Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
cset2. September 2021 · Q005467

Small Data’s Big AI Potential

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Text ist ein Auszug aus einem Bericht über KI-Verfahren, die mit wenig gelabelten Daten auskommen, darunter Transferlernen, künstliche Daten und Bayes’sche Methoden. Laut der dort zusammengefassten CSET-Auswertung wächst Transferlernen besonders schnell; die USA lägen in mehreren anderen Forschungsbereichen vorn, China beim Transferlernen, doch die Belege und vollständige Analyse fehlen im Auszug.

Mittel

Der vorliegende Text ist ein Auszug aus einem CSET-Bericht; die vollständige Analyse und die erwähnten Tabellen sind nicht enthalten. Er stellt KI-Ansätze vor, die mit wenig oder ohne gelabelte Daten arbeiten und so die Abhängigkeit von großen Datensätzen verringern können. Genannt werden fünf Gruppen: Transferlernen, Datenbeschriftung, künstliche Daten, Bayes’sche Methoden und bestärkendes Lernen.

Laut der im Auszug wiedergegebenen Auswertung von CSET-Daten wächst die Forschung zum Transferlernen besonders schnell. Die Autorinnen und der Autor erwarten deshalb, dass es künftig leistungsfähiger und verbreiteter sein könnte. Im Ländervergleich lägen die USA demnach bei bestärkendem Lernen und Bayes’schen Methoden vorn, während China einen kleinen, wachsenden Vorsprung beim Transferlernen habe. Als vorsichtige Folgerung schlägt der Bericht Transferlernen als möglichen Bereich für mehr US-Regierungsförderung vor. Ein Korrekturhinweis besagt, dass fehlerhafte Zitationswerte und zugehörige Angaben 2021 berichtigt wurden. Die zugrunde liegenden Belege sind im Auszug nicht enthalten.

Ausführlich lesen

Der vorliegende Text ist ein Auszug: Er enthält die Zusammenfassung eines CSET-Berichts über KI-Verfahren, die mit wenig oder gar keinen gelabelten Daten auskommen, sowie einen Korrekturhinweis und den Anfang eines Abbildungsabschnitts. Die vollständige Analyse und die Abbildung selbst sind hier nicht enthalten.

Die Autorinnen und der Autor wenden sich gegen die verbreitete Vorstellung, Fortschritte in der KI setzten grundsätzlich riesige Datensätze voraus. Der Auszug ordnet Ansätze für Situationen mit wenig Daten in fünf grobe Gruppen: Transferlernen, Datenbeschriftung, künstliche Daten, Bayes’sche Methoden und bestärkendes Lernen. Diese Verfahren können laut Bericht den Bedarf an umfangreichen, in der realen Welt gesammelten Trainingsdaten verringern. Zugleich soll die Einordnung erklären, wann und wie Daten für KI nützlich sind.

Im zweiten Teil des Berichts werteten die Forschenden nach eigener Darstellung CSET-Daten aus, um den Stand und die erwartete Entwicklung der Forschung in diesen Bereichen, führende Länder und wichtige Finanzierungsquellen zu untersuchen. Die hier wiedergegebene Zusammenfassung nennt als Ergebnis, dass die Forschung zum Transferlernen besonders schnell wächst – schneller als die größere und bekanntere Forschung zum bestärkenden Lernen. Daraus leiten die Autorinnen und der Autor die Erwartung ab, dass Transferlernen künftig besser funktionieren und breiter eingesetzt werden könnte.

Beim internationalen Vergleich beschreibt der Auszug einen engen Wettbewerb zwischen den USA und China. Die USA lägen demnach in den beiden größten Kategorien, bestärkendem Lernen und Bayes’schen Methoden, vorn. China habe einen kleinen, aber wachsenden Vorsprung im besonders schnell wachsenden Bereich Transferlernen. Als vorsichtige politische Folgerung wird Transferlernen als möglicher Schwerpunkt für zusätzliche US-Regierungsförderung genannt: Sein Anteil an den Investitionen in kleine Datenansätze sei im Vergleich zu den allgemeinen KI-Investitionsmustern geringer.

Der Bericht korrigiert außerdem, dass ein anfänglicher Programmierfehler einige um das Alter der Publikationen bereinigte Zitationswerte verfälscht hatte. Tabelle 2, Abbildung 3 und der zugehörige Text auf den Seiten 17–18 seien am 29. September 2021 berichtigt worden. Da der vorliegende Auszug weder die zugrunde liegenden Daten und Methoden im Detail noch die Tabellen, Abbildung 3 oder die vollständigen Ergebnisse enthält, lassen sich die genannten Vergleiche und Schlussfolgerungen hier nicht unabhängig prüfen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 78 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →