Machine Learning & KI
KI-Kompass für Entscheider
So setzen Sie Künstliche Intelligenz gewinnbringend in Ihrem Unternehmen einEndlich ist die Künstliche Intelligenz reif für die Nutzung in industriellen Prozessen, Produkten und Diensten. Die Potenziale sind enorm, doch eine erfolgreiche Integration von KI-Anwendungen kann nur gelingen, wenn man das Thema zur Chefsache macht. Dieser Leitfaden wendet sich an Entscheidungsträger, die ihr Unternehmen fit für den Einsatz industrieller KI machen wollen.Folgende Themen erwarten Sie:- Kompakter Einstieg in die KI-Technik: Data Science, Machine Learning, Künstliche Neuronale Netze- Das Zusammenspiel von KI, Industrie 4.0 und IoT- KI in der Industrie: Einsatzszenarien in Produktentwicklung und Produktion sowie für produktbasierende Dienste, KI in der (Edge-)Cloud und auf dem Chip- Die Rolle der Industrieplattformen: B2B-Angebote für KI-Apps, Managed Services, Cloud Infrastructure as a Service- Fragen der Datensicherheit und EthikWertvolle Einblicke in die Strategien, Angebote und Use Cases führender Unternehmen und Forschungseinrichtungen auf dem Gebiet der industriellen KI, wie ABB, Dassault Systèmes, Siemens, it’s OWL und das Werkzeugmaschinenlabor der RWTH Aachen, runden den Inhalt ab.Systemvoraussetzungen für E-Book inside: Internet-Verbindung und Adobe-Reader oder Ebook-Reader bzw. Adobe Digital Editions Dipl.-Ing. (FH) Ulrich Sendler (www.ulrichsendler.de) ist Feinwerktechnik-Ingenieur, Werkzeugmacher und NC-Programmierer. Seit Ende der Achtzigerjahre ist er als freier Fachjournalist, Buchautor, Technologieanalyst, Redner und Moderator im Umfeld der virtuellen Produktentwicklung und Digitalisierung tätig. Er ist Gründer und Organisator des sendler\circle, einer Interessengemeinschaft der Anbieter von Software und Services für die Industrie, und betreibt ein Nachrichtenportal zu Digitalisierung, Industrie 4.0 und PLM (www.plmportal.org).
KI verändert die Spielregeln
Geschäftsmodelle, Kundenbeziehungen und Produkte neu denken.Künstliche Intelligenz (KI) ist in der Wirtschaft in aller Munde. Aber nur die wenigsten Firmen wissen, wie sie KI für den Aufbau neuer Geschäftsfelder nutzen können. Genau darum geht es in diesem Buch. Die Autoren kommen aus der Praxis und beschreiben unter anderem KI-Projekte, die sie gemeinsam mit ihren Kunden umgesetzt haben. Profitieren Sie von diesem Know-how , um mit KI erfolgreich zu sein:- grundlegendes Verständnis für die Möglichkeiten von Künstlicher Intelligenz- Vorgehensmodell für das Entwickeln von KI-Anwendungen- Folgenabschätzung für Prozesse und Geschäftsmodelle in verschiedenen Branchen durch KI- Einsatzszenarien für Prozesse von Kommunikation bis Verwaltung- Unterstützung mobiler Prozesse mithilfe von KIDas Buch enthält konkrete, realisierbare Anwendungsfälle für das verarbeitende Gewerbe und für Dienstleister. Lassen Sie sich davon inspirieren, um eigene Lösungen zu entwickeln und zu vermarkten.
