders effektiv bei komplexen Aufgaben wie Bilderkennung oder Sprachverarbeitung sind.

Öffnen

Was ist Künstliche Intelligenz?

Künstliche Intelligenz (KI) ist ein faszinierendes Teilgebiet der Informatik, das sich mit der technischen Nachbildung menschlicher Intelligenz befasst. Das Hauptziel der KI-Forschung ist es, die Funktionsweise unseres Gehirns und Geistes zu verstehen und künstlich nachzubauen.

Definition: Künstliche Intelligenz ist der Versuch, menschliche Intelligenz durch Computersysteme nachzubilden und zu simulieren.

Highlight: Die Definition Künstliche Intelligenz Bundesregierung betont die Bedeutung von KI für die digitale Transformation und wirtschaftliche Innovation.

KI-Systeme zeichnen sich durch ihre Fähigkeit aus, sich auf spezifische Anwendungsprobleme zu fokussieren und diese mithilfe mathematischer und informatischer Methoden zu lösen. Ein besonderer Vorteil von KI ist ihre Fähigkeit zur Selbstoptimierung.

Beispiel: Typische Künstliche Intelligenz Beispiele sind Zeichenerkennung, Texterkennung, Spracherkennung und die individuelle Aussteuerung von Werbung.

Öffnen

Nichts passendes dabei? Erkunde andere Fachbereiche.

Knowunity ist die #1 unter den Bildungs-Apps in fünf europäischen Ländern

Knowunity wurde bei Apple als "Featured Story" ausgezeichnet und hat die App-Store-Charts in der Kategorie Bildung in Deutschland, Italien, Polen, der Schweiz und dem Vereinigten Königreich regelmäßig angeführt. Werde noch heute Mitglied bei Knowunity und hilf Millionen von Schüler:innen auf der ganzen Welt.

Laden im

Google Play

Laden im

App Store

Knowunity ist die #1 unter den Bildungs-Apps in fünf europäischen Ländern

4.9+

Durchschnittliche App-Bewertung

13 M

Schüler:innen lieben Knowunity

#1

In Bildungs-App-Charts in 12 Ländern

950 K+

Schüler:innen haben Lernzettel hochgeladen

Immer noch nicht überzeugt? Schau dir an, was andere Schüler:innen sagen...

iOS User

Ich liebe diese App so sehr, ich benutze sie auch täglich. Ich empfehle Knowunity jedem!! Ich bin damit von einer 4 auf eine 1 gekommen :D

Philipp, iOS User

Die App ist sehr einfach und gut gestaltet. Bis jetzt habe ich immer alles gefunden, was ich gesucht habe :D

Lena, iOS Userin

Ich liebe diese App ❤️, ich benutze sie eigentlich immer, wenn ich lerne.

Nichts passendes dabei? Erkunde andere Fachbereiche.

Knowunity ist die #1 unter den Bildungs-Apps in fünf europäischen Ländern

Knowunity wurde bei Apple als "Featured Story" ausgezeichnet und hat die App-Store-Charts in der Kategorie Bildung in Deutschland, Italien, Polen, der Schweiz und dem Vereinigten Königreich regelmäßig angeführt. Werde noch heute Mitglied bei Knowunity und hilf Millionen von Schüler:innen auf der ganzen Welt.

Laden im

Google Play

Laden im

App Store

4.9+

Durchschnittliche App-Bewertung

13 M

Schüler:innen lieben Knowunity

#1

In Bildungs-App-Charts in 12 Ländern

950 K+

Schüler:innen haben Lernzettel hochgeladen

Immer noch nicht überzeugt? Schau dir an, was andere Schüler:innen sagen...

iOS User

Ich liebe diese App so sehr, ich benutze sie auch täglich. Ich empfehle Knowunity jedem!! Ich bin damit von einer 4 auf eine 1 gekommen :D

Philipp, iOS User

Die App ist sehr einfach und gut gestaltet. Bis jetzt habe ich immer alles gefunden, was ich gesucht habe :D

Lena, iOS Userin

Ich liebe diese App ❤️, ich benutze sie eigentlich immer, wenn ich lerne.

Fächer

Informatik

Grundlagen der informatik

Codierung und verschlüsselung

Authentifizierung, integrität, digitale signatur, kryptografische hashfunktion, zertifikat

Wie funktioniert KI? Künstliche Intelligenz Beispiele und Anwendungen

Hannes B.

@hannes8973

12 Follower

5.7.2022

6261

11/12

Informatik

178

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Geschichte der Künstlichen Intelligenz

Die Geschichte der Künstlichen Intelligenz ist geprägt von bedeutenden Meilensteinen und visionären Vorhersagen:

1950: Alan Turing stellt die Frage "Können Maschinen denken?" und entwickelt den Turing-Test.

