Nvidia-Chef Jensen Huang sieht im Training die größte Herausforderung der KI-Entwicklung - und geht davon aus, dass die Komplexität weiter zunimmt.
Die grundlegende Veränderung durch KI-Software, die Disruption, wenn man so will, ist, dass ein menschlicher Programmierer dem Computer nicht mehr Zeile für Zeile Code vorlegen muss, damit dieser eine gewünschte Aktion ausführt.
Stattdessen setzt der Entwickler dem Computer ein Ziel und gibt einen Startpunkt vor. Die Maschine findet den Weg zum Ziel dann eigenständig.
Wie erfolgreich und effizient die Maschine das Ziel erreicht, hängt - ähnlich wie bei Menschen - zum Großteil von ihrem Training ab, hier insbesondere von drei Faktoren: Wurde ein zum Ziel passendes Modell gewählt, der richtige Datensatz und wurde das Modell ausreichend trainiert.
KI-Training: Viele Modelle und Daten schaffen Komplexität
Nvidia-Chef Jensen Huang sieht im Zusammenspiel zwischen der Auswahl des richtigen KI-Modells, der passenden Trainingsdaten und der Trainingsdauer die größte Herausforderung beim Deep Learning.
"Beim KI-Training muss man Tage und Woche warten, bis man weiß, ob das eigene Modell funktioniert oder nicht. Und am Anfang funktionieren nicht alle", sagt Huang zu Venturebeat. "Man muss sie hunderte oder tausende Male überarbeiten, die Parameter durchsuchen und das Netzwerk einstellen. Man gibt mehr Daten hinzu. Die Daten müssen von einem bestimmten Typ sein. Dabei lernt man, wie es funktioniert."
Diese Komplexität beim Training sorge für eine hohe Einstiegshürde bei KI, so Huang. Auch das Vertrauen in eine KI-Lösung, die von hunderten Millionen Menschen genutzt werden soll, leide darunter. "Es ist zu kompliziert, denke ich."
Nach den Durchbrüchen bei der Bild- und Sprachverarbeitung der vergangenen Jahre sieht Huang KI-Systeme für mehrere Aufgaben als nächsten Entwicklungsschritt. Die Komplexität der KI-Entwicklung reduziert das laut Huang nicht: "Es wird schwerer und schwerer."
Quelle: Venturebeat; Titelbild: Nvidia
