KI und Sprachanalyse (KISA)

Größe: px
Ab Seite anzeigen:

Download "KI und Sprachanalyse (KISA)"

Transkript

1 Folie 1 Überblick VTF KI und Sprachanalyse (KISA) Studiengänge DMM, MI (B. Sc.) Sommer Semester 15 Prof. Adrian Müller, PMP, PSM1 FH Kaiserslautern e: fh-kl.de

2 2 Folie 2 INHALT Einführung Vorlesung Was ist künstliche Intelligenz? Übungsaufgabe 01-1, 01-2 Agenten Übungsaufgabe 01-1, 01-2 Wo steht die KI heute? KISA Prof. A. Müller

3 3 Folie 3 ORIENTIERUNG: KI UND SPRACHANALYSE Vorbesprechung Theorie und Praxis Abgestimmte Vorlesungen Medieninformatik, DMM Master Informatik XML Text- und Data Mining Prof. Adrian Müller Information Retrieval Marketing Social Media Marketing Methoden der KI KISA Prof. A. Müller Vertiefungsprofil: Dynamische Webanwendungen & Semantic Web Master: Modulgruppe: Vertiefungsblock 2 KI Master: Grundlagen Formale Grundlagen - Wissensrepräsentation und Interferenz Neuronale Netze Medizinische Wissensverarbeitung Datenbanken und Wissensrepräsentation Entscheidungsunterstützung und Unsicherheit Medizinisches Knowledge Engineering Veranstaltungsbeschreibung Medieninformatik (MI11) - Bachelor of Science Modul : Information Retrieval Inhalt : Grundlagen des Information Retrieval Überblick Architekturen Multimediale Systeme (in Auswahl) Anwendungsbeispiele Veranstaltungsbeschreibung Informatik - Master of Science Modulgruppe: Vertiefungsblock 2 (Semester: 2) Modul : Data- und Textmining

4 Inhalt (Auszug): Grundlagen Deskriptive Verfahren Prädiktive Verfahren Veranstaltungsbeschreibung Informatik - Master of Science Modulgruppe: Vertiefungsblock 3 (Semester: 3) Modul: Social Media Marketing Inhalt (Auszug): Definition Social Media/ Web2.0 und Beispiele Typen von Social Media (Soziale Netzwerker, Blogosphere, Wikipedia, Social Bookmarking, Virtuelle Welten) Nutzung sozialer Medien aus privater und unternehmerischer Sicht Technik/ Funktionen/ Features Social Network Analysis, 360 Social Media Monitoring, Tacking Tools Policies, rechtliche und ethische Guidelines/ Limits Case Studies, Brainstorming, Projekte

5 4 Folie 4 EINFÜHRUNG: INHALTE KI UND SPRACHANALYSE Planung, Strategie Spieltheorie Planungssysteme Agentensysteme Intelligente Suchverfahren Darstellung von Wissen Zeichen, Symbole und deren Verarbeitung Modelle der Wissensrepräsentation Neuronale Netze Sprachverstehen Analyse von Syntax und Semantik Frage-Antwort Systeme Wissensextraktion KISA Prof. A. Müller Moderne Formen der KI und Sprachanalyse (fett: Inhalte der Vorlesung Sommer 15) Mathematik Problemlösen Automatisches Beweisen Planung, Strategie Spieltheorie: s. R/N Kap.6 Adversiale Suche Optimale Entscheidungen in Spielen Bsp.: Kasparov verliert gegen Deep Blue, 1997 Planungssysteme: s. R/N Kap. 11 Planen Agentensysteme: s. R/N Kap7. Logische Agenten Intelligente Suchverfahren: s. R/N Kap.3 Problemlösung durch Suchen Darstellung von Wissen Zeichen, Symbole und deren Verarbeitung: Semiotik, s. R/N Kap. 22 Kommunikation Modelle der Wissensrepräsentation: s. R/N Kap. 10 Wissensrepräsentation Expertensysteme Neuronale Netze: s. R/N. Kap Neuronale Netze Lernende Systeme Didaktik Theorien des Bewusstseins (Kognitionstheorie) Sprachverstehen Analyse von Syntax und Semantik: s. R/N Kap Grundlagen der Sprache (ff.) Formalismen: scripts, concepual graphs, semantic web Frage-Antwort Systeme: Text-Repräsentation, UIMA, Lexical chains LCC, Wolfram Alpha, Watson Sensorik und Robotik Autonome Systeme Bilderkennung, Vision Kommunizierende Systeme