Blended Learning mit Moodle
BLENDED LEARNING MIT MOODLE - Moodle-Infrastruktur aufbauen und verstehen- Moodle professionell verwalten- Kurse gestalten und in das Unterrichtsprogramm integrieren- Unterstützender Einsatz von Hot Potatoes und H5P im Präsenzunterricht- Erfolgreich und zuverlässig Prüfungen mit Moodle durchführenBei „Moodle“ bzw. „E-/Blended Learning“ geht es vor allem darum, gezielt Kurse zu entwickeln, die sich ideal in das didaktische Konzept der Lehre integrieren und diese unterstützen. Auch die Durchführung von Prüfungen und Lernzielkontrollen sowie die Abgabe von Hausaufgaben sind ein wichtiges Thema. Das Lehrpersonal und der menschliche Kontakt sollen dadurch aber nicht ersetzt werden.Vorbereitende Übungen zur Vertiefung des Stoffs sollen kurzweilig gestaltet und auch für kurze Übungssequenzen geeignet sein. Einen Einblick in externe Software, die über den SCORM-Standard (Sharable Content Object Reference Model) in Moodle integriert werden kann, gibt die Vorstellung von Hot Potatoes. In der Zukunft wird für die Unterstützung der Präsenzlehre und der Fernschulung sowie als motivierendes Recherchemedium die Integration multimedialer, interaktiver Technologien wie H5P in Moodle immer wichtiger.Blended-Learning-Technologien (hier am Beispiel des am weitesten verbreiteten LMS Moodle) sollen eine Unterstützung der Aus- und Fortbildung sein, nicht jedoch als eine disruptive Konkurrenz zu einer zwischenmenschlich geprägten Pädagogik aufgefasst werden. Dazu soll dieses Werk beitragen.AUS DEM INHALTTeil I - Allgemeine Ansätze- Potenzielle Zielgruppen- Potenzielle EinsatzbereicheTeil II – Technik- Der Moodle-Server- Moodle-Grundinstallation- Benutzerverwaltung- Rollen im Moodle-System- Bereichs- und Kursverwaltung- E-Mail-Kommunikation- DesignsTeil III - Moodle in der Praxis- Moodle im Überblick- Aktivitäten - Werkzeuge zur Kursgestaltung- Ergänzende Lernhilfen für Moodle- Fragenkataloge in Moodle- Lernzielkontrollen und Prüfungen
Algorithmen in Python
Inhalt Algorithmen gehören zum Rüstzeug guter Entwickler und Programmierer. Dieses Buch stellt Ihnen eine Vielzahl an problemlösenden Techniken für den Programmieralltag vor und zeigt, wie Sie diese Techniken in Ihre Anwendungen implementieren. Dabei lernen Sie 32 Klassiker der Informatik kennen, vom einfachen Such-Algorithmus bis zu genetischen Algorithmen und neuronalen Netzen in der KI. Randvoll mit Codebeispielen in Python sowie Profitipps für Programmierer. Selbst wenn Ihnen einiges bekannt vorkommen wird, es warten zahlreiche Aha-Erlebnisse auf Sie. Ideal für alle, die ihre ersten Schritte in der Programmierung hinter sich haben und jetzt voll durchstarten wollen! - Programmieren trainieren mit bekannten und modernen Klassikern - Von der Suche bis zu k-Means, vom Dreizeiler bis zur dynamischen Programmierung und KI - Für Studium, Coding-Katas, Workouts oder in Eigeninitiative - Titel der amerikanischen Originalausgabe: "Classic Computer Science Problems in Python"
Human Compatible
Künstliche Intelligenz und wie der Mensch die Kontrolle über superintelligente Maschinen behält »Das bedeutendste Buch über KI in diesem Jahr.«- The Guardian, 24.09.2019Werden Maschinen bald auf nahezu allen Gebieten intelligenter sein als der Mensch? Auch wenn das vielversprechend klingt, ist die Entwicklung einer Superintelligenz zugleich ein ernstzunehmendes Risiko. Denn ist diese einmal da, können wir nicht mehr einfach den Stecker ziehen. Niemand kann die Chancen und Risiken der künstlichen Intelligenz besser beurteilen als Stuart Russell, der seit mehr als einer Dekade an vorderster Front der KI-Forschung arbeitet. Er veranschaulicht mit brillanten Analogien, wie sich natürliche und künstliche Intelligenz voneinander unterscheiden, und macht deutlich, weshalb wir vermeiden müssen, dass die Maschinen für uns unkontrollierbar werden. Fundiert, eindringlich und visionär zeigt Human Compatible neue Perspektiven und Lösungswege für die KI-Forschung auf, um zu gewährleisten, dass superintelligente Maschinen unsere Ziele verfolgen und nicht ihre eigenen.
