Search (6 results, page 1 of 1)

0.009073632 = product of:
  0.027220894 = sum of:
    0.027220894 = product of:
      0.054441787 = sum of:
        0.054441787 = weight(_text_:da in 4551) [ClassicSimilarity], result of:
          0.054441787 = score(doc=4551,freq=2.0), product of:
            0.20539105 = queryWeight, product of:
              4.7981725 = idf(docFreq=990, maxDocs=44218)
              0.0428061 = queryNorm
            0.26506406 = fieldWeight in 4551, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              4.7981725 = idf(docFreq=990, maxDocs=44218)
              0.0390625 = fieldNorm(doc=4551)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Content

Wenn die Umfrageergebnisse, die von YouGov und dem SINUS-Institut erhoben wurden, zutreffen, dann lehnen über zwei Drittel der Deutschen ein solches staatliches Bewertungs- und Steuerungssystem ab. 15 Prozent haben dazu keine Meinung, lehnen es also nicht rundweg ab. Erstaunlich aber ist, dass 17 Prozent, also fast jeder Sechste das sogar begrüßen würde. Gefragt wurden 2.036 Personen ab 18 Jahren. Die Befragung soll repräsentativ sein. 40 Prozent fänden die Möglichkeit gut, die Menschen in ihrer Umgebung bewerten zu können, 39 Prozent würden sich auch selbst von anderen bewerten lassen. In der Fragestellung wurde als Beispiel vorgeschlagen, für Unfreundlichkeit Minuspunkte oder für Freundlichkeit Pluspunkte zu vergeben. Da schlägt wahrscheinlich auch durch, dass die meisten Menschen die allerorten praktizierte Bewertung, das Ranking/Scoring von diesem und jenem, einschließlich seiner selbst gegenüber anderen, und die Quantifizierung des eigenen Lebens schon übernommen haben. Dazu kommt, dass die Überwachung des finanziellen und digitalen Verhaltens zu einer Wurstigkeit geführt hat, der Schutz der Privatsphäre hat für viele aufgrund der Vorteile keine besondere Bedeutung mehr, die Transparenz des persönlichen Lebens wird als Schicksal erlebt, zumindest so lange man überzeugt ist, nichts verbergen zu müssen.

0.0077328477 = product of:
  0.023198543 = sum of:
    0.023198543 = product of:
      0.046397086 = sum of:
        0.046397086 = weight(_text_:22 in 3978) [ClassicSimilarity], result of:
          0.046397086 = score(doc=3978,freq=2.0), product of:
            0.14989968 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0428061 = queryNorm
            0.30952093 = fieldWeight in 3978, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0625 = fieldNorm(doc=3978)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Issue

[22. November 2017].

0.0077328477 = product of:
  0.023198543 = sum of:
    0.023198543 = product of:
      0.046397086 = sum of:
        0.046397086 = weight(_text_:22 in 4427) [ClassicSimilarity], result of:
          0.046397086 = score(doc=4427,freq=2.0), product of:
            0.14989968 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0428061 = queryNorm
            0.30952093 = fieldWeight in 4427, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0625 = fieldNorm(doc=4427)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Date

22. 1.2018 11:08:27

0.007258905 = product of:
  0.021776715 = sum of:
    0.021776715 = product of:
      0.04355343 = sum of:
        0.04355343 = weight(_text_:da in 5262) [ClassicSimilarity], result of:
          0.04355343 = score(doc=5262,freq=2.0), product of:
            0.20539105 = queryWeight, product of:
              4.7981725 = idf(docFreq=990, maxDocs=44218)
              0.0428061 = queryNorm
            0.21205126 = fieldWeight in 5262, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              4.7981725 = idf(docFreq=990, maxDocs=44218)
              0.03125 = fieldNorm(doc=5262)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Content