6 Produktionssysteme, Automatisierung Quellen: Modulbeschreibung fhinfo, KI und Sprachanalyse (KISA) Hintergrundinformation Grafik: Ein Golem Bildquelle: Die Legende vom Prager Golem Die Erschaffung des Prager Golems Golem: Der Golem ist eine Figur der jüdischen Legende, die in Böhmen, aber auch anderswo in Mitteleuropa verbreitet war. Dabei handelt es sich um ein in menschenähnlicher Gestalt aus Lehm gebildetes Wesen, das durch Magie zum Leben erweckt wurde. Der Golem besitzt besondere Kräfte, kann Befehlen folgen, aber nicht sprechen. Um vier Uhr morgens (es soll sich um den 20. Adar 5340 gehandelt haben, was dem 17. März 1580 entspräche) begaben sich die drei Männer zu einer Lehmgrube an der Moldau außerhalb der Stadt. Aus dem feuchten Lehm fertigten sie eine drei Ellen hohe Figur an, der sie menschliche Züge verliehen. Als dies geschehen war, befahl Rabbi Löw seinem Schwiegersohn, siebenmal um den Golem herumzugehen und hierbei eine Formel (tzirufim) aufzusagen, die der Rabbi ihm vorgab. Hierauf begann die Tonfigur zu glühen, als sei sie dem Feuer ausgesetzt. Danach umschritt der Schüler den Golem siebenmal: der Körper wurde feucht und strömte Dämpfe aus, und dem Golem entsprossen Haare und Fingernägel. Als letzter schritt der Rabbi siebenmal um den Golem herum, und schließlich stellten sich die drei Beteiligten zu Füßen des Golem auf und sprachen gemeinsam den Satz aus der Schöpfungsgeschichte: Und Gott blies ihm den lebendigen Atem in die Nase, und der Mensch erwachte zum Leben. Da öffneten sich die Augen des Golem. Als Rabbi Löw ihn sich aufrichten hieß, erhob sich der Golem und stand nackt vor den drei Männern. Da kleideten sie den Golem in das mitgeführte Gewand eines Synagogendieners und Rabbi Löw gab ihm den Namen Joseph nach dem talmudischen Joseph Scheda, der halb Mensch gewesen sei und den Schriftgelehrten in vielen Bedrängnissen beigestanden haben soll. In der Stube des Rabbi pflegte der Golem in einer Ecke zu sitzen, und kein Leben war an ihm zu erkennen. Zum Leben erweckt wurde der Golem erst durch kabbalistische Rituale mit Hilfe des Sefer Jezirah. Hierzu musste ihm ein Zettel mit dem Schem, dem Namen Gottes, unter die Zunge gelegt werden. Dieser Zettel verlieh ihm Leben; sollte der Golem auf seinen Missionen aber nicht gesehen werden, so legte ihm der Rabbi zusätzlich ein Amulett aus Hirschhaut um. Die Aufgabe des Golem war es, in der Zeit vor dem Pessachfest allnächtlich durch die Stadt zu streifen und jeden aufzuhalten, der eine Last mit sich trug, um zu kontrollieren, ob er ein totes Kind mit sich führe, um es zum Verderben der Prager Judenschaft in die Judengasse zu werfen. Zusätzlich machte sich der Golem als Schammes nützlich, indem er die Synagoge ausfegte und die Glocken läutete. Der Zettel unter der Zunge musste an jedem Sabbat (der Tag, an dem nach jüdischem Glauben nicht gearbeitet werden darf) entfernt werden. Quelle:

7

8 5 Folie 5 EINFÜHRUNG: ABLAUF DES VTF KISA Vorlesung und Übung sind thematisch eng verbunden Bearbeitung von Übungen in Gruppen: Zwei, in Ausnahmefällen drei Studierende In den Übungen Diskussion Übungsaufgabe jeweils in der Folgewoche Experimente, Fallstudien Prüfung (Anmeldung bis ) (Optionaler) eigener Beitrag geht ggfs. in mündliche Prüfung ein Eigener, individueller Betrag (ab Ende April 2015) ist möglich. Überblicksvortrag fachliches Thema (Bsp.: Expertensysteme) Programmierprojekt (Bsp.: Aufgabenstellung selbständig Umsetzen, Lösung Erläutern) Systemvergleich oder Anwendung, kritische Würdigung Andere Formen: Auswahl geeigneter Thema aus Ertel, bzw. Russel/Norvig KISA Prof. A. Müller Erforderliche Kenntnisse: - Analysis, Wahrscheinlichkeitsrechnung und Statistik - Ausreichende Englischkenntnisse zum Lesen und Verstehen von Fachliteratur - Programmierung in einer höheren Programmiersprache, OO-Konzepte - Aussagenlogik Von Vorteil: - Grundlagen der mathematischen Logik Literatur: Referenz zur Vorlesung, Teil KI: Wolfgang Ertel: Grundkurs Künstliche Intelligenz Eine praxisorientierte Einführung ISBN: (Print) (Online) Als ebook bei Springer verfügbar. Künstliche Intelligenz: ein moderner Ansatz Verfasserangaben: Stuart Russell ; Peter Norvig 1. Verfasser: Russell, Stuart J. 2. Verfasser: Norvig, Peter

9 Impressum: München : Pearson Studium, 2004 Umfang: 1327 S. : Ill., graph. Darst. Auflage: 2. Aufl. 1. Reihe: Informatik Fußnote: Literaturverz. S. [1197] ISBN: Verwandte Themen Datenfeld Datenfeld-Inhalt Schlagwörter: Lehrbuch / Künstliche Intelligenz Systematik: I170 - Künstliche Intelligenz Bibliothek Signatur Status Leihfrist Medien-Nr. I170/41a dt. ausleihbar ZW I170/41 dt. ausleihbar ZW weitere Exemplare sind im Zulauf. Literatur zur Sprachverarbeitung: folgt FREIWILLIGER Eigener, individueller Betrag: Ablauf - Auswahl -> Vorbesprechung -> Vorstellung Zielsetzung, Gliederung -> Review draft -> Ausarbeitung (Folien, schriftl. Fassung zum Verteilen im VTF).

10 Folie 6 TEIL I WAS IST KÜNSTLICHE INTELLIGENZ?

11 7 Folie 7 UNTERSCHIEDLICHE DISZIPLINEN UNTERSCHIEDLICHE FRAGEN Philosophie: Folgt das menschliche Denken formalen Regeln? Mathematik: Wie sehen solche Regeln aus? Was kann man mit Ihnen berechnen? Informatik: Wie können wir diese Regeln effizient implementieren? Wirtschaftswissenschaften: Mit welchen Regeln erzielen wir den höchsten Nutzen? KISA Prof. A. Müller Weiter Erläuterungen: s. Ertel. Kap.1 s Russel/Norvig Kap. 1.2

12 Folie 8 KÜNSTLICHE INTELLIGENZ R/N Abbildung 1.1: Einige Definitionen künstlicher Intelligenz, angeordnet in vier Kategorien Engl. Originalzitate: The exiting new effort to make computers think... Machines with minds, in the the full and literal sense The automation of activities that we associate with human thinking, activities such as decision-making, problem-solving, learning... The Study of mental faculties through the use of computational models The study of the computations that make it possible to perceive, reason and act The art of creating machines that perform functions that require intelligence when performed by people The study of how to make computers do things at which, at the moment, people are better. Computational Intelligence is the study of the design of intelligent agents AI is concerned with intelligent behaviour in artifacts. Zu (1) Zu (2) KI als Wissenschaft auf Mathematischen Grundlagen

13 - Formale Logik als Grundlage der Wissensdarstellung - Statistik als Grundlage fuer Lernen und Optimierung Experimentelle Arbeiten - Benchmarks - Optimierte Inferenzsysteme - Empirische Schranken fuer Komplexität Zu (3): Turing Test Zu (4) Intelligenz = rationales Verhalten Annahme: Intelligente Wesen versuchen, immer das zu tun, was den meisten (erwarteten) Nutzen bringt Dies ist ein Unterschied zum Turing Test: Menschen verhalten sich auch irrational! Stehen nicht genügend Ressourcen zur Verfügung, wird die beste Lösung, die mit Hilfe dieser Ressourcen gefunden werden kann gewaehlt (Bounded rationality)

