Künstliche Intelligenz
|
|
- Ewald Richter
- vor 5 Jahren
- Abrufe
Transkript
1 Johner Institut Künstliche Intelligenz Der Spaß ist vorbei MedConf 2018
2 Lineare Algebra Analysis, Differenzial- und Integralrechnung Wahrscheinlichkeitstheorie & Statistik Algorithmen & Komplexitätstheorie Artificial Intelligence Machine Learning Deep Neural Networks Computer Vision
3 Machine Digitalisierung Disruptiv Big Data A.I. IBM Watson Learning Innovation Tensorflow Bullshit Bingo Künstliche Deep Neural Networks Data Science Digitale Trans- Start-up Analytics Intelligenz formation Self Driving Car Convolutional Back Google Duplex Virtual Reality Neural Industrie 4.0 Silicon Valley Propagation Networks
4 Sichtbarkeit Deep Learning Machine Learning NLP Computer Vision GPU Accelerators AI Governance Autonomous Vehicles Speech Recognition Virtual Reality Chatbots Augmented Reality Reife Technologische Gipfel der Tal der Aufstieg zur Plateau der Auslöser überzogenen Desillusion Erleuchtung Produktivität Erwartungen Quelle: Gartner 2018
5 Spiegel Ausgabe 45/2017 Spiegel Ausgabe 32/2018
6 Deep learning is for people lacking the engineering skills to solve the problem properly. 6
7
8 8
9 Professor Zellweger erleben beim Institutstag am
10 Bis zum Tod...
11 Bilderkennung (z.b. Retinopathie) Qualitätssicherung Erkennung von Depressionen Erkennung von Epidemien Medikation (Auswahl, Dosierung) Prognose von Krankheiten / Tod Drug-Design Text à strukturierte Daten Signalverarbeitung u.v.m. KI in der Medizin 11
12 1 Grundlagen
13 Artificial Intelligence A machine s ability to make decisions and perform tasks that simulate human intelligence and behavior. Alternatively 1. A branch of computer science dealing with the simulation of intelligent behavior in computers. Definition 2. The capability of a machine to imitate intelligent human behavior Merriam-Webster 13
14 Alan Turing
15 Künstliche Intelligenz KI) Artificial Intelligence (AI) Machine Learning (ML) Symbolic Learning Statistical Learning Deep Learning Baysian Filter
16 Symbolic Learning
17 Künstliche Intelligenz KI) Artificial Intelligence (AI) Symbolic Machine Learning (ML) Learning Statistical Learning Deep Learning
18 Machine Learning A facet of AI that focuses on algorithms, allowing machines to learn and change without being programmed when exposed to new data. Definition 18
19 Klassisch Modell bilden Modell mit Rohdaten füttern Ergebnisse mit Modell berechnen Ergebnisse vergleichen Verfahren (Meta- Model) wählen Mit Rohdaten & Ergebnissen füttern Modell bilden (lernen) lassen Ergebnisse vergleichen Machine Learning
20 Klassische Verarbeitung Machine Learning Daten Daten Daten Daten Daten Daten Daten Algorithmus abhängig von Daten!
21 Was lässt jemanden alt aussehen? www Heatmapping
22 Künstliche Intelligenz KI) Artificial Intelligence (AI) Symbolic Machine Learning (ML) Learning Statistical Learning Deep Learning
23 Deep Learning The ability for machines to autonomously mimic human thought patterns through artificial neural networks composed of cascading layers Definition of information. 23
24 2 Verfahren
25 KI Verfahren in der Medizin Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology 2017;2:doi: /svn
26 Körpergewicht [kg] y = m x + c Körpergröße [kg] Lineare Regression
27 Bestimmung von m und c Algorithmisches Verfahren Näherungsverfahren
28 Körpergewicht [kg] Körpergröße [kg] Lineare Regression
29 Open
30 Fehler Loss Function Große Lernrate Kleine Lernrate m Loss Function 30
31 1,2 1 Rückenprobleme 0,8 0,6 0,4 0, Körpergröße [cm] Logistische Regression
32 Körpergewicht [kg] Mit Rückbeschwerden Ohne Rückbeschwerden Loss-Function: Anzahl Fehlklassifizierungen 2 Fehlklassifizierungen 1 Fehlklassifizierung Körpergröße [cm] Logistische Regression
33 Körpergewicht [kg] Mit Rückbeschwerden Ohne Rückbeschwerden Körpergröße [cm] Neuronale Netzwerke
34 Dendrit Zellkern Axon Soma x 1 w 1 Aktivierungsfunktion j x 2 w 2 x 3 w 3 Output y... x n w n Schwellwert c
35 x 1 w 1 Aktivierungsfunktion j x 2 w 2 x 3 w 3 Output y... x n w n Schwellwert c
36 Aktivierungsfunktionen j 36
37 y = j(x) y = j(x+2) Schwellwert c Schwellwert c = 2 37
38 Aktivierungs- x funktion j x 1 w 1 Input Output y o 0 0 x 1 x 2 w 2 Schwellwert c o 1 W 1 = 1 AND Operator W 2 = 1 x 1 x 2 y = x 1 AND x 2 C = 1, Beispiel AND und OR
39 x 1 Körpergewicht [kg] Aktivierungsfunktion j x 1 w 1 Input Output y x 2 w 2 Schwellwert c x 2 Körpergröße [cm] Neuronale Netzwerke Mit Rückbeschwerden Ohne Rückbeschwerden
40 Ohne Befund Infarkt Parkinson Klassifizierung Neoplasie
41
42 0,00 0,07 0,15 1,00 1, ,05 0,13 0,62 0, ,21...