Artificial Intelligence for Business
Artificial Intelligence for Business: A Roadmap for Getting Started with AI will provide the reader with an easy to understand roadmap for how to take an organization through the adoption of AI technology. It will first help with the identification of which business problems and opportunities are right for AI and how to prioritize them to maximize the likelihood of success. Specific methodologies are introduced to help with finding critical training data within an organization and how to fill data gaps if they exist. With data in hand, a scoped prototype can be built to limit risk and provide tangible value to the organization as a whole to justify further investment. Finally, a production level AI system can be developed with best practices to ensure quality with not only the application code, but also the AI models. Finally, with this particular AI adoption journey at an end, the authors will show that there is additional value to be gained by iterating on this AI adoption lifecycle and improving other parts of the organization. JEFFREY L. COVEYDUC is Vice President and Master Inventor at IBM. His diverse background consists of positions that encompass the creation of innovative, technologically advanced global AI solutions and client adoption. JASON L. ANDERSON is a Partner and CTO with the data consultancy, Comp Three, where he established a new AI line of business. He is also a former IBM Cognitive Architect and Master Inventor. He received both BS and MS degrees in Computer Science from California Polytechnic State University, SLO. Preface ixAcknowledgments xiCHAPTER 1 INTRODUCTION 1Case Study #1: FANUC Corporation 2Case Study #2: H&R Block 4Case Study #3: BlackRock, Inc. 5How to Get Started 6The Road Ahead 10Notes 11CHAPTER 2 IDEATION 13An Artificial Intelligence Primer 13Becoming an Innovation-Focused Organization 23Idea Bank 25Business Process Mapping 27Flowcharts, SOPs, and You 28Information Flows 29Coming Up with Ideas 31Value Analysis 31Sorting and Filtering 34Ranking, Categorizing, and Classifying 35Reviewing the Idea Bank 37Brainstorming and Chance Encounters 38AI Limitations 41Pitfalls 44Action Checklist 45Notes 46CHAPTER 3 DEFINING THE PROJECT 47The What, Why, and How of a Project Plan 48The Components of a Project Plan 49Approaches to Break Down a Project 53Project Measurability 62Balanced Scorecard 63Building an AI Project Plan 64Pitfalls 66Action Checklist 69CHAPTER 4 DATA CURATION AND GOVERNANCE 71Data Collection 73Leveraging the Power of Existing Systems 81The Role of a Data Scientist 81Feedback Loops 82Making Data Accessible 84Data Governance 85Are You Data Ready? 89Pitfalls 90Action Checklist 94Notes 94CHAPTER 5 PROTOTYPING 97Is There an Existing Solution? 97Employing vs. Contracting Talent 99Scrum Overview 101User Story Prioritization 103The Development Feedback Loop 105Designing the Prototype 106Technology Selection 107Cloud APIs and Microservices 110Internal APIs 112Pitfalls 112Action Checklist 114Notes 114CHAPTER 6 PRODUCTION 117Reusing the Prototype vs. Starting from a Clean Slate 117Continuous Integration 119Automated Testing 124Ensuring a Robust AI System 128Human Intervention in AI Systems 129Ensure Prototype Technology Scales 131Cloud Deployment Paradigms 133Cloud API’s SLA 135Continuing the Feedback Loop 135Pitfalls 135Action Checklist 137Notes 137CHAPTER 7 THRIVING WITH AN AI LIFECYCLE 139Incorporate User Feedback 140AI Systems Learn 142New Technology 144Quantifying Model Performance 145Updating and Reviewing the Idea Bank 147Knowledge Base 148Building a Model Library 150Contributing to Open Source 155Data Improvements 157With Great Power Comes Responsibility 158Pitfalls 159Action Checklist 161Notes 161CHAPTER 8 CONCLUSION 163The Intelligent Business Model 164The Recap 164So What are You Waiting For? 168APPENDIX A AI EXPERTS 169AI Experts 169Chris Ackerson 169Jeff Bradford 173Nathan S. Robinson 175Evelyn Duesterwald 177Jill Nephew 179Rahul Akolkar 183Steven Flores 187APPENDIX B ROADMAP ACTION CHECKLISTS 191Step 1: Ideation 191Step 2: Defining the Project 191Step 3: Data Curation and Governance 192Step 4: Prototyping 192Step 5: Production 193Thriving with an AI Lifecycle 193APPENDIX C PITFALLS TO AVOID 195Step 1: Ideation 195Step 2: Defining the Project 196Step 3: Data Curation and Governance 199Step 4: Prototyping 203Step 5: Production 204Thriving with an AI Lifecycle 206Index 209