14 9 Folie 9 DER TURING TEST Test um Intelligenz festzustellen Kriterium: wenn sich eine Maschine wie ein Mensch verhält ist sie intelligent Person unterhaelt sich im Chat mit einem künstlichen Psychologen Wenn er nicht entscheiden kann, ob es sich um einen Menschen oder eine Maschine handelt, ist diese intelligent Intelligenz = menschliches Verhalten KISA Prof. A. Müller Diskussion zum Turing Test: - welche Fragen würden Sie dem Computer stellen, um zu beweisen, dass er ein Computer ist? - könnten diese Fragen von einen Kind beantwortet werden? Falls nein: ist das Kind dann nicht intelligent? Wie kann es da lernen? Welche Fähigkeiten braucht ein Computer dazu? Lösung: R/N Kap (a) (b) (c) (d) Der totale Turing Test erweitert den Test um Interaktion und Bild. Dadurch kann der Tester/Fragesteller prüfen auf - Wahrnehmung - Behandlung physischer Objekte Welche zusätzlichen Fähigkeiten braucht ein Computer dazu? (e) (f)

15 Turing Test: Der Loebner-Preis ist ein von Hugh Gene Loebner seit 1991 ausgeschriebener Preis. Mit ihm soll der Programmierer des ersten Computerprogramms ausgezeichnet werden, welches einen starken Turing-Test über 25 Minuten standhält.[1] Marvin Minsky regte im Jahre 1995 an, 100 US-Dollar zu zahlen, wenn der Preis endlich aufgegeben wird. Quelle: Hinweis: Hier wurde eine vereinfachte Version verwendet. Der originale Turing Test ist komplexer. Der klassische Turing Test: Testablauf: Im Zuge dieses Tests führt ein menschlicher Fragesteller über eine Tastatur und einen Bildschirm ohne Sicht- und Hörkontakt mit zwei ihm unbekannten Gesprächspartnern eine Unterhaltung. Der eine Gesprächspartner ist ein Mensch, der andere eine Maschine. Beide versuchen, den Fragesteller davon zu überzeugen, dass sie denkende Menschen sind. Wenn der Fragesteller nach der intensiven Befragung nicht klar sagen kann, welcher von beiden die Maschine ist, hat die Maschine den Turing-Test bestanden, und es wird der Maschine ein dem Menschen ebenbürtiges Denkvermögen unterstellt. Der Film Blade Runner basiert auf der Idee des Turing Tests. Phillip K. Dick änderte den Test ab in seinem Roman Träumen Androiden von elektrischen Schafen? (1968) Zur Person: Alan Mathison Turing (* 23. Juni 1912 in London; 7. Juni 1954 war ein britischer Logiker, Mathematiker und Kryptoanalytiker. Er gilt heute als einer der einflussreichsten Theoretiker der frühen Computerentwicklung und Informatik. Seine wichtigen Beiträge zur Informatik sind: - die Turing Maschine (die den Begriff der Berechenbarkeit entscheidend geprägt hat): - der Turing Test - u.v.a.m.

16 10 Folie 10 ELIZA Pattern Response Template my singleword me tell me about your singleword i am i am sorry to hear you are am i do you believe you are you me why do you think i you in what way KISA Prof. A. Müller Probieren Sie es aus: ELIZA ist ein 1966 von Joseph Weizenbaum entwickeltes Computerprogramm, das die Möglichkeiten der Kommunikation zwischen einem Menschen und einem Computer über natürliche Sprache aufzeigen sollte. Den Namen ELIZA wählte Weizenbaum in Anlehnung an das Schauspiel Pygmalion von George Bernard Shaw.[1] Das Programm kann über so genannte Skripten verschiedene Gesprächspartner simulieren. Bekannt geworden ist es für die oberflächliche Simulation eines Psychotherapeuten, der die non-direktiven Methoden der klientenzentrierten Psychotherapie nach Carl Rogers verwendet. Weizenbaum schrieb das Programm in MAD-LISP für eine IBM 7094, die das LIZA arbeitet nach dem Prinzip, Aussagen des menschlichen Gesprächspartners in Fragen umzuformulieren und so eine Reaktion auf die Aussage zu simulieren. Benutzer: Ich habe ein Problem mit meinem Auto. ELIZA: Warum, sagen Sie, haben Sie ein Problem mit Ihrem Auto? Außerdem ist es in der Lage, Schlüsselwörter (etwa Vater) zu erkennen und darauf zu reagieren, beispielsweise Benutzer: Ich habe ein Problem mit meinem Vater. ELIZA: Erzählen Sie mir mehr über Ihre Familie! In diesem Fall hat das Programm eine vorher festgelegte Zuordnung Vater zu Familie umgesetzt und dadurch eine scheinbar passende Erwiderung gegeben. Diese einfache