43 Zeile 1 0,00 0,07 0,15 1,00 1,00... Zeile 2 0,05 0,13 0,62 0,80... Zeile 3 0, ,00 0,07 0,15 1,00 1, ,05 0,13 0,62 0, ,21...
44 0,07 1,00 0, ,13... Ohne Befund Infarkt 1,00 0,15 Parkinson Neoplasie Input Hidden Output 0,00 Layer Layer Layer
45 0, ,999; 0; 0; 0, , ,999 0; 0,999; 0,999; 0 0,999 0 Bilderkennung (Beispiel)
46 , , Inputs 4 Nodes 50 Nodes 2 Nodes Input Layer Layer 1 Output Layer
47 Layer (type) Output Shape Param # W 1,1 ============================================= dense_1 (Dense) (None, 4) 20 0,999 W 2,1 W 1,2 dense_2 (Dense) (None, 50) W 1,3 dense_3 (Dense) (None, 2) ============================================= 0,999 W 1,4 Total params: = 4 x 4 input weights + 4 biases 250 = 4 x 50 weights + 50 biases 102 = 50 x 2 weights + 2 biases
48
49 Anzahl Layer Wahl des Optimizers Anzahl Neuronen pro Layer Lernrate Typ an Layer Wahl der Aktivierungsfunktion Verschaltung der Layer Anzahl der Iterationen Wahl der Loss-Function u.v.m. Modell-/Hyperparameter
50 3 Regulatorische Anforderungen
51 For devices that incorporate software or for software that are devices in themselves, the software shall be developed and manufactured in accordance with the state of the art taking into account the principles of development life cycle, risk management, including information security, verification and validation. MDR Annex I, 17.2
52 Devices that incorporate electronic programmable systems, including software, or software that are devices in themselves, shall be designed to ensure repeatability, reliability and performance in line with their intended use. MDR Annex I, 17.1
53 Wiederholbarkeit Vorhersagbarkeit Spezifität Sensitivität Was ist der claim? Klinische Relevanz Verifikation und Validierung 53
54 Richtiges Modell gewählt Modell sagt korrekt voraus Richtig implementiert Klinisch validiert Vorhersagen sind klinisch relevant Richtig trainiert V&V bei KI
55 During design and development planning, the organization shall document the resources needed, including necessary competence of personnel ISO 13485: f ) The organization shall document validation plans that include methods, acceptance criteria and, as appropriate, statistical techniques with rationale for sample size. ISO 13485: ISO 13485:2016 (7.3.)
56 4.1.6 The organization shall document procedures for the validation of the application of computer software used in the quality management system. Such software applications shall be validated prior to initial use and, as appropriate, after changes to such software or its application. The specific approach and activities associated with software validation and revalidation shall be proportionate to the risk associated with the use of the software. ISO 13485:2016 (4.1.6)
57 Data collection Data preparation Development of model IEC Validation of model Software distribution Operation of software Diese (Verarbeitungs-)Schritte nutzen (üblicherweise) Software, die nicht Teil des Medizinprodukts ist. Diese Software ist zu validieren!
