


Wie Netzwerkeffekte künstliche Intelligenz intelligenter machen können
Netzwerkeffekte bestimmen den Erfolg von Technologien von Telefonanrufen bis hin zu Online-Shopping-Plattformen, und KI-Tools wie ChatGPT bilden da keine Ausnahme. Der Unterschied besteht jedoch darin, wie diese Netzwerkeffekte funktionieren. Datennetzwerkeffekte sind eine neue Form, ebenso wie die bekannteren direkten und indirekten Netzwerkeffekte, bei denen der Wert einer Technologie mit zunehmender Anzahl an Nutzern steigt.
Der Wert, über den wir heute sprechen, ist jedoch nicht die Anzahl der Telefonanrufe oder die Anwesenheit vieler Käufer und Verkäufer auf einer bestimmten E-Commerce-Plattform, sondern vielmehr das Feedback, das dadurch entsteht, dass bessere Vorhersagen getroffen werden können. Mehr Benutzer bedeuten mehr Antworten, was die Vorhersagegenauigkeit weiter verbessert und einen positiven Kreislauf schafft. Es gibt drei Lektionen, die Unternehmen berücksichtigen sollten: 1) Feedback ist von entscheidender Bedeutung, 2) Sammeln Sie Informationen regelmäßig und sorgfältig und 3) Berücksichtigen Sie die Daten, die absichtlich oder unabsichtlich weitergegeben werden.
Als OpenAI Ende letzten Jahres ChatGPT startete, war die Reaktion von Branchenbeobachtern eine Mischung aus Lob und Besorgnis. Wir haben alle gehört, wie die Technologie Computerprogrammierer, Lehrer, Finanzhändler und -analysten, Grafikdesigner und Künstler gleichermaßen arbeitslos macht. Viele Universitäten beeilen sich, Studienpläne und damit verbundene Anforderungen zu überarbeiten, aus Angst, dass KI die kreativen Fähigkeiten von College-Studenten beeinträchtigen könnte. Andere sagen, dass die vielleicht direkteste Auswirkung darin besteht, dass ChatGPT traditionelle Internet-Suchmaschinen umgestalten oder sogar ersetzen kann. Suche und damit verbundene Werbung erwirtschaften den Großteil des Google-Umsatzes. Werden Chatbots also das Ende von Google bedeuten?
ChatGPT ist ein hervorragendes Beispiel für maschinelle Lerntechnologie, ist aber als eigenständiger Dienst kaum realisierbar. Um seine technische Stärke zu nutzen, braucht OpenAI einen Partner. Daher waren wir nicht überrascht, als das Unternehmen schnell einen Deal mit Microsoft bekannt gab. Die Kombination aus einem KI-Startup und einem etablierten Technologieunternehmen könnte letztendlich eine glaubwürdige Bedrohung für die Dominanz von Google darstellen und den Einsatz im „KI-Wettrüsten“ erhöhen. Es bietet auch eine Lektion darüber, welche Kräfte darüber entscheiden, welche Unternehmen bei der Einführung dieser Technologie erfolgreich sein werden und welche scheitern werden.
Um zu verstehen, was OpenAI dazu bewogen hat, sich Bing anzuschließen (und warum Google dennoch gewinnen könnte), haben wir darüber nachgedacht, wie sich die Technologie von früheren Entwicklungen wie Telefonanrufen oder Marktplatzplattformen wie Uber oder Airbnb unterscheidet. In diesen Beispielen spielen Netzwerkeffekte – bei denen der Wert eines Produkts mit mehr Nutzern steigt – eine wichtige Rolle dabei, wie diese Produkte wachsen und welche Unternehmen erfolgreich sind. Generative KI-Dienste wie ChatGPT unterliegen ähnlichen, aber unterschiedlichen Arten von Netzwerkeffekten. Um eine KI-freundliche Strategie zu wählen, müssen Manager und Unternehmer verstehen, wie dieser neue KI-Netzwerkeffekt funktioniert.
Netzwerkeffekte funktionieren bei KI anders
Der Wert künstlicher Intelligenz liegt in genauen Vorhersagen und Empfehlungen. Aber im Gegensatz zu herkömmlichen Produkten und Dienstleistungen, die auf der Umwandlung von Lieferungen (wie Strom oder Humankapital) in Ergebnisse (wie Beleuchtung oder Steuerberatung) basieren, erfordert KI umfangreiche Datensätze, die durch hin- und hergehende Kundeninteraktionen auf dem neuesten Stand gehalten werden müssen . Um wettbewerbsfähig zu bleiben, müssen KI-Betreiber Daten sammeln, die Daten analysieren, Vorhersagen treffen und dann Feedback einholen, um die Empfehlungen zu verfeinern. Der Wert des Systems hängt von den Daten der Nutzer ab und steigt mit den Daten.
