Ricoh Imaging auf dem Salon de la Photo

"............noch keine Möglichkeit, die Bedeutung von Zeit für die Relevanz und Einordnung einer Information einzuschätzen. ............"

Interessante Ausführung. Die Zeit hatte ich noch gar nicht so im Visir. Erscheint schlußfolgernd logisch.
Dann ist die KI aber in keinster Weise I. Müßte dann eher kI, kein I heißen.

Da macht ihr aber den Amis die ganze Intelligenz kaputt. Da bleibt ja nur noch Mr. T.

"KI" sollte eher als SI bezeichnet werden – synthetisierte Intelligenz


abacus

Ich bemerke das mit der fehlenden Beachtung zeitlicher Zusammenhänge beim beruflichen Einsatz von KI als Recherchetool.

Gemini sagt:
Ja, KI-Modelle können in der Regel zeitliche Zusammenhänge bei der Bewertung von Einflüssen auf generierte Ergebnisse berücksichtigen.
Wie genau dies geschieht, hängt von der spezifischen Architektur des Modells und den verwendeten Trainingsdaten ab. Hier sind einige Beispiele:
* Sequenzielle Modelle: Modelle wie RNNs oder Transformers sind darauf ausgelegt, sequenzielle Daten zu verarbeiten. Sie können somit die Reihenfolge von Wörtern oder Ereignissen verstehen und zeitliche Abhängigkeiten modellieren.
* Zeitreihenanalyse: Bei der Vorhersage von Zeitreihen werden explizit zeitliche Muster gelernt. KI-Modelle können hier saisonale Schwankungen, Trends oder zyklische Muster identifizieren.
* Kausale Modelle: Diese Modelle versuchen, Ursache-Wirkungs-Beziehungen zwischen verschiedenen Variablen herzustellen. Sie können somit nicht nur zeitliche Korrelationen, sondern auch kausale Zusammenhänge erkennen.
Warum ist das wichtig?
* Realitätsnähere Ergebnisse: Durch die Berücksichtigung zeitlicher Zusammenhänge können KI-Modelle realistischere und nuanciertere Ergebnisse liefern.
* Bessere Vorhersagen: In vielen Anwendungsbereichen (z.B. Finanzmärkte, Wettervorhersage) ist die Fähigkeit, zukünftige Entwicklungen vorherzusagen, von großer Bedeutung.
* Tieferes Verständnis: Durch die Analyse zeitlicher Muster können KI-Modelle komplexe Systeme besser verstehen und erklären.
Beispiele für Anwendungen:
* Sprachmodelle: Sie können den Kontext eines Wortes oder Satzes in Abhängigkeit von den vorhergehenden Wörtern verstehen.
* Empfehlungssysteme: Sie können die Präferenzen eines Nutzers im Laufe der Zeit modellieren und personalisierte Empfehlungen geben.
* Anomalieerkennung: Sie können ungewöhnliche Ereignisse in zeitlichen Datenströmen identifizieren.
Einschränkungen:
* Datenqualität: Die Qualität der Trainingsdaten ist entscheidend. Fehlen oder sind die Daten verzerrt, kann die Fähigkeit des Modells, zeitliche Zusammenhänge zu erkennen, beeinträchtigt sein.
* Modellkomplexität: Komplexe zeitliche Zusammenhänge erfordern oft komplexe Modelle, die mehr Rechenleistung und größere Datenmengen benötigen.
* Kausalität vs. Korrelation: Es ist wichtig zu unterscheiden, ob ein Modell lediglich zeitliche Korrelationen oder tatsächlich kausale Zusammenhänge identifiziert.
Fazit:
Die Fähigkeit, zeitliche Zusammenhänge zu erkennen, ist ein wichtiger Aspekt moderner KI-Modelle. Sie ermöglicht es, komplexere Probleme zu lösen und realistischere Vorhersagen zu treffen.
Möchtest du noch mehr über ein bestimmtes Thema erfahren?

Das stimmt bestimmt, funktioniert aber nach meiner Erfahrung derzeit selten.

