


Wie künstliche Intelligenz Fake News und Voreingenommenheit im Internet beseitigen kann
Es besteht immer die Möglichkeit, dass die Informationen, die Menschen hören oder lesen, ungenau sind, sei es aus Zeitungen, Zeitschriften, Online-Quellen oder Rundfunksendungen. Desinformation gibt es seit den Anfängen der menschlichen Kultur, aber die schiere Menge an Informationen, die wir aus unserer vernetzten Online-Welt erhalten, macht uns besonders anfällig für den versehentlichen Konsum von verzerrtem oder gefälschtem Material. Die Menschen müssen verstehen, wie komplex KI dabei helfen kann, das Problem von Fake News und Voreingenommenheit zu lösen.
Verbraucher sind es gewohnt, dass ihre Meinung durch das beeinflusst wird, was sie online lesen, sehen und hören, beispielsweise durch Influencer-Marketing oder die Unterstützung von Prominenten. Meinungen haben große Macht, unabhängig davon, ob sie durch Fakten gestützt werden oder nicht, und viele gefälschte Nachrichten beruhen darauf, starke Emotionen zu wecken. Wenn es um die Aufmerksamkeit und Gefühle von Menschen geht, ist es oft notwendig, innezuhalten und darüber nachzudenken, ob das, was wir hören oder lesen, korrekt ist.
Laut MIT-Forschern dauert es sechsmal länger, bis echte Nachrichten 1.500 Menschen auf Twitter erreichen als gefälschte Nachrichten. Darüber hinaus ist die Kettenlänge (die Anzahl der Personen, die einen Social-Media-Beitrag teilen) zwischen zutreffenden Nachrichten und gefälschten Nachrichten höchst unverhältnismäßig. Die Zahl der überprüfbaren Nachrichten überstieg nie die Zahl 10, die Falschmeldungen stiegen jedoch auf 19. Dies ist teilweise darauf zurückzuführen, dass böswillige Akteure Bot-Schwärme nutzen, um falsche Informationen zu verbreiten.
Desinformation betrifft mittlerweile Menschen, Regierungen und Unternehmen auf der ganzen Welt. In der heutigen expandierenden digitalen Informationswirtschaft ist das Entdecken und Aussortieren sogenannter „Fake News“ eine große Aufgabe. Verbesserungen der künstlichen Intelligenz (KI) könnten es den Nutzern von Online-Informationen jedoch möglicherweise leichter machen, Realität von Fiktion zu unterscheiden.
Hier sehen Sie, wie künstliche Intelligenz eingesetzt werden kann, um die Verbreitung von Fehlinformationen zu stoppen und das Internet zu einer ausgewogeneren Nachrichtenquelle zu machen.
Welchen Stellenwert hat künstliche Intelligenz bei der Artikelbewertung?
Durch den Einsatz fortschrittlicher Algorithmen, um Personen zu entdecken und zu erreichen, die wahrscheinlich Informationen leicht aufnehmen werden, nutzen seriöse Unternehmen künstliche Intelligenz, um die wahrscheinlichsten Verbraucher einer Information zu lokalisieren und gezielt anzusprechen Meinung. Beispielsweise hat Google im Jahr 2015 seinen RankBrain-Algorithmus implementiert, um seine Fähigkeit zu verbessern, verlässliche Ergebnisse zu identifizieren.
Um computergeneriertes Material von von Menschen erstellten Artikeln zu unterscheiden, kann KI-basierte Technologie eine sprachliche Analyse des Textinhalts durchführen und Hinweise wie Wortmuster, syntaktische Struktur und Lesbarkeit finden. Diese Algorithmen können jeden Text analysieren, um Fälle von Hassrede zu finden, indem sie Wortvektoren, Wortpositionen und Konnotationen untersuchen.
Neue Apps und Projekte
Fake-News-Quellen stammen meist aus einer illegalen Quelle, bevor sich die Informationen verbreiten. Project Fandango sucht nach Social-Media-Beiträgen oder Internetseiten mit demselben Begriff oder Anspruch, nachdem es Artikel verwendet hat, die von menschlichen Faktenprüfern als falsch erachtet wurden. Dies ermöglicht es Journalisten und Experten, die Quelle der Desinformation aufzuspüren und etwaige Gefahren zu neutralisieren, bevor sie außer Kontrolle geraten.