58 Stakeholder Requirements System = Software Validation IEC Chapter 5.2 System = Software Requirements System = Software Tests IEC Chapter 5.7 IEC Chapter 5.3 Software Architecture Component Integration Tests IEC Chapter 5.6 IEC Chapter 5.4 Component Requirements Unit / Component Tests IEC Chapter 5.6 IEC Implementation IEC Chapter 5.5
59 SOUP Software of Unknown Provenance SOUP
60 DSGVO Die betroffene Person hat das Recht, nicht einer ausschließlich auf einer automatisierten Verarbeitung einschließlich Profiling beruhenden Entscheidung unterworfen zu werden, die ihr gegenüber rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt.
61 4 Probleme
62 Falsche Ergebnisse Unvorhersehbare Ergebnisse Unklare Güte der Ergebnisse Unklare Grenzen / Vorbedingungen Mangelnde Wiederholbarkeit Befürchtungen
63 Chihuahua oder Muffin? Verlässlichkeit der Ergebnisse
64 Underfitting Overfitting Overfitting
65 Fehler Loss Function Sehr große Lernrate Große Lernrate Kleine Lernrate m Minimum finden 65
66 Fehler Kleine Lernrate m Minimum finden 66
67 Assistant CEO
68 68
69 Zufällig richtig? DOI:
70 I said no. I said we don t understand what it does inside. I said I was afraid. Dr. Rich Caruana, Microsoft Research
71 Zustand Lungenentzündung Beste Behandlung Besserer Zustand Lungenentzündung + Asthma
72 Korrelation!= Kausalität
73 Maschine Mensch Goldstandard?
74 What is the Ground Truth? 74
75 Ein(e) Mediziner(in) Beste Mediziner(in) Beste Mediziner(in) Goldstandard? 75
76 Auswahl und Qualität der Daten Wahl der Hyperparameter Menge der Daten Kausalität versus Korrelation Datenverarbeitung Reproduzierbarkeit (u.a. CLS) Training, Labeling, Aufteilung Wahl des Goldstandards Wahl des Modells Explainability Kritische Faktoren 76
77 5 Explainability
78 1 Grundlagen, Definitionen 2 Verfahren 3 Regulatorische Anforderungen 4 Probleme 5 Explainability
79
80 Beeinflussung durch A.I.
81 Myself is somebody with no previous background in medicine. I seem to be entirely unqualified to start a new medical company, what I did. Jeremy Howard
82
83 Nur ein einziger Data Scientist kann das Geschäftsmodell vieler Firmen bedrohen. Was können dann erst viele?
84 Missbrauch durch A.I. Konkurrenz (Tech Giants, Startups,...) Überzogene Erwartungen in A.I. Blindes Vertrauen in A.I. FDA nutzt und reguliert A.I. Bedrohungen 84
85 Ausprobieren, Kompetenz erhöhen Innovation in Produkte überführen Gegengewicht zu Tech-Giganten Ethischer Umgang Patienten nutzen Chancen 85
86 Johner Institut Exzellenz Mittelmaß
87 Johner Institut Wir helfen Medizinprodukteherstellern mit schlanken Akten sicher durch Audit und Zulassungen. Unterlagen erstellen und für Zulassung vorbereiten Technische Dokumentation auf MDR-Konformität prüfen QM-Systeme aufbauen, entschlacken, auditieren Usability Tests durchführen (USA, Deutschland) Klinische Bewertungen erstellen Klinische Prüfungen durchführen Als Inverkehrbringer agieren Mitarbeiter/innen qualifizieren
Einführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrTMF projects on IT infrastructure for clinical research
Welcome! TMF projects on IT infrastructure for clinical research R. Speer Telematikplattform für Medizinische Forschungsnetze (TMF) e.v. Berlin Telematikplattform für Medizinische Forschungsnetze (TMF)
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrISO 15504 Reference Model
Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define metrics Pre-review Review yes Release
MehrPOST MARKET CLINICAL FOLLOW UP
POST MARKET CLINICAL FOLLOW UP (MEDDEV 2.12-2 May 2004) Dr. med. Christian Schübel 2007/47/EG Änderungen Klin. Bewertung Historie: CETF Report (2000) Qualität der klinischen Daten zu schlecht Zu wenige
MehrDesign ControlMedizintechnik
Design ControlMedizintechnik Hans-Georg Pfaff International Quality Consulting AG Hans-Georg Pfaff IQC AG Überblick 21CFR820 Elemente des Entwicklungsprozessen Erfahrungen der Teilnehmer Einfaches Prozessmodell
MehrDOT. implantsource. Qualitätsmanagement. Innovative Produkte für die Medizin. Prof. Dr. H.- G.Neumann DOT
DOT implantsource Qualitätsmanagement Innovative Produkte für die Medizin Prof. Dr. H.- G.Neumann DOT Medizinprodukt - Begriff Medizinprodukte Medizinprodukte nach 3 MPG sind alle einzeln oder miteinander
MehrWE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN
WE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN Bosch-Definition for Industry 4.0 Our Seven Features Connected Manufacturing Connected Logistics Connected Autonomous and Collaborative
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrCybersecurity Mit Sicherheit!