1956: Auf der Dartmouth-Konferenz wird der Begriff "Künstliche Intelligenz" geprägt.

1965: Gordon Moore formuliert das Mooresche Gesetz, das die rasante Entwicklung der Computertechnologie vorhersagt.

1980er: Entwicklung der ersten Expertensysteme und Beginn des Projekts "Computer der fünften Generation" in Japan.

1997: Der Schachcomputer Deep Blue schlägt den Schachweltmeister Garri Kasparow.

Highlight: Die Geschichte der KI zeigt eine stetige Entwicklung von theoretischen Konzepten hin zu praktischen Anwendungen, die heute unser tägliches Leben beeinflussen.

Quote: "In drei bis acht Jahren werden wir eine Maschine mit der allgemeinen Intelligenz eines durchschnittlichen Menschen haben" - Marvin Minsky, 1970

Diese optimistische Vorhersage zeigt, wie schwierig es ist, den Fortschritt in der KI-Forschung genau vorherzusagen.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Vor- und Nachteile der Künstlichen Intelligenz

Die Entwicklung und der Einsatz von Künstlicher Intelligenz bringen sowohl Vorteile als auch Herausforderungen mit sich:

Vorteile:

Objektive Entscheidungsfindung ohne emotionale Beeinflussung
Fähigkeit zur Analyse großer Datenmengen
Schnelle Weitergabe von gelerntem Wissen an andere Systeme
Steigerung der Effizienz in vielen Unternehmensbereichen

Highlight: Die Fähigkeit von KI, große Datenmengen zu analysieren und daraus Erkenntnisse zu gewinnen, revolutioniert viele Branchen und ermöglicht neue Geschäftsmodelle.

Nachteile:

Potenzielle Abhängigkeit von KI-gesteuerten Systemen
Ethische Bedenken bei der Entscheidungsfindung durch KI
Möglicher Verlust von Arbeitsplätzen durch Automatisierung
Datenschutz- und Sicherheitsrisiken

Beispiel: Künstliche Intelligenz nutzen kann in der Medizin zu präziseren Diagnosen führen, birgt aber auch die Gefahr, dass sensible Patientendaten missbraucht werden könnten.

Es ist wichtig, diese Vor- und Nachteile sorgfältig abzuwägen und einen verantwortungsvollen Umgang mit KI-Technologien zu entwickeln.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

KI im Einsatz

Künstliche Intelligenz findet heute in vielen Bereichen Anwendung:

Medizin: KI unterstützt Ärzte bei Diagnosen und der Analyse von medizinischen Bildern.
Visuelle Assistenten: Systeme wie Siri, Alexa oder Google Assistant nutzen KI für Spracherkennung und -verarbeitung.
Industrie: Virtuelle Assistenten optimieren Produktionsprozesse und unterstützen bei der Qualitätskontrolle.
Vertrieb: KI-gestützte Systeme verbessern Kundenservice und personalisierte Marketingstrategien.
Sicherheit: Prognosemodelle helfen bei der Vorhersage von Risiken und Gefahrenbereichen.

Beispiel: KI-Anwendungen im Alltag reichen von Sprachassistenten auf Smartphones bis hin zu personalisierten Empfehlungen in Streaming-Diensten.

Highlight: KI Beispiele Industrie zeigen, wie Unternehmen durch den Einsatz von KI ihre Effizienz steigern und innovative Produkte entwickeln können.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Maschinelles Lernen

Maschinelles Lernen ist ein zentraler Bestandteil der künstlichen Intelligenz und umfasst verschiedene Lernmethoden:

Überwachtes Lernen: Diese Methode nutzt bekannte Daten, um Muster und Zusammenhänge zu erkennen. Ziel ist es, eine Zufallsvariable vorherzusagen.

Beispiel: Ein KI-System wird mit Bildern von Kirschen trainiert und lernt, diese zu erkennen.
Unüberwachtes Lernen: Hierbei werden große Datenmengen nach unbekannten Strukturen und Mustern durchsucht.

Highlight: Unüberwachtes Lernen ist besonders nützlich, um in komplexen Datensätzen neue Erkenntnisse zu gewinnen.
Bestärktes Lernen: Diese Methode simuliert natürliches Lernen durch positives oder negatives Feedback auf Aktionen.

Beispiel: Ein KI-System lernt durch Versuch und Irrtum, Objekte korrekt zu identifizieren.