KI in der Industrie
Grundlagen, Anwendungen, PerspektivenDie Industrie ist im KI-Fieber. Doch was bedeutet KI für Industrieprozesse eigentlich, was ist schwache und starke KI, wie starten Unternehmen erste Projekte, wie kann der Unternehmer Mitarbeiter weiterbilden, wo findet er Mitstreiter, wie geht der Betrieb mit Daten um, wie sammeln die Mitarbeiter Daten, was tun sie damit, existiert eine Cloud- oder Edge-Strategie? Das Buch bietet einen Einblick, wie KI in der Industrie – mit Fokus auf Maschinenbau und Prozessindustrie – eingesetzt werden kann und was die ersten Schritte im Umgang mit Daten und deren Auswertung durch Algorithmen sind. In Kurzinterviews kommen Experten aus Themenfeldern wie Datenanalyse, IT-Security oder KI-Ethik zu Wort, anhand von Praxisbeispielen werden konkrete Anwendungsfälle erläutert.
Generatives Deep Learning
Generative Modelle haben sich zu einem der spannendsten Themenbereiche der Künstlichen Intelligenz entwickelt: Mit generativem Deep Learning ist es inzwischen möglich, einer Maschine das Malen, Schreiben oder auch das Komponieren von Musik beizubringen – kreative Fähigkeiten, die bisher dem Menschen vorbehalten waren. Mit diesem praxisnahen Buch können Data Scientists einige der eindrucksvollsten generativen Deep-Learning-Modelle nachbilden, wie z.B. Generative Adversarial Networks (GANs), Variational Autoencoder (VAEs), Encoder-Decoder- sowie World-Modelle. David Foster vermittelt zunächst die Grundlagen des Deep Learning mit Keras und veranschaulicht die Funktionsweise jeder Methode, bevor er zu einigen der modernsten Algorithmen auf diesem Gebiet vorstößt. Die zahlreichen praktischen Beispiele und Tipps helfen Ihnen herauszufinden, wie Ihre Modelle noch effizienter lernen und noch kreativer werden können. - Entdecken Sie, wie Variational Autoencoder den Gesichtsausdruck auf Fotos verändern können - Erstellen Sie praktische GAN-Beispiele von Grund auf und nutzen Sie CycleGAN zur Stilübertragung und MuseGAN zum Generieren von Musik - Verwenden Sie rekurrente generative Modelle, um Text zu erzeugen, und lernen Sie, wie Sie diese Modelle mit dem Attention-Mechanismus verbessern können - Erfahren Sie, wie generatives Deep Learning Agenten dabei unterstützen kann, Aufgaben im Rahmen des Reinforcement Learning zu erfüllen - Lernen Sie die Architektur von Transformern (BERT, GPT-2) und Bilderzeugungsmodellen wie ProGAN und StyleGAN kennen "Dieses Buch ist eine leicht zugängliche Einführung in das Deep-Learning-Toolkit für generatives Modellieren. Wenn Sie ein kreativer Praktiker sind, der es liebt, an Code zu basteln, und Deep Learning für eigene Aufgaben nutzen möchte, dann ist dieses Buch genau das Richtige für Sie." — David Ha, Research Scientist bei Google Brain
Deep Learning
Deep Learning ist die Schlüsseltechnologie des derzeitigen Booms der Künstlichen Intelligenz. Neuronale Netze können Höchstleistung erbringen, wenn sie als Deep-Learning-Netze aufgestellt sind und mit großen Datenmengen trainiert werden – und wenn Sie wissen, wie man dieses maschinelle Lernen geschickt implementiert. Mit TensorFlow und Keras stehen dafür mächtige Frameworks bereit. Lernen Sie hier, sie in realer Projektpraxis erfolgreich einzusetzen. Unsere Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow.js.