Es ist die Aufgabe des Nutzers, die Ergebnisse der KI zu hinterfragen, und nicht wie eine Bildzeitung unkritisch zu konsumieren, wer stellt sicher dass der Betreiber einer KI nicht eine Agenda pflegt, speziell wenn sie von einem kommerziellen Anbieter betrieben wird. Im Bereich KI läuft aktuelle eine sehr dynamische Entwicklung und sie wird erschreckend leistungsfähig, aber sie wird die eigene Fähigkeit zur Recherche so schnell noch nicht ersetzen, sie kann aktuell unterstützen, wenn sie uns die Aufträge erstellt sollte man sich über seine Daseinsberechtigung Fragen stellen.
Das Problem ist dass immer mehr Leute die Fähigkeit verlieren die gelieferten Ergebnisse zu bewerten.
Wenn man erfährt dass Leute sich Leistungsnachweise von ChatGPT schreiben lassen ist eine bedenkliche Entwicklung erreicht, was hat derjenige nachgewiesen, dass er wie ein Labortier Knöpfchen drücken kann, und dass er fremde Arbeitsergebnisse als eigene ausgeben kann, mehr nicht.
Wenn wir anfangen mit KI-lian oder KI-ra zu tindern ist sowieso alles zu spät.

Thomas Ipunkt hat geschrieben:....
Wenn wir anfangen mit KI-lian oder KI-ra zu tindern ist sowieso alles zu spät.

Erst Tindern dann KI-ndern

nitram hat geschrieben:Gemini sagt:
Ja, KI-Modelle können in der Regel zeitliche Zusammenhänge bei der Bewertung von Einflüssen auf generierte Ergebnisse berücksichtigen.
Wie genau dies geschieht, hängt von der spezifischen Architektur des Modells und den verwendeten Trainingsdaten ab. Hier sind einige Beispiele:
* Sequenzielle Modelle: Modelle wie RNNs oder Transformers sind darauf ausgelegt, sequenzielle Daten zu verarbeiten. Sie können somit die Reihenfolge von Wörtern oder Ereignissen verstehen und zeitliche Abhängigkeiten modellieren.
* Zeitreihenanalyse: Bei der Vorhersage von Zeitreihen werden explizit zeitliche Muster gelernt. KI-Modelle können hier saisonale Schwankungen, Trends oder zyklische Muster identifizieren.
* Kausale Modelle: Diese Modelle versuchen, Ursache-Wirkungs-Beziehungen zwischen verschiedenen Variablen herzustellen. Sie können somit nicht nur zeitliche Korrelationen, sondern auch kausale Zusammenhänge erkennen.
Warum ist das wichtig?
* Realitätsnähere Ergebnisse: Durch die Berücksichtigung zeitlicher Zusammenhänge können KI-Modelle realistischere und nuanciertere Ergebnisse liefern.
* Bessere Vorhersagen: In vielen Anwendungsbereichen (z.B. Finanzmärkte, Wettervorhersage) ist die Fähigkeit, zukünftige Entwicklungen vorherzusagen, von großer Bedeutung.
* Tieferes Verständnis: Durch die Analyse zeitlicher Muster können KI-Modelle komplexe Systeme besser verstehen und erklären.
Beispiele für Anwendungen:
* Sprachmodelle: Sie können den Kontext eines Wortes oder Satzes in Abhängigkeit von den vorhergehenden Wörtern verstehen.
* Empfehlungssysteme: Sie können die Präferenzen eines Nutzers im Laufe der Zeit modellieren und personalisierte Empfehlungen geben.
* Anomalieerkennung: Sie können ungewöhnliche Ereignisse in zeitlichen Datenströmen identifizieren.
Einschränkungen:
* Datenqualität: Die Qualität der Trainingsdaten ist entscheidend. Fehlen oder sind die Daten verzerrt, kann die Fähigkeit des Modells, zeitliche Zusammenhänge zu erkennen, beeinträchtigt sein.
* Modellkomplexität: Komplexe zeitliche Zusammenhänge erfordern oft komplexe Modelle, die mehr Rechenleistung und größere Datenmengen benötigen.
* Kausalität vs. Korrelation: Es ist wichtig zu unterscheiden, ob ein Modell lediglich zeitliche Korrelationen oder tatsächlich kausale Zusammenhänge identifiziert.
Fazit:
Die Fähigkeit, zeitliche Zusammenhänge zu erkennen, ist ein wichtiger Aspekt moderner KI-Modelle. Sie ermöglicht es, komplexere Probleme zu lösen und realistischere Vorhersagen zu treffen.
Möchtest du noch mehr über ein bestimmtes Thema erfahren?

