![\"\"](\"http:\/\/www.maria-johnsen.com\/deutschblog\/wp-content\/uploads\/2016\/05\/Google-RankBrain-deutschland.jpg\")
\nBereits im Jahr 2006 gab es einiges Interesse bei der Umsetzung von k\u00fcnstlicher Intelligenz im Google-Suchmaschinen-Algorithmus. Ein paar Jahre sp\u00e4ter im Jahr 2014, wurde GoogleBrain nach dem Erwerb von DeepMind gegr\u00fcndet, einem britischen KI-Unternehmen, das im Jahr 2010 gegr\u00fcndet wurde. Dieses untersuchte wie Videospiele mit maschinellem Lernen und k\u00fcnstlichen Neuronalen Netze (KNN) gespielt werden k\u00f6nnen. Die smarte k\u00fcnstliche Intelligenz Revolution kann Muster in der digitalen representation von T\u00f6nen, Bildern und Daten erkennen.<\/p>\n\n
Was ist deep learning? Es geht um iterative Algorithmus zum lernen auf verschiedenen Abstraktionsebenen, nicht-linearen Transformatio nen und typischerweise neuronale Netze.<\/p>\n
Iterative Algorithmen sind eine einfache M\u00f6glichkeit, ein Problem zu l\u00f6sen. Es wird hier nicht erkl\u00e4rt, wie iterative Algorithmen funktionieren, da es Gegenstand von Datenstrukturen und Algorithmen ist.<\/p>\n
Big-Data besteht aus dem Internet, Meta-Daten: Tags, \u00dcbersetzungen, mechanical Turk. Big-Data an sich ist nicht besonders n\u00fctzlich. Es ist nur ein B\u00fcndel von Informationen, es sei denn Sie wenden eine Methode an um diese zu nutzen.<\/p>\n
Sie k\u00f6nnen Big-Data nicht verstehen. Keiner von uns w\u00fcrde ein Telefonbuch lesen. Es ist sinnlos. Big-Data macht Sinn, wenn Sie davon Gebrauch machen. Algorithmische Fortschritte sind nicht markierten Daten, un\u00fcberwachtes lernen, strukturierte NN (Merkmalsdetektoren ) und der aufeinanderfolgendes Lernen. Heute versucht man verschiedene M\u00f6glichkeiten, um auf unmarkierten Daten zu arbeiten.<\/p>\n
Vorher hatte GoogleBrain 1 Milliarde Synapsen, w\u00e4hrend ein erwachsenes Menschenhirn \u00fcber 100 Trillionen Synapsen verf\u00fcgt und ein S\u00e4ugling 1\/4 von einer Billionen Synapsen hat. Die Zahl der Synapsen pro Neuron w\u00e4chst als Potenzgesetz (ein Begriff aus der Biologie) mit der Gehirnmasse . Es sollte eine bessere Verbesserung f\u00fcr das strukturieren des deep learning geben.<\/p>\n
Google behauptet, seine D-wave Computer 10 Mal schneller ist.<\/p>\n![\"\"](\"http:\/\/www.maria-johnsen.com\/deutschblog\/wp-content\/uploads\/2016\/05\/D-Wave.jpg\")
\n
D-Wave natives sampling f\u00fcr vertieftes Lernen:<\/strong><\/p>\n Im Folgenden sieht man D-Waves Stelle in dem Prozess.<\/p>\n Eingabedaten\u2013> D Wave \u2013>Klassifikation<\/strong><\/p>\n Wenn ein Algorithmus geschrieben wird, gibt es Tags mit \u00c4hnlichkeiten, die in 80 Millisekunden abgerufen werden k\u00f6nnen: Auto, BMW, Porsche etc. Oder Schl\u00fcsselw\u00f6rter wie: Kids, Kinder, Clown, Spa\u00df und Farbe mit \u00e4hnlichen Bildern.<\/p>\n Maschinelles Lernen ist ein besonderer Ansatz f\u00fcr eine Rechenaufgabe. Wenn ein Algorithmus Designer einen Algorithmus schreibt, dann ist seine Arbeit noch nicht abgeschlossen. Er\/Sie muss die Daten durch unterschiedliche Prozesse erhalten, damit es richtig arbeitet.<\/p>\n Zum Beispiel, um Daten \u00fcber „Lamborghini“ zu holen, wenn die Maschine aber \u201cEnte\u201c produziert, muss der Suchmaschinen.Programmierer diese bestrafen, weile eine falsche Ausgabe gesendet wurde. Beim maschinellen Lernen geht es als darum den Algorithmus zu trainieren.<\/p>\n Die Jahre von den 1980er – 2009 waren die dunklen Zeiten. Nach IMAGEnet lag die Rate der Berechnungsfehler beim erkennen von Bilder zwischen 2010 – 2014, lag bei 79%, aber es wurde immer weniger bis 2014 es nur noch 20% warn, dadurch wurde der Maschine ein neuer prim\u00e4rer Sinn hinzugef\u00fcgt.<\/p>\n Das menschliche Gehirn nutzt 20 W Energie, w\u00e4hrend Ihr Laptop 50 W verwendet. Ihr Gehirn Hat aber mehr Rechenleistung als Ihren Laptop.