17 Funktionsweise zeigt die Beschränkung des Programms, das keineswegs den Benutzer versteht. So führt das Schlüsselwortprinzip auch zu folgendem Dialog : Benutzer: Krieg ist der Vater aller Dinge. ELIZA: Erzählen Sie mir mehr über Ihre Familie! Weizenbaum war erschüttert über die Reaktionen auf sein Programm, vor allem, dass praktizierende Psychiater ernsthaft daran glaubten, damit zu einer automatisierten Form der Psychotherapie gelangen zu können. Er entwickelte sich nicht zuletzt aufgrund dieser Erfahrungen zu einem Gesellschaftskritiker. Diese Entwicklung Weizenbaums ist Thema eines Dokumentarfilms mit dem Titel Plug & Pray, der 2010 veröffentlicht wurde.[2] Quelle: Zur Abbildung / zur Technik: Sample Dialogue: well my friend made me come here tell me about your friend he says i am depressed i am sorry to hear you are depressed i think i need help in what way i wonder if you would help me learning to program Scheme why do you think i would help you when i registered for the course i wondered am i crazy do you believe you are crazy Each of these statements and responses follows the template/response patterns given. For example, in the first statement: well my friend made me come here the presence of the word my near the start of the sentence with the word me later on corresponds to the first pattern, with the following matches: Pattern Element Words from this Sentence well my my singleword friend made me me come here Codierung in C++ C++:

18 Pattern pat1 (" 1", "my", "singleword", " 2", "me", " 3"); Response resp1 ("tell me about your", "singleword"); Diskussion: wie sieht der Ablauf (engl.: flow diagram) für dieses System aus? Lösung:

19 11 Folie 11 TEIL 1: FAZIT Es gibt unterschiedliche Sichtweisen auf Intelligenz und KI Denken oder Handeln? Mensch oder Maschine? Das Ziel der strong AI ist die Abbildung des denkenden Menschen Dies hat immer wieder zu Krisen und Rückschlägen geführt! Das Ziel der weak AI ist die Entwicklung Intelligenter Software KISA Prof. A. Müller Im Verständnis des Begriffs künstliche Intelligenz spiegelt sich oft die aus der Aufklärung stammende Vorstellung vom Menschen als Maschine wider, dessen Nachahmung sich die sogenannte starke KI zum Ziel setzt: eine Intelligenz zu erschaffen, die wie der Mensch kreativ nachdenken sowie Probleme lösen kann und die sich durch eine Form von Bewusstsein beziehungsweise Selbstbewusstsein sowie Emotionen auszeichnet. Die Ziele der starken KI sind nach Jahrzehnten der Forschung weiterhin visionär. Im Gegensatz zur starken KI geht es der schwachen KI darum, konkrete Anwendungsprobleme zu meistern. Insbesondere sind dabei solche Anwendungen von Interesse, zu deren Lösung nach allgemeinem Verständnis eine Form von Intelligenz notwendig zu sein scheint. Letztlich geht es der schwachen KI somit um die Simulation intelligenten Verhaltens mit Mitteln der Mathematik und der Informatik, es geht ihr nicht um Schaffung von Bewusstsein oder um ein tieferes Verständnis von Intelligenz. Während die starke KI an ihrer philosophischen Fragestellung bis heute scheiterte, sind auf der Seite der schwachen KI in den letzten Jahren bedeutende Fortschritte erzielt worden. Neben den Forschungsergebnissen der Kerninformatik selbst sind in die KI Ergebnisse der Psychologie, Neurologie und Neurowissenschaften, der Mathematik und Logik, Kommunikationswissenschaft, Philosophie und Linguistik eingeflossen. Umgekehrt hatte die KI auch ihrerseits Einflüsse auf andere Gebiete, vor allem auf die Neurowissenschaften. Dies zeigt sich in der Ausbildung des Bereichs der Neuroinformatik, der der biologieorientierten Informatik zugeordnet ist, sowie der Computational Neuroscience. Zusätzlich ist auch der ganze Zweig der Kognitionswissenschaft zu nennen, welcher sich wesentlich auf die Ergebnisse der künstlichen Intelligenz in Zusammenarbeit mit der kognitiven Psychologie stützt.

