15 häufige Arten von KI-Problemen

Eines der Probleme, mit denen Unternehmensleiter bei der Kommunikation mit ihren technischen Kollegen konfrontiert sind, besteht darin, ihr KI-Problem zu beschreiben. Um die Kommunikation teilweise zu vereinfachen, finden Sie hier einige häufige KI-Problemtypen.

Versuchen Sie, die verfügbaren KI-Möglichkeiten diesen häufigen Problemtypen zuzuordnen. Beachten Sie, dass sich die Problemtypen häufig überschneiden, aber das ist in Ordnung. Der Schlüssel besteht darin, bei der Kommunikation mit Ihren KI- und Data-Science-Experten die Problemtypen zu identifizieren, die am besten zur jeweiligen Aufgabe passen.

Häufige Arten von KI-Problemen

1. Rangliste

A Einstufung Das Problem besteht darin, einem Dokument, einem Produkt, einer Person oder einem Bild, im Grunde genommen allem, eine oder mehrere Kategorien zuzuordnen. Beispiele hierfür sind:

2. Rückschritt

A Regressionsproblem es geht ums schätzen digital Werte gegeben einige Daten. Versuchen Sie beispielsweise, anhand des aktuellen Maschinenzustands die Anzahl der Monate vorherzusagen, bis eine Maschine repariert werden muss, oder vorhersagen Sie die Auswirkung einer bestimmten Medikamentendosis auf den Blutdruck.

3. Empfehlung

A REmpfehlungsproblem Dabei geht es darum, einer Gruppe von Menschen personalisierte Inhalte oder Produkte bereitzustellen. Beispiele hierfür sind:

• Produktempfehlung
• Empfehlungen, wem Sie folgen sollten
• Empfehlungen, auf welche Stellen Sie sich bewerben sollten
• Empfehlungen zu Artikeln zum Lesen

4. Relevanz der Forschung

A Suchrelevanz das Problem betrifft Verbessern Sie das Ranking der den Benutzern angezeigten Suchergebnisse. Die Verbesserung der Suchrelevanz beginnt oft mit der Analyse von Suchprotokollen, um Probleme anhand harter Daten zu diagnostizieren. Die Verbesserung der Suche kann einen umfassenden Einsatz von maschinellem Lernen erfordern oder auch nicht.

A Informationsextraktion Das Problem besteht darin, aus großen Textdatenmengen spezifische Informationen zu extrahieren. Eines der Ziele der Informationsextraktion besteht darin, Modelle mit aus Rohtext extrahierten Daten zu füllen. Beispiele hierfür sind:

• Extrahieren Sie Patientensymptome aus großen Mengen klinischer Notizen
• Extrahieren Sie relevante Informationen aus großen Mengen an Rechtsakten
• Füllen Sie ein Bewerbungsformular/eine Bewerbungsdatenbank vorab aus, indem Sie relevante Informationen aus Lebensläufen extrahieren

6. Zusammenfassung des Textes

Zusammenfassung des Textes beinhaltet die Erstellung einer genauen Zusammenfassung eines längeren Dokuments oder einer Reihe von Dokumenten.

7. Gruppierung

Gruppierung besteht aus der Gruppierung von Personen, Inhalten, Dokumenten, Themen usw. anhand einer logischen Struktur, beispielsweise durch die Gruppierung von Kunden anhand ihres Kaufverhaltens.

Allgemeiner ausgedrückt unterteilt Clustering Datenpunkte in eine Reihe fester (oder dynamischer) Gruppen, sodass Datenpunkte in einer Gruppe einander ähnlicher sind als Datenpunkte in anderen Gruppen.

9. Virtueller KI-Assistent

Virtueller KI-Assistent wird verwendet, um kurze Gespräche mit Menschen zu führen, um einfache Aufgaben zu erledigen. Beispiele hierfür sind:

• Geben Sie Antworten auf häufige Kundenfragen ohne menschliches Zutun
• Verwenden Sie SMS, um den Kontostand zu überprüfen oder eine Rückerstattung zu erhalten

Alexa und Siri sind Beispiele für virtuelle KI-Assistenten.