Deep Learning - Das umfassende Handbuch
Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.Aus dem Inhalt:Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning • Lineare Algebra • Wahrscheinlichkeits- und Informationstheorie • Bayessche Statistik • Numerische BerechnungTeil II: Deep-Learning-Verfahren • Tiefe Feedforward-Netze • Regularisierung • Optimierung beim Trainieren tiefer Modelle • Convolutional Neural Networks • Sequenzmodellierung für Rekurrente und Rekursive Netze • Praxisorientierte Methodologie • Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher SpracheTeil III: Deep-Learning-Forschung • Lineare Faktorenmodelle • Autoencoder • Representation Learning • Probabilistische graphische Modelle • Monte-Carlo-Verfahren • Die Partitionsfunktion • Approximative Inferenz • Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.
Deep Learning mit R und Keras
Dieses Buch ist eine praxisorientierte Einführung und erläutert die grundlegenden Konzepte sowie den konkreten Einsatz von Deep Learning. Der Autor verzichtet dabei weitgehend auf mathematische Formeln und legt stattdessen den Fokus auf das Vermitteln der praktischen Anwendung von Machine Learning und Deep Learning. Anhand zahlreicher Beispiele erfahren Sie alles, was Sie benötigen, um Deep Learning zum Lösen konkreter Aufgabenstellungen einzusetzen. Dafür verwendet der Autor die Programmiersprache R und die Deep-Learning-Bibliothek Keras, die das beliebteste und am besten geeignete Tool für den Einstieg in Deep Learning ist. Lernen Sie alles über die iCloud und die damit verbundene Apple-ID. Das Buch besteht aus zwei Teilen: Teil I ist eine allgemeine Einführung in das Deep Learning und erläutert die grundlegenden Zusammenhänge und Begriffe sowie alle erforderlichen Konzepte, die für den Einstieg in Deep Learning und Neuronale Netze wichtig sind. In Teil II erläutert der Autor ausführlich die praktischen Anwendungen des Deep Learnings beim maschinellen Sehen (Computer Vision) und bei der Verarbeitung natürlicher Sprache. Viele der hier vorgestellten Beispiele können Ihnen später als Vorlage zum Lösen von Problemen dienen, die Ihnen in der Praxis des Deep Learnings begegnen werden. Das Buch wendet sich an Leser, die bereits Programmiererfahrung mit R haben und die ins Machine Learning und Deep Learning einsteigen möchten. Für den Einsatz von Keras werden grundlegende R-Kenntnisse vorausgesetzt. Aus dem Inhalt: - Was ist Deep Learning? - Die mathematischen Bausteine eines neuronalen Netzes - Einführung in neuronale Netze - Keras, TensorFlow, Theano und CNTK - Grundlagen des Machine Learnings - Deep Learning und maschinelles Sehen - Deep Learning, Text und sequenzielle Daten - Bewährte Verfahren des Deep Learnings - Generatives Deep Learning - Installation von Keras und der Erweiterungen unter Ubuntu - RStudio-Server auf einer EC2-GPU-Instanz betreiben
Data Science mit Python
Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools:• IPython und Jupyter für datenintensive Berechnungen• NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python• Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten• Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt.