20 Es lässt sich festhalten, dass die KI kein abgeschlossenes Forschungsgebiet darstellt. Vielmehr werden Techniken aus verschiedenen Disziplinen verwendet, ohne dass diese eine Verbindung miteinander haben. Bei künstlichen neuronalen Netzen handelt es sich um Techniken, die ab Mitte des 20. Jahrhunderts entwickelt wurden und auf der Neurophysiologie aufbauen Quelle:

21 12 Folie 12 ÜBUNGSAUFGABE 01-1 (a) Jedes Jahr wird der Loebner Preis verliehen. Testen Sie zwei sehr erfolgreiche chat bots auf dessen Kriterien: Alice Suzette (http://ai.bluemars.com/chat/) 2014 Milli Rose https://www.chatbots.org/chatbot/rosette/ Testen Sie die bots. Welche Beobachtungen machen Sie? Wie lange dauert, es bis Sie zu einer Entscheidung kommen= Woran haben Sie dies fest gemacht? Protokollieren Sie ihre Überlegungen. (b) Die bots basieren auf unterschiedlichen Mechanismen zur Steuerung. Wilcox, Programmierer von Suzette, behauptet sein Ansatz (ChatScript - wir besprechen seine Funktionsweise kommende Woche) sei mächtiger (als Alices und Mitsukus Basis AIML). Was unterscheided ChatScript von AIML? Können Sie dies bestätigen?. KISA Prof. A. Müller

22 13 Folie 13 BEYOND FAÇADE: PATTERN MATCHING FOR NATURAL LANGUAGE APPLICATIONS BY BRUCE WILCOX ATTERN_MATCHING_.PHP HTTPS://WWW.CHATBOTS.ORG/CONVERSATIONAL/AGENT/GOOGLE_TALK_CHATS CRIPT_CHATBOT_NATURAL_LANGUAGE_UNDERSTANDING/ AIML (1995) A.L.I.C.E is written in AIML. AIML is a miserable system for authoring. As a programmer, I think of AIML as recursive self-modifying code at the assembly level of language processing -- in other words, a content creation and maintenance nightmare. And its pattern matching is feeble. Pattern Matching AIML is simple. You describe a category (what others call a rule) as a pattern of words and wildcards and what to do when the rule matches the current input. AIML's syntax is XML based, with a pattern (input) clause and a template (output) clause, like the rule below: <category> <pattern> I NEED HELP * </pattern> <template>can you ask for help in the form of a question?</template> </category> KISA Prof. A. Müller This paper will make the following general points: Script syntax and semantics have a big impact on ease of content authoring. Matching sets of words instead of single words approximates matching meaning. The absence of words is as important as the presence. Wildcard matching (in place of parsing) should be reined in to reduce false positives.

23 14 Folie 14 AIML: RECURSIVE SUBSTITUTION The power of AIML lies in recursive substitution. It can submit input to itself using the <srai> tag and put the contents of * into the output using <star/>. The rules for mapping Can you please tell me what LINUX is right now to the question What is LINUX? might look like this: <category> <pattern> * RIGHT NOW <\pattern> <template> <srai><star/></srai></template> </category> => CAN YOU PLEASE TELL ME WHAT LINUX IS and then <category> <pattern> CAN YOU PLEASE * <\pattern> <template> <srai> Please <star/></srai></template> </category> => PLEASE TELL ME WHAT LINUX IS and then <category> <pattern> PLEASE TELL ME WHAT * <\pattern> <template> <srai> TELL ME WHAT <star/></srai></template> </category> => TELL ME WHAT LINUX IS and then <category> <pattern> TELL ME WHAT * IS <\pattern> <template> <srai> WHAT IS <star/></srai></template> </category> => WHAT IS LINUX and finally <category> <pattern> WHAT IS LINUX <\pattern> <template> LINUX is an operating system. </template> </category> => LINUX is an operating system. KISA Prof. A. Müller Inherent Weakness AIML's basic mechanic is also its weakness. Recursively self-modifying input creates problems. First, you can't glance at code, you have to read it and think about it. XML is not reader friendly. It's wordy, which is fine for a machine but hard on a human. Just consider the simple that rule about sushi above. You can't just look at it and know what it does. You have to think about it. Second, you can't see a rule and know if it will match the input. You have to know all the prior transformations. Because of this, writing and debugging become hard, and maintenance impossible. Summary AIML is clever and simple, and a good start for beginners writing simple bots. But after 15 years, A.L.I.C.E has a meager 120K rules. AIML depends on self-modifying the input, so if you don't know all the transformations available, you can't competently write new rules. And with AIML's simple wildcard, it's easy to get false positives (matches you don't want) and hard to write more discriminating patterns. Still, A.L.I.C.E. is a top chatbot, coming in 2 nd in the 2010 Loebner Competition.