Fotografie wurde seit ihrem Beginn wegen ihrer Entsubjektivierung gefeiert. Im Unterschied zur Malerei von der Bildherstellung durch den Apparat und die Lichtmalerei ersetzt wird. Deswegen wurde Fotografie als objektives Medium verherrlicht. Was von dem Objektiv aufgenommen wurde, soll es da auch gegeben haben. Der Druck auf den Auslöserknopf setzte die Wahrheitsbildgebung in Kraft, auch wenn der Ausschnitt, die Belichtung oder die Schärfe die Darstellung der Szene verändert. Mit der digitalen Fotografie hat sich das Misstrauen in das fotografische Bild extrem verstärkt - zu Recht. Zwar konnten auch schon zuvor Bilder manipuliert werden, nicht nur mit Nachbearbeitung, sondern auch, was überhaupt aufgenommen und wie das Bild beschrieben wird, digital ist aber das Foto bestenfalls Ausgangsbasis für Verabeitungen. Mit Mitteln der Künstlichen Intelligenz lassen sich fotorealistische Fakes noch leichter bewerkstelligen. Ein Bild ist kein Beweis für etwas Wirkliches mehr, sondern nur noch ein - auch bewegtes - Bild, das ebenso wenig oder viel Glaubwürdigkeit hat wie beispielsweise ein Text. Vertrauen muss in die Quelle gesetzt werden, die Bilder oder Texte produziert und verbreitet. Deepfakes nennt man fotorealistische Bilder und Videos, die manipuliert sind. Das Problem ist, dass diese immer leichter herstellbaren verfälschten Bilder auch als Belege für politische Zwecke verwendet werden können. Noch immer glauben viele traditionsverhaftet eher scheinbar objektiv generierten Bildern als etwa Texten. Die seit Februar existierende Website ThisPersonDoesNotExist.com zeigt, wie leicht wir getäuscht werden können. Mit der Hilfe des KI-Algorithmus StyleGAN von Nvidia wird hier demonstriert, wie täuschend realistische Bilder von Personen erzeugt werden können, die es nicht gibt. Dabei konkurrieren gewissermaßen zwei neuronale Netze, die mit Bildern von Gesichtern von Prominenten und von Menschen auf Flickr gefüttert wurden, gegeneinander an.

0.0054441784 = product of:
  0.016332535 = sum of:
    0.016332535 = product of:
      0.03266507 = sum of:
        0.03266507 = weight(_text_:da in 3385) [ClassicSimilarity], result of:
          0.03266507 = score(doc=3385,freq=2.0), product of:
            0.20539105 = queryWeight, product of:
              4.7981725 = idf(docFreq=990, maxDocs=44218)
              0.0428061 = queryNorm
            0.15903844 = fieldWeight in 3385, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              4.7981725 = idf(docFreq=990, maxDocs=44218)
              0.0234375 = fieldNorm(doc=3385)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Content

"Wie könnten Computer Sprache lernen und dabei auch die Bedeutung von Worten sowie die Beziehungen zwischen ihnen verstehen? Dieses Problem der Semantik stellt eine gewaltige, bislang nur ansatzweise bewältigte Aufgabe dar, da Worte und Wortverbindungen oft mehrere oder auch viele Bedeutungen haben, die zudem vom außersprachlichen Kontext abhängen. Die beiden holländischen (Ein künstliches Bewusstsein aus einfachen Aussagen (1)). Paul Vitanyi (2) und Rudi Cilibrasi vom Nationalen Institut für Mathematik und Informatik (3) in Amsterdam schlagen eine elegante Lösung vor: zum Nachschlagen im Internet, der größten Datenbank, die es gibt, wird einfach Google benutzt. Objekte wie eine Maus können mit ihren Namen "Maus" benannt werden, die Bedeutung allgemeiner Begriffe muss aus ihrem Kontext gelernt werden. Ein semantisches Web zur Repräsentation von Wissen besteht aus den möglichen Verbindungen, die Objekte und ihre Namen eingehen können. Natürlich können in der Wirklichkeit neue Namen, aber auch neue Bedeutungen und damit neue Verknüpfungen geschaffen werden. Sprache ist lebendig und flexibel. Um einer Künstlichen Intelligenz alle Wortbedeutungen beizubringen, müsste mit der Hilfe von menschlichen Experten oder auch vielen Mitarbeitern eine riesige Datenbank mit den möglichen semantischen Netzen aufgebaut und dazu noch ständig aktualisiert werden. Das aber müsste gar nicht notwendig sein, denn mit dem Web gibt es nicht nur die größte und weitgehend kostenlos benutzbare semantische Datenbank, sie wird auch ständig von zahllosen Internetnutzern aktualisiert. Zudem gibt es Suchmaschinen wie Google, die Verbindungen zwischen Worten und damit deren Bedeutungskontext in der Praxis in ihrer Wahrscheinlichkeit quantitativ mit der Angabe der Webseiten, auf denen sie gefunden wurden, messen.

0.0038664239 = product of:
  0.011599272 = sum of:
    0.011599272 = product of:
      0.023198543 = sum of:
        0.023198543 = weight(_text_:22 in 4217) [ClassicSimilarity], result of:
          0.023198543 = score(doc=4217,freq=2.0), product of:
            0.14989968 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0428061 = queryNorm
            0.15476047 = fieldWeight in 4217, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.03125 = fieldNorm(doc=4217)
      0.5 = coord(1/2)
  0.33333334 = coord(1/3)

Date

22. 1.2018 11:32:44