Cybersecurity Mit Sicherheit! Klaus Lenssen Chief Security Officer Cisco Security & Trust Office Deutschland 16. Deutscher Akademietag der Cisco Networking Academies 31. März 2017 Kennen Sie diesen Herren?
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrVernetzte Industrie Vernetzte Systeme: Position, Strategie und Lösungen PLM Future 2016 Kaiserslautern Matthias Schmich Siemens Industry Software
Vernetzte Industrie Vernetzte Systeme: Position, Strategie und Lösungen PLM Future 2016 Kaiserslautern Matthias Schmich Siemens Industry Software Siemens AG 2016 Was wird die Zukunft bringen? Wandel in
MehrSustainability Balanced Scorecard as a Framework for Eco-Efficiency Analysis
Sustainability Balanced Scorecard as a Framework for Eco-Efficiency Analysis Andreas Möller amoeller@uni-lueneburg.de umweltinformatik.uni-lueneburg.de Stefan Schaltegger schaltegger@uni-lueneburgde www.uni-lueneburg.de/csm
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrNormerfüllung in der Praxis am Beispiel "Tool Qualification" Dr. Anne Kramer, sepp.med gmbh
Normerfüllung in der Praxis am Beispiel "Tool Qualification" Dr. Anne Kramer, sepp.med gmbh Über uns Mittelständischer IT-Service Provider 30 Jahre Industrieerfahrung Unsere Referenzen Medizintechnik Pharma
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrISO 15504 Reference Model
Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define
MehrCustomer-specific software for autonomous driving and driver assistance (ADAS)
This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs
MehrInnovation Scouting - Vom Screening weltweiter Trends bis zur Umsetzung in Produkten
Innovation Scouting - Vom Screening weltweiter Trends bis zur Umsetzung in Produkten Agenda A B C D Miba Group Overview Trends und Herausforderungen Innovation bei Miba AG Innovation am Beispiel Elektromobilität
MehrDarstellung und Anwendung der Assessmentergebnisse
Process flow Remarks Role Documents, data, tool input, output Important: Involve as many PZU as possible PZO Start Use appropriate templates for the process documentation Define purpose and scope Define
MehrDie Konvergenz von Mensch und Machine - und was dies für die Zukunft von Gesellschaft und Business bedeutet
www.futuristgerd.com www.gerdtube.com @gleonhard on Twitter Die Konvergenz von Mensch und Machine - und was dies für die Zukunft von Gesellschaft und Business bedeutet Mein neues Buch Technology vs Humanity
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrWas bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre
Was bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre Futurist Humanist Algorithmen Androrithmen Imagine Develop Foresights Sind Sie zukunftsbereit? Understand Observe Foresights
MehrDER SYSTEMS ENGINEER IN DER DIGITALISIERUNG
DER SYSTEMS ENGINEER IN DER DIGITALISIERUNG 25 Jahre Software Factory GmbH 25. Oktober 2017 Das Netzwerk Gegründet 1997 als e.v. Fördert als gemeinnützige Organisation Wissenschaft und Bildung im Bereich
MehrInformation Governance - Enabling Information
Information Governance - Enabling Information Dr. Wolfgang Johannsen Frankfurt, den 3. April 2014 Akademische Programme Berufsbegleitende Programme Seminare Executive Education Firmenprogramme & Services
MehrTechnische Universität Kaiserslautern Lehrstuhl für Virtuelle Produktentwicklung
functions in SysML 2.0 La Jolla, 22.05.2014 12/10/2015 Technische Universität Kaiserslautern Lehrstuhl für Virtuelle Produktentwicklung Dipl. Wirtsch.-Ing. Christian Muggeo Dipl. Wirtsch.-Ing. Michael
MehrEinsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation
Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation Eine Betrachtung im Kontext der Ausgliederung von Chrysler Daniel Rheinbay Abstract Betriebliche Informationssysteme
MehrAgile Entwicklungsmethoden für die Medizinprodukteherstellung
Agiles Management Agile Entwicklungsmethoden für die Medizinprodukteherstellung Prof. Dr. Holger Timinger Entwicklungsmodelle Agiles Management Schon gehört? Institut für Projektmanagement und Informationsmodellierung
MehrDie digitale Transformation von Wirtschaft und Gesellschaft - die nächsten 5 Jahre
Die digitale Transformation von Wirtschaft und Gesellschaft - die nächsten 5 Jahre www.futuristgerd.com www.gerdleonhard.de www.gerdtube.com www.gerdcloud.com @gleonhard ENG @derfuturist DE Wir sind am
MehrModel-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine
Model-based Development of Hybrid-specific ECU Software for a Hybrid Vehicle with Compressed- Natural-Gas Engine 5. Braunschweiger Symposium 20./21. Februar 2008 Dipl.-Ing. T. Mauk Dr. phil. nat. D. Kraft
MehrMachine Learning Das neue 42?
