KI und Nachhaltigkeit
KI kann einen wichtigen Beitrag für eine nachhaltige Entwicklung unserer Umwelt und Gesellschaft leisten. Wo liegen die Chancen, wo die Risiken?
Webseite der Universität Tübingen
Webseite des Exzellenclusters Maschinelles Lernen: Neue Perspektiven für die Wissenschaft
Webseite des Exzellenclusters Maschinelles Lernen: Neue Perspektiven für die Wissenschaft
Der Kanal KI und Nachhaltigkeit entstand in Zusammenarbeit mit dem Exzellenzcluster Machine Learning: New Perspectives for Science der Universität Tübingen.
Nov 30, 2023
KI und Nachhaltigkeit: zwei große Ideen finden zusammen
Seit April 2023 beleuchtet der Kanal „KI und Nachhaltigkeit“ das Spannungsverhältnis zwischen den Potentialen und Risiken KI-basierter Anwendungen für eine nachhaltige Zukunft. In 43 Texten gingen unsere Kurator*innen, Redakteur*innen und Gastautor*innen zu zahlreichen Aspekten des Themas ins Detail: von konkreten KI-Anwendungen für mehr Nachhaltigkeit über den eigenen Energie- und Ressourcenverbrauch, algorithmenbasierte Diskriminierung bis hin zu ihrer gesetzlichen Regulierung. Der folgende Diskurs-Hub führt die Texte zusammen und macht sie anhand von drei Knotenpunkten navigierbar: Woher stammen die Grundideen der KI-Forschung und wo steht sie heute? Kann KI in der Praxis messbare Beiträge zu mehr Nachhaltigkeit leisten, und wenn ja, wie? Und was macht KI mit uns als Gesellschaft, wenn sie flächendeckend eingesetzt wird?
Feed
Die neuesten und lesenswertesten Inhalte in diesem Kanal
Feed: Die neuesten und lesenswertesten Inhalte in diesem Kanal
Apr 14, 2023
Können Maschinen lernen? Warum diese Frage Theoretiker*innen Sch…
„There ain’t no such thing as a free lunch“, zu deutsch: „Es gibt nichts umsonst.“ Diese Aussage gilt auch für maschinelles Lernen. David Wolpert und William G. Macready formalisierten diese Aussage zwischen 1992 und 1996 in Form der „No-Free-Lunch“-Theoreme. Eine häufige Interpretation der Theoreme ist, dass maschinelles Lernen unmöglich ist und alle Lernalgorithmen gleich schlecht sind. Sterkenburg und Grünwald beleuchten Kritik, Erweiterungen und Interpretationen der Theoreme und argumentieren, dass modernes maschinelles Lernen und dessen theoretische Grundlagen nicht im Widerspruch zu den „No-Free-Lunch“-Theoremen stehen.
In Zusammenarbeit mit der Universität Tübingen
Apr 12, 2023
Die KI-Forschung wurde schon einmal überschätzt
Schon 1965 prophezeite der berühmte Politikwissenschaftler und Organisationsforscher Herbert A. Simon: „Maschinen werden in zwanzig Jahren in der Lage sein, jede Arbeit zu erledigen, die ein Mensch verrichten kann.“ Er unterschätzte ganz offensichtlich die Komplexität der Aufgabe. Larry Hardesty beschreibt in einem ausführlichen Blogpost, wie das Massachusetts Institute of Technology (MIT) 50 Jahre später einen neuen Anlauf nahm: dieses Mal mit vereinten Kräften aus Informatik, Biologie und Psychologie.
In Zusammenarbeit mit der Universität Tübingen
Apr 06, 2023
Fürs Gemeinwohl oder für die Wirtschaft? Wie die deutsche Politi…
„Wenn Sie mir noch drei Minuten Gemeinwohl gestatten? Sonst lasse ich es weg, weil ich es nämlich für nicht ganz so relevant halte.“ Solche Zitate aus dem Wortprotokoll der KI-Enquete-Kommission zeigen: Wenn Expert*innen im Auftrag des Bundestages über die ganz großen Fragen rund um künstliche Intelligenz diskutieren, ist der Zeitplan strikt und jedes noch so wichtige Thema muss um seinen Platz auf der Tagesordnung kämpfen – und das, obwohl hier zwischen den Zeilen die Interessenkonflikte einer zukünftigen KI-Gesellschaft verhandelt werden.
In Zusammenarbeit mit der Universität Tübingen
Apr 04, 2023
Was es für ein nachhaltig soziales Leben braucht
Wie können wir sicherstellen, dass eine ökologisch nachhaltige Entwicklung auch sozial gerecht ist? Dieser Frage geht Eva Senghaas-Knobloch nach. Sie untersucht Ansätze zur Messung und Konzeptualisierung sozialer Nachhaltigkeit. Diese sieht sie als Grundvoraussetzung für eine ökologisch nachhaltige Entwicklung an.
In Zusammenarbeit mit der Universität Tübingen
Apr 04, 2023
ImageNet: Computer lernen sehen
Objekte auf Bildern erkennen – für Menschen eine Kleinigkeit. Computern dagegen konnte das Sehen erst vor zehn Jahren beigebracht werden. Dafür sorgte der gebürtige Ukrainer Alex Krizhevsky, der 2012 als Doktorand in Kanada die Bildverarbeitung revolutionierte. Er setzte dabei auf die Lernfähigkeit künstlicher neuronaler Netze und übertraf die Treffsicherheit vorheriger Ansätze um phänomenale 20 Prozent.
In Zusammenarbeit mit der Universität Tübingen
Apr 04, 2023
Können Maschinen denken? Das Imitation Game von Alan Turing
Können Maschinen denken? Alan Turing stellte im Jahr 1950 diese bis heute relevante und ungeklärte Frage. Er reformulierte sie in Form eines Spiels, das er Imitation Game nannte. Dessen Vereinfachung ist bis heute unter dem Namen Turing-Test bekannt und soll zwischen Mensch und Maschine differenzieren.
In Zusammenarbeit mit der Universität Tübingen
Apr 04, 2023
Der Ursprung der Black-Box-KIs
Moderne Machine-Learning-Algorithmen werden oft als Black Box bezeichnet, weil selbst ihre Entwickler*innen nicht genau nachvollziehen können, warum ein Algorithmus funktioniert. Wie begann die Geschichte dieser Black-Box-Verfahren? 2001 plädiert Leo Breiman in einem kontroversen Essay für diese neue Denkkultur: weg von einfachen, erklärbaren Algorithmen – hin zur leistungsfähigen Black Box.
In Zusammenarbeit mit der Universität Tübingen
Apr 04, 2023
Von Sommern und Wintern der KI
Die Menschheit ist bereits zweimal an dem Versuch gescheitert, eine computerbasierte künstliche Intelligenz (KI) zu entwickeln. Der sogenannte dritte KI-Sommer könnte sich jedoch dauerhaft etablieren, spekuliert Henry A. Kautz 2020 in einem Vortrag. Er spannt einen Bogen von vergangenen KI-Sommern und -Wintern über die negativen Potentiale der Technologie bis hin zu seiner eigenen KI-Vision.
In Zusammenarbeit mit der Universität Tübingen