24 15 Folie 15 CHATSCRIPT PATTERNS S: ( I LOVE MEAT ) DO YOU REALLY? s: ( I like spinach ) Are you a fan of the Popeye cartoons? a: ( yes ) I used to watch him as a child. Did you lust after Olive Oyl? b: ( no ) Me neither. She was too skinny. b: ( yes ) You probably like skinny models. a: ( no ) What cartoons do you watch? b: ( none ) You lead a deprived life. b: ( Mickey Mouse ) The Disney icon. KISA Prof. A. Müller

25 16 Folie 16 CHATSCRIPT: CONCEPTS Concepts ChatScript supports sets of words called concepts, which can represent word synonyms or affiliated words or a natural ordering of words: concept: ~meat ( bacon ham beef meat flesh veal lamb chicken pork steak cow pig ) Here ~meat means a close approximation of meat and is the equivalent of a Façade {imeat} but is easier to read and write. Then you can create a rule that responds to all sorts of meat: s: ( I love ~meat ) Do you really? I am a vegan. The ordered concept below shows the start of hand ordering in poker. concept: ~pokerhand ( "royal flush" "straight flush" "4 of a kind" "full house" ) The pattern:?: ( which * better * ~pokerhand * or * ~pokerhand ) detects questions like which is better, a full house or a royal flush and the system has functions that can exploit the ordered concept to provide a correct answer. You can nest concepts within concepts, so this is fine: concept: ~food ( ~meat ~dessert lasagna ~vegetables ~fruit ) Hierarchical inheritance is important both as a means of pattern generalization and as a mechanism for efficiently selecting rules to test. Concepts can be used to create full ontologies of verbs, nouns, adjectives, and adverbs, allowing one to match general or idiomatic meanings. KISA Prof. A. Müller

26 17 Folie 17 CHATSCRIPT UND WORDNET concept: ~buildings ( shelter~1 living_accomodations~1 building~3 ) u: (!~negativewords I * ~like * ~meat ) You like meat. KISA Prof. A. Müller Façade failed to use a major value of WordNet, its ontology. In ChatScript, WordNet ontologies are invoked by naming the word and meaning you want. concept: ~buildings ( shelter~1 living_accomodations~1 building~3 ) The concept ~buildings represents 760 general and specific building words found in the WordNet dictionary any word which is a child of: definition 1 of shelter, definition 1 of accommodations, or definition 3 of building in WordNet's ontology. The absence of words, NOT, is represented using! and means it must not be found anywhere after the current match location : u: (![ not never rarely ] I * ~ingest * ~meat ) You eat meat. u: (!~negativewords I * ~like * ~meat ) You like meat. Functions You can define pattern functions and output functions. One could create a WHAT_IS routine to detect all forms of what-is questions and use it like this: u: ( WHAT_IS ( LINUX ) ) This doesn't involve recursive modification of the input. You know what the function is supposed to do by its name and you can separately inspect the function to see if it covers all forms of the question with direct patterns. Summary ChatScript patterns are compact and powerful yet understandable, easy to read and write. Unless you go out of your way to be obscure, you can know immediately if the incoming sentence should be matched by your pattern. So patterns can be debugged and maintained readily (you can ask the system what concepts a word belongs to and vice versa). You can even add a special comment in front of a rule that gives a prototypical input sentence. This

27 both documents what the rule should match and allows the system to verify that it does as a part of a regression test. =&o3=&o4=&s=meat&i=1&h= #c

28 18 Folie 18 KISA Prof. A. Müller

29 Folie 19 ABSTRAKTES AGENTENMODELL R/N Abbildung 2.1: Agenten kommunizieren über Sensoren und Aktuatoren Def.: Wahrnehmung percept: wahrgenommene Eingaben des Agenten zu jedem Zeitpunkt Def.: Wahrnehmungsfolge percept*: vollständige Liste (der Verlauf) aller Wahrnehmungen des Agenten Beschreibung eines Agenten durch Agentenfunktion f: percept* -> action Implementierung im Agenten: Agentenprogramm (das ist nicht die Agentenfunktion). Wird im folgenden diskutiert.