Machine Learning Das neue 42? Fabian Buchert Solution Architect SAS DACH Analytics actual trend topics Citizen Data Scientist Machine Learning Text Analytics Artificial Intelligence Image Recognition Open
MehrChallenges for the future between extern and intern evaluation
Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation
MehrEAM-Vorlesung (SS2017)
EAM-Vorlesung (SS2017) V4: TOGAF und das Metamodel Vassilios Goumas Frankfurt University of Applied Science 1 V4: Verlauf Was ist ein Metamodell Aufbau des Metamodells in TOGAF Aufteilung nach Core Metamodel
MehrIndustrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg
Industrial Data Intelligence Datenbasierte Produktionsoptimierung Hannover, 26.04.2017 HMI Peter Seeberg Algorithmus Daten Entscheidung Peter Seeberg / Softing, 2016 Copyright 2016 Softing Industrial.
MehrWie wird grenzüberschreitende Gesundheitsversorgung bezahlt?? Brigitte van der Zanden Healthacross, 14 Dezember 2010
Wie wird grenzüberschreitende Gesundheitsversorgung bezahlt?? Brigitte van der Zanden Healthacross, 14 Dezember 2010 Einleitung Directive Grenzüberschreitende Strömen Wie wird das bezahlt? Herausforderungen
MehrIBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence?
Das IBM Leistungsversprechen zum Führungsinformationssystems IBM Demokratischere Haushalte, bessere Steuerung, fundierte Entscheidungen? Was leisten das neue kommunale Finanzwesen und Business Intelligence?
MehrSupport Technologies based on Bi-Modal Network Analysis. H. Ulrich Hoppe. Virtuelles Arbeiten und Lernen in projektartigen Netzwerken
Support Technologies based on Bi-Modal Network Analysis H. Agenda 1. Network analysis short introduction 2. Supporting the development of virtual organizations 3. Supporting the development of compentences
MehrJPlus Platform Independent Learning with Environmental Information in School
JPlus Platform Independent Learning with Environmental Information in School Mario Härtwig, Pierre Karrasch Salzburg, 7. Juli 2010 Genesis Umweltmonitoring als Beitrag zur Umweltbildung an Schulen. Kulturlandschaftsentwicklung
MehrBringing sense and simplicity to life
Neue Einsatzbereiche der digitalen Spracherkennung: Informationsaufbereitung für Elektronische Patientenakten mit Wissensbanken und medizinischen Terminologien Klaus Stanglmayr Wednesday, June 20, 2007
MehrEinführung in die Künstliche Intelligenz
Einführung in die Künstliche Intelligenz Vorlesung WS 2004/05 Joachim Hertzberg, Andreas Nüchter (Übungen) Institut für Informatik Abteilung Wissensbasierte Systeme 1 Web-Seite Organisatorisches http://www.inf.uos.de/hertzberg/lehre/2004_ws/vorlesung_ki-intro/ki_ws04.html
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
MehrKünstliche Intelligenz und berufliche Bildung Wie das Internet der Dinge und KI das Lernen verändern
Künstliche Intelligenz und berufliche Bildung Wie das Internet der Dinge und KI das Lernen verändern Professor Dr. habil. Christoph Igel Deutsches Forschungszentrum für Künstliche Intelligenz Educational
MehrGenerische Normen zur Funktionalen Sicherheit im Maschinenbau. IEC und ISO 13849
Generische Normen zur Funktionalen Sicherheit im Maschinenbau IEC 62061 und ISO 13849 Thomas Bömer, VDE/DKE-TAGUNG 20 JAHRE IEC 61508 22.03.2017 Politik nach dem Merging IEC/TC44 und ISO/TC199 treffen
MehrWenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning?
Wenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning? TA17: Neue Arbeitswelt und Digitalisierung Welche Folgen haben neue Organisationsformen und Technologien?
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
MehrEinführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
MehrNeuronale Netze. Automatische Hinderniserkennung Paul Fritsche
1 Neuronale Netze Automatische Hinderniserkennung 2 Hintergrund Grundlagen Tensorflow Keras Fazit 3 TTBN 4 TTBN 5 TTBN 6 TTBN 7 Biological Neural Network By BruceBlaus - Own work, CC BY 3.0 8 Artificial
MehrSeminare. Geschäftsmodelle und Technologien der digitalen Welt. Digitalisierung für den Mittelstand
Seminare Geschäftsmodelle und Technologien der digitalen Welt Digitalisierung für den Mittelstand Nutzen Sie die richtigen digitalen Technologien, um wettbewerbsfähig zu bleiben? Virtual & Augmented Reality
MehrScenario Building Workshop - Interplay of problem framings
Transdiciplinary Conference Inter- and Transdisciplinary Problem Framing, ETH Zürich, 27-28 November 2008 Scenario Building Workshop - Interplay of problem framings PD Dr. Rolf Meyer*, Dr. Martin Knapp*,
MehrEine neue Hoffnung - Watson Analytics verschmilzt mit Cognos BA. Erik Purwins
Eine neue Hoffnung - Watson Analytics verschmilzt mit Cognos BA Erik Purwins Watson Kognitiv Cloud Security Open Data PPI AG 02.03.2016 > 2 Watson Analytics Cloud Security Open Data Social Media Wetterdaten
Mehrelaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten?
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten? Wolfgang Beinhauer Fraunhofer IAO Seite 1 Mensch oder Maschine? Der Turing-Test (Alan
MehrKURZVORSTELLUNG. Ergosign Medical & Pharma Design
KURZVORSTELLUNG Ergosign Medical & Pharma Design UNSER UNTERNEHMEN Mission & Facts Spezialisierter Anbieter von User Interface Design Services Fokus: B2B Anwendungen, Productivity, Anwendungen für Professionals,
MehrKooperation von Mensch und Maschine am Beispiel von IBM Watson Solutions
Kooperation von Mensch und Maschine am Beispiel von IBM Watson Solutions Peter Zimmer Nicole Roik Dr. Klemens Hägele IBM Deutschland GmbH Saarbrücken 22. Februar 2018 2018 IBM Corporation 1 2018 IBM Corporation
MehrÜbersicht. Normung von Software in der Medizin. Vorstellung der DKE. Vorstellung der Normungsgremien. Normen im Bereich Software.
Normung von Software in der Medizin Übersicht Vorstellung der DKE Vorstellung der Normungsgremien Normen im Bereich Software Zukunftstrends 20.09.2013/1 Vorstellung der DKE Gemeinnütziger Verband ohne
MehrStand der Recherche nach publizierten Identity Management Standards - ISO/IEC, DIN, BSI, CEN/ISSS und OASIS
IT Advisory Group AG Stand der Recherche nach publizierten Identity Management Standards - ISO/IEC, DIN, BSI, CEN/ISSS und OASIS Arslan Brömme Dipl.-Inform., B.Sc. 1 AK GenericIAM Stuttgart, 20. Juni 2006
MehrThe Future Internet in Germany and Europe
The Future Internet in Germany and Europe David Kennedy Direktor Eurescom GmbH Heidelberg, Deutschland Starting point.. The innovative society and sustainable economy of Europe 2020 will be based on ICT
MehrMit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH
Mit Chatbots den Service Desk optimieren Michael Kuschke, Materna GmbH Inhalte. Hype-Themen Artificial Intelligence, Cognitive Computing, Machine Learning und Chatbot Chatbot Was ist das? Wo braucht man
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
Mehrinnovation. einfach. machen. Thomas Habschied Innovation Management T-Systems International
innovation. einfach. machen. Thomas Habschied Innovation Management T-Systems International markt Expectations Technologie Hype Cycle nach Gartner Marktdurchdringung nach rogers und Moore HYpE Tablets
MehrProduct Lifecycle Manager
Product Lifecycle Manager ATLAS9000 GmbH Landauer Str. - 1 D-68766 Hockenheim +49(0)6205 / 202730 Product Lifecycle Management ATLAS PLM is powerful, economical and based on standard technologies. Directory