Im Zuge der Schaffung eines großen teilautomatisierten Zentrallagers
mit HR-Lager sowie pick-to-belt System waren auch Vorgaben für die Ef-
fizienz zu machen. Die Bewirtschaftung erfolgte u.a. durch Parametrisie-
rung auch über Wetterdaten um z.B. Schnelldreher zu aktualisieren so-
wie die Lagerhaltung zu optimieren damit Fahrwege möglichst kurz ge-
halten werden können – hat aber nichts mit KI zu tun, es sind lediglich
Parameter die in einen Algorithmus einfließen, der in prioritätengereih-
ten Schleifen Datensätze abarbeitet. U.a. optimiert sich das HR-Lager
in der Bestückung um Fahrwege kurz zu halten und schnell in das PTB-
System nachliefern zu können. Von außen betrachtet, kann man darin,
wenn man geneigt ist eine Art "KI" erkennen, ist aber lediglich ein sinn-
voller Aufbau sowie Abfolge einfacher Vorgänge. Deshalb gilt nach wie
vor, KI gibt es auch weiterhin nicht, es ist SI, synthetisierte Intelligenz.

Womit wir beim Thema sind, die Bevorratung von Produkten über order
on demand in einem Pufferlager macht natürlich Sinn, besonders bei Ar-
tikel die in einem gewissen Umfang zeitlos sind, wie etwa Gehäuse- und
Objektivrückdeckel, in kleinerem Umfang dass bevorzugte Verlustartikel
wie vordere Objektivdeckel und auch Sonnenblenden, die fallweise abge-
hen. Die Beschaffung eines Objektivdeckels für das 28er Shift war 1990
bereits mühsamst, das Original befindet sich down under, irgendwo im
im Wald zwischen Bombala und Cann River, bzw. genauer zwischen Rock-
ton und Noorinbee North, falls jemand da vorbei kommt und einen findet.
Dafür war dann nach langer langer Wartezeit auch kein Innenfilz verklebt.

Das Einsparen eines Zwischenlagers für Schnelldreherkleinteile minimiert
Kosten und im Zeitalter des Luftverkehrs sowie effizienter Logistik wäre
das auch nicht das Problem, nur irgendwo im Bereich der Lieferkette ist
ein Pufferlager einzurichten und das kann nur im beschränkten Bereich
am front end zu den Käufern sein. Problematisch wird es wenn eine Fer-
tigung erst on demand erfolgt und eine Mindestmenge abgewartet wird,
das ist ein Problem das bei den Endkunden liegt – Fazit, beim Einsparen
eines EU/Europalagers liegt dann das Problem beim Endkunden wie of-
fenbar auch beim Direktvertrieb.


abacus

na ja, alles schön und gut. Nur die Bevorrtung von Waren, das Wetter, etc sind ja logische bzw. teilweise logische Zusammenhänge. Aber bleiben wir mal beim Beispiel Kamerahersteller:
Hier mischen sich ja Meinungen, Vorhersagen etc. kunterbund durcheinander. Wie will der Allgorithmus das erfassen. Er muß ja mit Daten gefüttert werden und wenn nun 1 Mio mal gepostet wird das Hersteller XXY dies oder jenes tut, wie erkennt die "KI" das es eine richtige oder eine "Pseudo-Meldung" ist?
Und dann noch die zeitlichen Aussagen die ständig wechseln. Da ist selbst die Chaostheorie überfordert.

Den angesprochenen Link hatte ich nicht gesehen:

https://www.objektiv-berater.de/pentax- ... v-roadmap/

_