10. Stimmungsanalyse

Stimmungsanalyse geht es darum, Emotionen in Textdaten wie Benutzerbewertungen, Social-Media-Kommentaren und Umfragen zu entdecken. Erkennen Sie beispielsweise automatisch die Kundenstimmung in sozialen Medien nach der Veröffentlichung eines neuen Produkts. Die Stimmungsanalyse kann sogar auf Bilder angewendet werden, um Emotionen aus Gesichtsausdrücken zu verstehen.

11. Objekterkennung

Problem bei der Objekterkennung Dabei geht es darum, bestimmte Objekte wie Menschen, Gebäude oder Autos in digitalen Bildern und Videos zu entdecken.

12. Problem der Dokumentensegmentierung

Dokumentensegmentierung besteht darin, Dokumente in sinnvolle Teile zu unterteilen. Beispielsweise die Segmentierung unstrukturierter klinischer Texte, um deren medizinische und familiäre Vorgeschichte zu extrahieren.

Schlüsselwortextraktion Dabei geht es darum, die Begriffe zu identifizieren, die das Thema eines Dokuments am besten beschreiben, beispielsweise durch das Extrahieren von Schlüsselwörtern aus großen Mengen juristischer Dokumente, um die Diskussionsthemen zu verstehen.

Obwohl viele Tools zur Schlüsselwortextraktion verfügbar sind (einschließlich Open-Source-Tools), müssen Sie sicherstellen, dass sie mit Ihren Daten funktionieren. Oft ist es am besten, die Tools zur Schlüsselwortextraktion anzupassen oder zu erweitern.

14. Spracherkennung

Bei der Spracherkennung, auch Speech-to-Text (STT) oder automatische Spracherkennung (ASR) genannt, wird ein Computerprogramm in die Lage versetzt, gesprochene Sprache zu verstehen und in ein geschriebenes (oder Text-)Format umzuwandeln.

Spracherkennung wird häufig zur Durchführung nachgelagerter Aufgaben eingesetzt. Beispielsweise wird die Spracherkennung hinter den Kulissen eingesetzt, um relevante Suchergebnisse anzuzeigen, wenn Sie die Google Sprachsuche verwenden. Konkret wird Ihre Rede in ein für Menschen lesbares Format übersetzt und dieser generierte Text wird verwendet, um relevante Suchergebnisse anzuzeigen.

Viele Anbieter bieten Spracherkennungslösungen an und daher müssen Spracherkennungssysteme selten von Grund auf neu entwickelt werden. Natürlich profitieren diese Systeme von der Anpassung der Zieldaten.

15. Automatische Übersetzung

Unter maschineller Übersetzung versteht man die automatische Übersetzung von Texten aus einer Sprache in eine andere durch Software. Beispielsweise die Übersetzung englischer Sätze mit angemessener Genauigkeit ins Deutsche. Maschinelle Übersetzungsprogramme müssen selten von Grund auf neu entwickelt werden, können aber von der Anpassung profitieren.

Maschinelle Übersetzung wird für viele Zwecke eingesetzt, darunter:

• Lokalisieren von Website-Texten für ein bestimmtes Land
• Kundensupportgespräche in allen Ländern
• Dokumente verstehen, die in einer anderen Sprache verfasst sind

Zusammenfassung der KI-Problemtypen

In diesem kurzen Leitfaden haben wir 15 häufige, sich oft überschneidende Arten von KI-Problemen behandelt. Sie können beispielsweise einen Klassifizierungsansatz für die Stimmungsanalyse anwenden. Der Schlüssel liegt jedoch darin, die Art des Problems zu identifizieren, das am besten zur jeweiligen Aufgabe passt. Es muss nicht 100 % genau sein: Es ist nur eine Frage der Semantik. Mithilfe Ihrer KI-Experten können Sie diese Definitionen kontinuierlich verfeinern.