MehrUnternehmensweite IT Architekturen
Unternehmensweite IT Architekturen Part 1: IT Systems Architecture, Roles and Responsibilities of IT Architects Part 2: Solution Architecture, based on a practical Case Study Part 3: SOA (Service Oriented
MehrVielfalt als Zukunft Instandhaltung
10.02.2016, 13.00 13.30 CET Dr. Franziska Hasselmann Studienleitung CAS Managing Infrastructure Assets Maintenance Schweiz 2016 Vielfalt als Zukunft Instandhaltung Einladungstext zum Vortrag... Täglich
MehrBeschränkte Menschen unbeschränkte Technologie: Wie entwickelt sich das digitale Ökosystem
SFS Innovationsfachtagung Logistik 2015, Das Zelt Zürich Beschränkte Menschen unbeschränkte Technologie: Wie entwickelt sich das digitale Ökosystem Dr. David Bosshart l 1102 GDI Mittwoch, 15. April 2015
MehrQuality Management is Ongoing Social Innovation Hans-Werner Franz
Quality Management is Ongoing Social Innovation Hans-Werner Franz ICICI Conference, Prague 1-2 October 2009 What I am going to tell you social innovation the EFQM Excellence model the development of quality
MehrRepositioning University Collections as Scientific Infrastructures.
Repositioning University Collections as Scientific Infrastructures. HUMANE Seminar Academic Cultural Heritage: The Crown Jewels of Academia Rome, November 14-16, 2014 Dr. Cornelia Weber Humboldt University
MehrBig Data. Timo HARTMANN 1. Technische Universität Berlin, Fachgebiet Systemtechnik baulicher Anlagen, Institut für Bauingenieurwesen, Berlin
Fachtagung Bauwerksdiagnose 2018 Big Data Timo HARTMANN 1 1 Technische Universität Berlin, Fachgebiet Systemtechnik baulicher Anlagen, Institut für Bauingenieurwesen, Berlin Kontakt E-Mail: timo.hartmann@tu-berlin.de
MehrProzesse als strategischer Treiber einer SOA - Ein Bericht aus der Praxis
E-Gov Fokus Geschäftsprozesse und SOA 31. August 2007 Prozesse als strategischer Treiber einer SOA - Ein Bericht aus der Praxis Der Vortrag zeigt anhand von Fallbeispielen auf, wie sich SOA durch die Kombination
MehrService Design. Dirk Hemmerden - Appseleration GmbH. Mittwoch, 18. September 13
Service Design Dirk Hemmerden - Appseleration GmbH An increasing number of customers is tied in a mobile eco-system Hardware Advertising Software Devices Operating System Apps and App Stores Payment and
MehrBayesian updating in natural hazard risk assessment
International Forum on Engineering Decision Making, Third IFED Forum, Shoal Bay, Australia, 12-15 15 December 2007 1/23 Bayesian updating in natural hazard risk assessment Mathias Graf, Kazuyoshi Nishijima,
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 02 Julia Kreutzer 8. November 2016 Institut für Computerlinguistik, Heidelberg 1 Overview 1. Recap 2. Backpropagation 3. Ausblick 2 Recap
MehrDas tägliche Leben eines (Big) Data Scientist - Wie man Big Data Projekte erfolgreich steuern kann? Big Data Everywhere Nadiem von Heydeband
1 Das tägliche Leben eines (Big) Data Scientist - Wie man Big Data Projekte erfolgreich steuern kann? Big Data Everywhere Nadiem von Heydeband München, den 11. Mai 2016 Die Alexander Thamm GmbH und meine
MehrPraktikum Entwicklung von Mediensystemen mit ios
Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp
MehrIntroduction to Python. Introduction. First Steps in Python. pseudo random numbers. May 2016
to to May 2016 to What is Programming? All computers are stupid. All computers are deterministic. You have to tell the computer what to do. You can tell the computer in any (programming) language) you
MehrCeBIT 17.03.2015. CARMAO GmbH 2014 1
CeBIT 17.03.2015 CARMAO GmbH 2014 1 HERZLICH WILLKOMMEN Applikationssicherheit beginnt lange bevor auch nur eine Zeile Code geschrieben wurde Ulrich Heun Geschäftsführender Gesellschafter der CARMAO GmbH
MehrEin neuer Datenpragmatismus als Wegbereiter für Künstliche Intelligenz?