<\/p>\n Also, was fehlt? Er sollte viele Operationen gleichzeitig durchgef\u00fchrt k\u00f6nnen um mit der \u00c4nderung zurecht zu kommen. Einige von euch werden vielleicht schon erraten haben, wie ich mit dieser Aussage bei Google RankBrain ende.<\/p>\n Google hat Algorithmen und Daten die den Algorithmus zum laufen bringen, um erfolgreich zu sein. Google muss wirklich die Dinge so skalieren wie es die Biologie durch jahrelange Evolution getan hat. Google RankBrain ist noch nicht fertig, Sie sollten sich keine Sorgen machen Ihre Website zu ranken und \u00fcber den SEO-Prozess<\/a>. Google hat Algorithmen damit das funktioniert und Maschinen um es zu verarbeiten. Google-Ingenieure k\u00f6nnen neue Hardware zu bauen und Computerverabeitung in eine ganz neue Richtung lenken, aber das braucht Zeit.<\/p>\n Warum brauchen wir Big-Data?<\/strong><\/p>\n Wir brauchen Daten, damit es funktioniert. Die Frage ist, wie dieser Algorithmus Gesch\u00e4ften und gro\u00dfen Unternehmen helfen wird, ihrer Probleme zu l\u00f6sen? Die Wahrheit ist, die meisten Unternehmen scheren sich nicht um deep learning.<\/p>\n K\u00fcnstliche Intelligenz (KI im NN Kontext) ist die F\u00e4higkeiten auf F\u00e4higkeiten aufzubauen. Die F\u00e4higkeit, Sprachen und Bilder zu verstehen. Die M\u00f6glichkeit, Fragen zu stellen oder wird gesagt zu bekommen, welche Frage man sich h\u00e4tte stellen sollen.<\/p>\n Organisationen sollten Technologie demokratisieren, um sich das Vertrauen der Nutzer zu verdienen, das Kundenkapital ihres Unternehmen zu erh\u00f6hen und um eine gute Nutzererfahrung zu bieten.<\/p>\n In Bezug auf Suchmaschinenotimierung ist Google RankBrain in den Kinderschuhen. Hier ist der Grund. Wir sehen einen Trend sich auf durch menschen markierte Trainingsdaten zu fokussieren, wenn es um un\u00fcberwachte Verfahren geht. Es ist ein Muster, in allem; Menschen brauchen keine Lehrer die ihnen die ganze Zeit Dinge beibringen. Die Abh\u00e4ngigkeit von Humandaten ist f\u00fcr diese Technologie eine Skalierbarkeits-Herausforderung. Wenn wir diesen Prozess l\u00f6sen und alle Daten da drau\u00dfen verwenden, wird sich eine neue Welt er\u00f6ffnen.<\/p>\n Un\u00fcberwachtes Lernen ist eine Art von Lernalgorithmus, bei der Zusammenh\u00e4nge aus Datens\u00e4tzen gewonnen werden, bestehend aus Eingangsdaten ohne markierten Antworten. Cluster-Analyse beinhaltet ein oder mehrere Clustering-Algorithmen mit dem Ziel, in dem Datensatz versteckte Muster oder Gruppierungen zu finden. Clustering-Algorithmen bilden Gruppierungen bzw. Cluster derart, dass die Daten innerhalb eines Clusters ein h\u00f6heres Ma\u00df an \u00c4hnlichkeit haben, als Daten in jedem anderen Cluster.<\/p>\n Wenn wir und Neuronalen-Netzwerke ansehen enthalten diese zwei Teile. Neuronale-Netzwerk selbst und das Lernprinzip. Wenn wir mehr allgemeine Computer bauen, die Neuronale-Netzwerke verarbeiten, dann m\u00fcssen wir sie \u00fcberwachen, um Fortschritte zu machen.<\/p>\n Es gab nicht gen\u00fcgend Fortschritte beim unbeaufsichtigten Lernen deshalb brauchen Sie sich nicht \u00fcber RankBrain’s Auswirkungen auf das Ranking Ihrer Website k\u00fcmmern. Google hat keinen unbeaufsichtigten Algorithmus entwickeln um einen \u00fcberwachten Algorithmus auszuhebeln. Google hat sie noch nicht gebaut. Sie haben Algorithmen und Maschinen die Informationen verarbeiten aber Google sollte mit Lernprinzipien kommen.<\/p>\n Die Unternehmen sollten den Nutzen sehen. Man kann wohl sagen, dass, solange Google den RankBrain Algorithmus noch nicht vollendet hat, sollten Sie dem gleichen digitalen Marketing folgen: Suchmaschinenoptimierung<\/a>, Mobile Marketing, PPC Prozesse den es wird einige Zeit dauern einen un\u00fcberwachten Algorithmus zu bauen. Ihre Aufgabe ist es zu pr\u00fcfen, was f\u00fcr Ihr Unternehmen funktioniert und sich nicht auf Annahmen verlassen.<\/p>\n <\/p>\n![\"\"](\"http:\/\/www.maria-johnsen.com\/deutschblog\/wp-content\/uploads\/2016\/05\/K\u00fcnstliche-Intelligenz-undgoogle-rankbrain1.jpg\")
\n