Politifact, Snopes und FactCheck verwenden menschliche Redakteure, um die erste Untersuchung durchzuführen, die zur Bestätigung der Authentizität einer Geschichte oder eines Bildes erforderlich ist. Sobald eine Fälschung identifiziert wird, durchsucht das KI-System das Internet nach ähnlichen Informationen, die soziale Unruhen auslösen könnten. Darüber hinaus kann die Anwendung einem Website-Artikel einen Reputationsfaktor zuweisen, wenn festgestellt wird, dass das Material authentisch ist.
Einige KI-Engines verwenden derzeit die folgenden Messwerte in ihren Bewertungsergebnissen:
• Stimmungsanalyse: Einstellung von Journalisten zu Nachrichten im Allgemeinen oder einem bestimmten Thema, über das sie schreiben.
•Meinungsanalyse: Persönliche Gefühle, Meinungen, Überzeugungen oder Bewertungen der Arbeit eines Journalisten
•Revisionsanalyse: Die Untersuchung, wie sich eine Nachricht im Laufe der Zeit verändert und wie sie die öffentliche Wahrnehmung und Stimmung manipuliert.
•Propagandaanalyse: Nutzen Sie die Propagandaanalyse, um bis zu 18 verschiedene Überzeugungsstrategien zu erkennen, die Ihnen dabei helfen können, potenzielle Desinformation aufzudecken.
Alle vier zusammen ergeben ein umfassendes Bild der Glaubwürdigkeit eines Artikels und der Probleme, mit denen wir konfrontiert sind.
Herausforderungen der künstlichen Intelligenz und wie man sie überwindet
Sprachmodelle wie GPT-3 können bereits Artikel, Gedichte und Prosa basierend auf einer Zeile von Eingabeaufforderungen erstellen. Künstliche Intelligenz hat die Herstellung von Materialien, die Menschen ähneln, nahezu perfektioniert. Künstliche Intelligenz hat es so einfach gemacht, alle Arten von Informationen zu manipulieren, dass Open-Source-Programme wie FaceSwap und DeepFaceLab unerfahrene neue Benutzer zum Zentrum potenzieller sozialer Unruhen machen könnten.
Diese Probleme werden noch dadurch verschlimmert, dass diese semantischen Analysealgorithmen nicht in der Lage sind, das Wesen von Bildern von Hassreden zu entschlüsseln, die nicht verändert, sondern in schädlichen oder ungenauen Kontexten verbreitet werden.
Sobald betrügerische Inhalte entdeckt werden, ist deren Entfernung schwieriger als es scheint. Einigen Organisationen wird möglicherweise Zensur und der Versuch vorgeworfen, Informationen zu verbergen, die die eine oder andere Organisation für unwahr hält. Es ist schwierig, ein Gleichgewicht zwischen dem Recht auf freie Meinungsäußerung und der Bekämpfung von Desinformation und Fake News zu finden.
KI fehlt im Allgemeinen auch die Fähigkeit, Humor und Streiche zu erkennen. Wenn gefälschte Nachrichten oder Desinformationen auf unbeschwerte oder scherzhafte Weise verwendet werden, kann dies daher als böswillige Desinformation eingestuft werden. Aber es lässt sich nicht leugnen, dass KI im Kampf gegen Fake News ein großer Vorteil sein kann. Im Kampf gegen gefälschte Internetnachrichten ist die Technologie von entscheidender Bedeutung, da sie mit den riesigen Mengen an Material umgehen kann.
Fake News sind kein Problem, das allein durch Algorithmen gelöst werden kann – wir müssen unsere Denkweise in der Art und Weise, wie wir uns Wissen aneignen, ändern. Während Crowdsourcing von kollaborativem Wissen zwischen Berufsgruppen für die Auswertung von Rohdaten von entscheidender Bedeutung ist, kann eine Gemeinschaft sachkundiger Benutzer auch Initiativen zur ethischen Überwachung unterstützen.
Aktive Aktionen, an denen nicht alle Parteien beteiligt sind, können den Vertrauensverlust der Öffentlichkeit in Institutionen und Medien beschleunigen, was den Auftakt zur Anarchie darstellt. Bis der Mensch die Fähigkeit entwickeln kann, Online-Inhalte objektiv zu analysieren, müssen KI-basierte Technologien zu Partnern im Kampf gegen Fehlinformationen im Internet werden.
Das obige ist der detaillierte Inhalt vonWie künstliche Intelligenz Fake News und Voreingenommenheit im Internet beseitigen kann. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