Ein neuer Datenpragmatismus als Wegbereiter für Künstliche Intelligenz? TA16: Smart New World Was ist smart an smarten Technologien? Wien, 30.5. 2016 Stefan Strauß Big Data Evolution shaunhall132.files.wordpress.com
MehrA parameterised 3D-Structure-Model for the state of Bremen (Germany)
A parameterised 3D-Structure-Model for the state of Bremen (Germany) An application for detailled groundwater flow and transport studies Bremen Geography and Geology 3 Bremen Geography and Geology 4 Structual
MehrExercise (Part V) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part V) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrMedical SPICE. Was bringt die neue VDI-Richtlinie 5702? Matthias Hölzer-Klüpfel
Medical SPICE Was bringt die neue VDI-Richtlinie 5702? Matthias Hölzer-Klüpfel VDI Fachausschuss Wann ist Software ein Medizinprodukt? Software-Qualität in der Medizintechnik VDI: Fachbereich Medizintechnik
MehrSARA 1. Project Meeting
SARA 1. Project Meeting Energy Concepts, BMS and Monitoring Integration of Simulation Assisted Control Systems for Innovative Energy Devices Prof. Dr. Ursula Eicker Dr. Jürgen Schumacher Dirk Pietruschka,
MehrAnforderungen, KEFs und Nutzen der Software- Prozessverbesserung
Process flow Remarks Role Documents, data, tool input, output Important: Involve as many PZU as possible PZO Start Use appropriate templates for the process documentation Define purpose and scope Define
MehrWillkommen zum neuen Semester!
Willkommen zum neuen Semester! Informationsmanagement und Informationstechnologie (IMIT) und Wirtschaftsinformatik (Winf) Wintersemester 2012/13 1 Informationen (1) Belegung von Mastermodulen im Bachelor
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrBig-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
MehrConcepts and Strategies for personalized telemedical Biofeedback-Therapies
Concepts and Strategies for personalized telemedical Biofeedback-Therapies Med-e-Tel 18.04.07 in Luxembourg Telemetric Personal Health Monitoring Platform for medical sensors and devices Combination of
MehrEinführung in die Artificial Intelligence
Einführung in die Artificial Intelligence Institut für Computertechnik ICT Institute of Computer Technology Roland Lang mailto:langr@ict.tuwien.ac.at Definition: Was ist AI? ISO 4177: Artificial Intelligence
MehrGRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem
GRIPS - GIS basiertes Risikoanalyse-, Informations- und Planungssystem GIS based risk assessment and incident preparation system Gregor Lämmel TU Berlin GRIPS joined research project TraffGo HT GmbH Rupprecht
Mehrintelligence X.0 new.new Festival Oktober 2018 Hanns-Martin-Schleyer-Halle Stuttgart
intelligence X.0 new.new Festival 2018 8.-10. Oktober 2018 Hanns-Martin-Schleyer-Halle Stuttgart EXPLORE THE DNA OF DIGITAL INNOVATION NEW.NEW FESTIVAL Das new.new Festival ist ein branchenübergreifendes
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
Mehron Software Development Design
Werner Mellis A Systematic on Software Development Design Folie 1 von 22 How to describe software development? dimensions of software development organizational division of labor coordination process formalization
MehrH Mcast Future Internet made in Hamburg?
H Mcast Future Internet made in Hamburg? Thomas Schmidt (HAW Hamburg) schmidt@informatik.haw-hamburg.de Forschungsschwerpunkt: IMS Interagierende Multimediale Systeme 1 Prof. Dr. Thomas Schmidt http://www.haw-hamburg.de/inet
MehrBig Data Analytics. Fifth Munich Data Protection Day, March 23, Dr. Stefan Krätschmer, Data Privacy Officer, Europe, IBM
Big Data Analytics Fifth Munich Data Protection Day, March 23, 2017 C Dr. Stefan Krätschmer, Data Privacy Officer, Europe, IBM Big Data Use Cases Customer focused - Targeted advertising / banners - Analysis
MehrHIR Method & Tools for Fit Gap analysis
HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes
MehrCERTIFICATE. with the organizational units/sites as listed in the annex
CERTIFICATE This is to certify that with the organizational units/sites as listed in the annex has implemented and maintains an Energy Management System. : development, production, sales and distribution
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
Mehr