Die Leistung dieser Technologie – ihre Fähigkeit, genaue Vorhersagen zu treffen und Empfehlungen abzugeben – hängt von einem wirtschaftlichen Prinzip ab, das Datennetzwerkeffekte genannt wird (manche nennen es lieber datengesteuertes Lernen). Diese unterscheiden sich von bekannten direkten Netzwerkeffekten, etwa wenn ein Telefonanruf mit zunehmender Benutzerbasis wertvoller wird, weil Sie mehr Personen anrufen können. Sie unterscheiden sich auch von indirekten Netzwerkeffekten, die beschreiben, wie mehr Käufer mehr Verkäufer einladen, der Plattform beizutreten, und umgekehrt – je mehr Verkäufer anwesend sind, desto attraktiver wird das Einkaufen auf einer E-Commerce-Plattform oder bei Airbnb. Die Buchung eines Zimmers wird attraktiver.
Datennetzwerkeffekte sind eine neue Form: Je vertrauter der Effekt ist, desto wertvoller wird die Technologie. Aber hier ergibt sich der Wert weder aus der Anzahl der Mitbewerber noch aus der Anwesenheit vieler Käufer und Verkäufer. Diese Auswirkungen ergeben sich vielmehr aus der Natur der Technologie: KI verbessert sich durch verstärkendes Lernen, Vorhersage und Feedback. Mit zunehmender Intelligenz können Systeme bessere Vorhersagen treffen, ihren Nutzen steigern, neue Benutzer anziehen und bestehende binden. Mehr Benutzer bedeuten mehr Antworten, was die Vorhersagegenauigkeit weiter verbessert und einen positiven Kreislauf schafft.
Nehmen Sie als Beispiel Google Maps, das mithilfe von KI den schnellsten Weg zu Ihrem Ziel empfiehlt. Diese Fähigkeit hängt von der Vorhersage echter Verkehrsmuster auf alternativen Pfaden ab, was durch die Nutzung von Daten vieler Benutzer erreicht wird. Hier sind Datennutzer auch Lieferanten, und je mehr Menschen Google Maps nutzen, desto mehr historische und gleichzeitige Daten werden gesammelt. Mit einer Fülle von Daten kann Google unzählige Vorhersagen mit tatsächlichen Ergebnissen vergleichen: Sind Sie zu dem von der App vorhergesagten Zeitpunkt angekommen? Um die Vorhersagen zu verfeinern, benötigt die App auch Ihre Eindrücke: Wie gut war die Beschreibung? Wenn sich objektive Fakten und subjektive Kommentare häufen, kommen Netzwerkeffekte ins Spiel. Diese Effekte verbessern Vorhersagen und erhöhen den Wert der Anwendung für Nutzer und Google.
Sobald wir verstehen, wie Netzwerkeffekte künstliche Intelligenz vorantreiben, können wir uns die neuen Strategien vorstellen, die diese Technologie erfordern wird.
OpenAI und Microsoft
Beginnen wir mit der Verbindung zwischen OpenAI und Microsoft. Als wir ChatGPT als Betatest testeten, waren wir von seinen kreativen, menschenähnlichen Antworten beeindruckt, erkannten aber auch, dass es seine Engpässe hatte: Es basiert auf riesigen Datenmengen, die zuletzt im Jahr 2021 gesammelt wurden. Fragen Sie also nicht nach jüngsten Ereignissen oder gar dem Wetter . Schlimmer noch, es fehlt ein robuster Rückkopplungsschleifenmechanismus.
Durch eine Verbindung mit Microsoft hat OpenAI jedoch eine Möglichkeit gefunden, seine Vorhersagen zu testen. Die Fragen der Bing-Benutzer – und wie sie die Antworten bewerten – sind entscheidend für die Aktualisierung und Verbesserung von ChatGPT. Der nächste Schritt besteht unserer Meinung nach darin, dass Microsoft die riesige Wolke an Benutzerdaten, die es verwaltet, in den Algorithmus einspeist. Während ChatGPT unzählige Excel-Tabellen, PowerPoint-Präsentationen, Word-Dokumente und LinkedIn-Lebensläufe verarbeiten kann, ist es bei der Wiederherstellung dieser Dateien zur Freude oder zum Entsetzen der Mitarbeiter im Büro besser geeignet.