Machine Learning mit Python
Beschreibung Machine Learning und Predictive Analytics verändern die Arbeitsweise von Unternehmen grundlegend. Die Fähigkeit, in komplexen Daten Trends und Muster zu erkennen, ist heutzutage für den langfristigen geschäftlichen Erfolg ausschlaggebend und entwickelt sich zu einer der entscheidenden Wachstumsstrategien. Sebastian Raschka gibt Ihnen einen detaillierten Einblick in die Techniken der Predictive Analytics. Er erläutert die grundlegenden theoretischen Prinzipien des Machine Learnings und wendet sie praktisch an. Dabei konzentriert er sich insbesondere auf das Stellen und Beantworten der richtigen Fragen. Python zählt zu den führenden Programmiersprachen im Bereich Data Science und ist besonders gut dazu geeignet, grundlegende Erkenntnisse aus Ihren Daten zu gewinnen sowie ausgefeilte Algorithmen und statistische Modelle auszuarbeiten, die neue Einsichten liefern und wichtige Fragen beantworten. Der Autor erläutert in diesem Buch ein breites Spektrum leistungsfähiger Python-Bibliotheken wie scikit-learn, Theano oder Keras. Sie lernen Schritt für Schritt die Grundlagen von Python für maschinelle Lernverfahren kennen und setzen dabei eine Vielfalt von statistischen Modellen ein. Über den Autor Sebastian Raschka ist Doktorand an der Michigan State University und entwickelt neue Rechenverfahren im Bereich der Bioinformatik. Er wurde auf GitHub von Analytics Vidhya als einflussreichster Datenanalytiker eingestuft. Er verfügt über jahrelange Erfahrung in der Python-Programmierung und hat mehrere Seminare über praktische Data-Science-Anwendungen und maschinelles Lernen geleitet. Seine Erfahrungen mit Data Science, maschinellem Lernen und Python-Programmierung haben ihn dazu motiviert, dieses Buch zu schreiben, um es auch Leuten ohne Kenntnisse maschineller Lernverfahren zu ermöglichen, datengesteuerte Lösungen zu entwickeln. Außerdem hat er aktiv Beiträge zu Open-Source-Projekten geleistet und die von ihm implementierten Verfahren werden inzwischen erfolgreich in Wettbewerben eingesetzt, die maschinelles Lernen zum Thema haben, wie z.B. Kaggle. In seiner Freizeit entwickelt er Vorhersagemodelle für Sportergebnisse.
Das Ende der Wirklichkeit
Künstliche Intelligenz ist in der Welt. Wie sie funktioniert und wie sie eingesetzt wird, hat den Diskurs der letzten Jahre bestimmt. Dieses Buch schließt daran an: Was geschieht, wenn künstliche Intelligenz nicht mehr nur Texte, Bilder und Stimmen erstellt, sondern auch Emotionen, Beziehungen und Erinnerungen simuliert? Wie verändern sich unsere Arbeit, unsere Werte und wir uns selbst, wenn wir nicht mehr sagen können, was noch echt ist? »Wenn du in den Abgrund blickst, blickt der Abgrund auch in dich.« Seit Jahren werden KI-Modelle mit unseren Daten, Texten und unserem Verhalten trainiert. Maschinen werden menschlicher – gleichzeitig wird unsere Welt künstlicher, steriler und roboterhafter. Das Buch geht der Frage nach, wie der Mensch in dieser neuen Wirklichkeit Mensch bleiben kann. Deep Fakes und Hyperrealität Deep Fakes und täuschend echte KI-Inhalte untergraben das Vertrauen in Medien und können Existenzen zerstören. Dr. Mateusz Łabuz zeigt, welche Risiken diese Technologien für unsere Wahrnehmung und Gesellschaft mit sich bringen. Was nun zu tun ist Obwohl KI und Algorithmen immer mehr Einfluss gewinnen, sind wir den Entwicklungen nicht hilflos ausgeliefert. Mit Aufmerksamkeit, kluger Regulierung und verantwortungsvollen Entscheidungen kann der Mensch die Kontrolle über die Technologie behalten. Aus dem Inhalt: Eine neue Wirklichkeit Synthetische Daten – neuer Rohstoff, alte Kolonialisierung Synthetische Sprache – die Jagd auf Bots und Mensch-Maschinen Synthetischer Wettbewerb – die Götter der Technologie wollen die Welt beherrschen Synthetische Werte – woran glauben Algorithmen? Synthetische Arbeit – waren die Ludditen vielleicht doch keine Verrückten? Synthetische Betrügereien – worüber eine Großmutter mit ihrem Enkel (nicht) sprechen sollte Synthetischer Müll – wie sich das Internet in eine Müllhalde verwandelt Synthetische Figuren – wie man sich in jemanden verliebt, der nicht existiert Synthetischer Tod – werde ich nicht ganz sterben? Synthetische Realität – mit Märchen lässt sich viel Geld verdienen Synthetische Zukunft – über Kaffeesatzlesen, die Suche nach dem Menschen und die Frage, wem die Wirklichkeit gehört