Vocabulary: Maschinelles Lernen neuronale Netze bezieht sich auf die Verwendung künstlicher neuronaler Netzwerke im maschinellen Lernprozess.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Vergleich: Maschinelles Lernen vs. Deep Learning

Der Vergleich zwischen maschinellem Lernen und Deep Learning zeigt wichtige Unterschiede in verschiedenen Aspekten:

Datenstruktur:
- Maschinelles Lernen: Arbeitet hauptsächlich mit strukturierten Daten
- Deep Learning: Kann sowohl mit strukturierten als auch unstrukturierten Daten umgehen
Datensatzgröße:
- Maschinelles Lernen: Funktioniert auch mit kleineren Datensätzen
- Deep Learning: Benötigt in der Regel sehr große Datenmengen
Hardware-Anforderungen:
- Maschinelles Lernen: Funktioniert oft mit einfacher Hardware
- Deep Learning: Erfordert leistungsstarke Computer, insbesondere GPUs
Feature-Extraktion:
- Maschinelles Lernen: Erfordert oft manuelles Verständnis der Merkmale
- Deep Learning: Kann Merkmale automatisch extrahieren
Laufzeit:
- Maschinelles Lernen: Minuten bis Stunden
- Deep Learning: Kann Tage bis Monate dauern
Interpretierbarkeit:
- Maschinelles Lernen: Teilweise leicht interpretierbar
- Deep Learning: Oft schwer zu interpretieren ("Black Box")

Highlight: Deep Learning vs Machine Learning deutsch erklärt, zeigt, dass Deep Learning besonders bei komplexen Aufgaben mit großen Datenmengen Vorteile hat, während klassisches maschinelles Lernen bei kleineren, strukturierten Datensätzen effizient sein kann.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Schwächen und Stärken der KI

Künstliche Intelligenz hat sowohl Stärken als auch Schwächen, die es zu berücksichtigen gilt.

Schwächen der KI:

Fokussierung auf klar definierte Aufgaben
Begrenzte Flexibilität außerhalb des trainierten Bereichs
Abhängigkeit von der Qualität der Trainingsdaten

Stärken der KI:

Ziel, menschliche intellektuelle Fertigkeiten zu erreichen oder zu übertreffen
Eigenständiges, intelligentes und flexibles Handeln
Potenzial zur Entwicklung einer starken KI in den nächsten 20-40 Jahren

Highlight: Die Entwicklung einer starken KI, die in allen Bereichen mit menschlicher Intelligenz mithalten oder diese übertreffen kann, gilt als realistisches Ziel für die kommenden Jahrzehnte.

Beispiel: Eigenschaften einer starken KI könnten logisches Denkvermögen, Entscheidungsfähigkeit und Lernfähigkeit umfassen.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Künstliche Neuronale Netze und Deep Learning

Künstliche Neuronale Netze und Deep Learning sind fortgeschrittene Methoden des maschinellen Lernens, die sich an der Struktur des menschlichen Gehirns orientieren.

Definition: Deep Learning ist eine Methode des maschinellen Lernens, bei der ein Algorithmus mithilfe von künstlichen neuronalen Netzen Zusammenhänge in großen Datenmengen erkennt.

Highlight: Deep Learning vs Machine Learning zeigt sich vor allem in der Fähigkeit, mit unstrukturierten Daten umzugehen und komplexe Muster zu erkennen.

Künstliche Neuronale Netze ahmen die Struktur und Funktionsweise des menschlichen Gehirns nach, um Lernprozesse zu optimieren und tiefgreifende Analysen durchzuführen.

Vocabulary: Neuronale Netze KI bezeichnet die Verwendung von künstlichen neuronalen Netzwerken in KI-Systemen, die besonders effektiv bei komplexen Aufgaben wie Bilderkennung oder Sprachverarbeitung sind.

Melde dich an, um den Inhalt freizuschalten. Es ist kostenlos!

Zugriff auf alle Dokumente

Werde Teil der Community

Verbessere deine Noten

Mit der Anmeldung akzeptierst du die Nutzungsbedingungen und die Datenschutzrichtlinie

Was ist Künstliche Intelligenz?

Definition: Künstliche Intelligenz ist der Versuch, menschliche Intelligenz durch Computersysteme nachzubilden und zu simulieren.

Highlight: Die Definition Künstliche Intelligenz Bundesregierung betont die Bedeutung von KI für die digitale Transformation und wirtschaftliche Innovation.

Beispiel: Typische Künstliche Intelligenz Beispiele sind Zeichenerkennung, Texterkennung, Spracherkennung und die individuelle Aussteuerung von Werbung.