Hier gibt es mindestens drei allgemeine Lektionen.
Zuallererst ist Feedback entscheidend. Der Wert von KI steigt mit der anhaltenden Benutzerreaktion. Um intelligent zu bleiben, benötigt der Algorithmus einen Datenstrom aktueller Benutzerauswahlen und vergangener Empfehlungsbewertungen. Ohne Feedback bleiben selbst die besten technischen Algorithmen nicht lange intelligent. Wie OpenAI erkennt, müssen selbst die komplexesten Modelle mit ständig fließenden Datenquellen verknüpft werden. KI-Unternehmer sollten sich dessen bewusst sein.
Zweitens sollten Führungskräfte Informationen regelmäßig und sorgfältig sammeln, um diese Wirkung zu maximieren. Sie sollten typische Finanz- und Betriebsunterlagen durchgehen. Nützliche Daten sind überall vorhanden, sowohl innerhalb als auch außerhalb des Unternehmens. Sie können aus Interaktionen mit Käufern, Lieferanten und Kollegen entstehen. Einzelhändler können beispielsweise verfolgen, was Verbraucher sehen, was sie in ihren Einkaufswagen legen und wofür sie letztendlich bezahlen. In ihrer Summe können diese winzigen Details die Vorhersagen eines KI-Systems dramatisch verbessern. Selbst ungewöhnliche Daten, einschließlich Daten, über die ein Unternehmen keine Kontrolle hat, können es wert sein, gesammelt zu werden. Wetterdaten helfen Google Maps, die Verkehrslage vorherzusagen. Die Verfolgung der Schlüsselwörter, die Personalvermittler bei der Suche nach Lebensläufen verwenden, kann LinkedIn dabei helfen, Kandidaten Tipps für den Erfolg zu geben.
Abschließend sollte jeder darüber nachdenken, welche Daten er absichtlich oder unabsichtlich weitergibt. Fakten und Feedback sind entscheidend für die Erstellung besserer Vorhersagen, aber der Wert Ihrer Daten kann von anderen erfasst werden, und Führungskräfte sollten überlegen, welche KI von den Daten profitieren kann, die sie teilen (oder auf die sie Zugriff gewähren). Manchmal sollten sie das Teilen einschränken. Wenn Uber-Fahrer beispielsweise die Waze-App zum Navigieren verwenden, helfen sie Google dabei, die Häufigkeit und Länge von Mitfahrgelegenheiten abzuschätzen. Solche Daten könnten von unschätzbarem Wert sein, da Google den Betrieb selbstfahrender Taxis in Betracht zieht.
Wenn eine Marke wie Adidas Produkte auf Amazon verkauft, kann der Einzelhandelsriese außerdem die Nachfrage nach verschiedenen Marken (wie im Vergleich zu Nike) und Kategorien sowie die Preissensibilität der Käufer einschätzen. Die Ergebnisse könnten sich auf die Konkurrenz auswirken oder den Handelsmarkenprodukten von Amazon zugute kommen. Um dem entgegenzuwirken, können Führungskräfte Drittplattformen oder Vermittler meiden. Sie können den Datenzugriff aushandeln und sich für den direkten Kontakt mit ihren Kunden einsetzen. Manchmal besteht die beste Lösung möglicherweise darin, die Dateneigentümer an einen Datenaustausch zu binden und weiterzugeben, ähnlich wie es Banken getan haben, als sie Möglichkeiten zur Weitergabe von Kreditdaten etabliert haben.
Wenn wir die Auswirkungen von KI-Netzwerken berücksichtigen, können wir die Zukunft der Technologie besser verstehen. Sie können auch sehen, wie diese Effekte, wie auch andere Netzwerkeffekte, die Reichen noch reicher machen. Die Dynamik hinter der KI führt dazu, dass Vorreiter reich belohnt werden, während Nachfolger, egal wie schnell, zurückbleiben können. Das bedeutet auch, dass die Vorteile mit der Zeit wachsen und nicht einfach übertroffen werden können, wenn man Zugriff auf KI-Algorithmen und Datenströme hat. Für Führungskräfte, Unternehmer, politische Entscheidungsträger und alle anderen stehen das Beste und das Schlechteste der künstlichen Intelligenz noch bevor.
Das obige ist der detaillierte Inhalt vonWie Netzwerkeffekte künstliche Intelligenz intelligenter machen können. 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
