Die MEDIENWOCHE ist ein digitales Magazin für Medien, Journalismus, Kommunikation & Marketing. Die Redaktion beobachtet und begleitet publizistisch die Entwicklung der Branche in der Schweiz, verfolgt aber auch internationale Trends. Neben den redaktionellen Eigenleistungen bietet die MEDIENWOCHE mit dem «Medienmonitor» (zweimal wöchentlich) und der wochentäglichen Rubrik «Auf dem Radar» Lektüreempfehlungen aus nationalen und internationalen Medien.
Der MEDIENWOCHE können Sie auch über Social Media folgen:
Facebook, Twitter, Xing und Linkedin.
Alle Rechte © 2024 MEDIENWOCHE
Die Lesetipps dieses Themenbereichs werden kuratiert von Thomas Paszti, redaktion@medienwoche.ch.
Wird künstliche Intelligenz uns überflüssig machen? Nein, sagt der KI-Experte Viktor Mayer-Schönberger. Aber wir müssen die Vielfalt des Denkens unbedingt erhalten.
Ist eine KI schlauer als ein Algorithmus? Wie kann ein Algorithmus dem Gemeinwohl dienen? Was definiert überhaupt Gemeinwohl und wo sind die gesellschaftlichen Risiken und Potenziale von Deep Learning und Co.? Über diese Dinge kann uns unsere heutige Gästin Julia Gundlach sicher mehr erzählen. Sie arbeitet nämlich für die Bertelsmann Stiftung an einem der 60 Projekte, die dort gegenwärtig durchgeführt werden.
Seit Hebst 2020 setzt «Focus Online» künstliche Intelligenz KI ein, um konstruktive Inhalte zu erzeugen. Chefredakteur Florian Festl gibt Einblicke in den Constructive Score und die Arbeit mit KI.
Künstliche neuronale Netze sind hochaktuell – doch der entscheidende Funke für die KI sprang schon in den 1940er Jahren aus den Neurowissenschaften über.
Affective Computing – also mittels künstlicher Intelligenz die Emotionen eines Nutzers zu analysieren und entsprechend zu reagieren – hat im Business-Umfeld großes Potenzial.
Nach Fortschritten bei der Vertrauenswürdigkeit der Datenverarbeitung will Jeannette Wing auch KI zuverlässiger machen und ihr kausales Denken beibringen.
Rolle rückwärts: Um den beeindruckenden Erfolg von tiefen neuronalen Netzen zu erklären, schauen Forschende zurück und analysieren ältere, aber besser verstandene Modelle des maschinellen Lernens.
