17. Woran forschen KI-Entwickler heute?

Das Maschinelle Lernen hat in den letzten Jahren große Fortschritte gemacht, und neue Entwicklungen haben das Potential, die Art und Weise, wie KI-Systeme lernen und sich anpassen, zu revolutionieren. Neue Ansätze sollen es ermöglichen, mit minimalen Datenmengen neue Aufgaben zu erlernen oder Objekte zu erkennen und so den Bedarf an großen Mengen von Trainingsdaten zu überwinden. Beim Few-Shot Learning werden Modelle wie z. B. das Prototypical Network trainiert, die sich mit einer geringen Menge an Trainingsdaten schnell an neue Aufgaben anpassen können. Beim One-Shot Learning lernt das Modell nur aus einem Beispiel pro Klasse. Das Memory Enhanced Neural Network verwendet dazu etwa eine externe Speichermatrix. One-Shot-Lernen hat sich besonders bei der Handschrifterkennung bewährt. Beim Zero-Shot Learning können Modelle Vorhersagen für völlig unbekannte Klassen ohne explizite Trainingsbeispiele treffen, indem Wissen aus verwandten oder ähnlichen Klassen, die während des Trainings gesehen wurden, übertragen wird. Dies wird durch die Verwendung semantischer Repräsentationen wie Wortvektoren erreicht. Transfer Learning nutzt das Wissen, das bei der Lösung eines Problems erworben wurde, um es auf ein anderes, verwandtes Problem zu übertragen. Beim Meta-Learning werden Modelle trainiert, um aus einer kleinen Menge von Daten zu lernen und mit wenig oder gar keinem zusätzlichen Training auf neue Aufgaben zu verallgemeinern. Beim hybriden Maschinenlernen werden verschiedene Ansätze kombiniert. Beim Known Operator Learning z. B. werden einzelne Schichten eines neuronalen Netzes durch bekannte Operatoren ersetzt.