30 Folie 20 BEISPIELE INTELLIGENTER AGENTEN PEAS (Performance, Environment, Actuators, Sensor) Beschreibung: Agent Taxi ( autom. Taxi ) Leistungen: Umgebung:. Aktuatoren: Sensoren:

31 Folie 21 STAUBSAUGER- WELT R/N Abbildung 2.2: Eine Staubsaugerwelt mit nur zwei Positionen R/N Abbildung 2.3: Ausschnitt aus einer tabellarischen Anordnung einer einfachen Agentenfunktion für die Staubsaugerwelt aus Abbildung 2.2 Wenn wir einen anderen Agenten mit unterschiedlichem Verhalten beschreiben wollen, müssen wir die..spalte der Tabelle ändern. Unsere Fragestellung lautet: Wie wird die Tabelle richtig ausgefüllt? -> Der Agent wird schlauer oder dummer sein Verhalten wird besser oder schlechter Aufgabenstellung: Implementieren von Wahrnehmungssequenzen -> Aktionen - Wird typischerweise implementiert durch EINE Tabelle (meist zu groß, geht prinzipiell nur im endlichen Fall) - Details: s. R/N Abbildung 2.7 ================ Rationalität Was bestimmt das rationale Verhalten? Ziele Leistungsmaße Sequenzen bisheriger Wahrnehmungen Wissen des Agenten über die Umgebung (Weltwissen) mögliche Aktionen des Agenten

32 Rationales Handeln - Agenten, die das Richtige tun - Agenten, die eine möglichst hohe Leistung erbringen - Diese Leistung ist anwendungsabhängig. Wie und wann beurteilt man diese Leistung? R/N Kap Die Leistungsbewertung gewichtet das Verhalten eines Agenten in einer Umgebung. Ein rationaler Agent agiert so, das er unter Berücksichtigung der bisher gesehenen Wahrnehmungsfolge den erwarteten Wert der Leistungsbewertung maximiert. Wichtig dabei: die Kriterien der Leistungsbewertung werden von außen objektiv festgelegt (und nicht durch den Agenten). Denkbare Leistungsmaße: Volumen des gesaugten Staubes Größe der gereinigten Fläche Grad der Sauberkeit der gereinigten Fläche Stromverbrauch Geräuschemission Sicherheit Problem: Wann wird gemessen? Gesucht ist der langfristig gute Agent -- Problem: Ein Agent kennt nicht das tatsächliche Ergebnis seiner Aktionen. Er handelt nur aufgrund seiner Wahrnehmungen und seines Wissens und versucht, die erwartete Leistung zu maximieren. Geben Sie ein Beispiel, das dieses Problem erläutert:.

33 Folie 22 EINFACHER REFLEX- AGENTEN Condition-action rules: statt alle Wahrnehmungssequenzen aufzuzählen, Abstraktion und Verwendung von Regeln Aufgabe: Implementieren Sie die in Tabelle 2.3 tabellarisch angeordnete Agentenfunktion als einen einfachen Reflex Agenten, mit Hilfe einer Menge von Regeln: function REFLEX-STAUBSAUGER_AGENT([location, state]) returns action if state == Schmutzig then return else if location == A then return else if location == B then return

34 Folie 23 REFLEX-BASIERTE AGENTEN Sensoren Agenten Zustand Aktuelle Situation Wenn-Dann Regeln Aktions auswahl Aktoren Ein modellbasierter Reflex-Agent. Er verwaltet den aktuellen Zustand der Welt mit Hilfe eines internen Modells. Anschließend wählt er eine Aktion auf dieselbe Weise wie der Reflex- Agent aus. Typische Anwendung: Steuerung von Computergegnern in Action-Spielen Verwaltung des Zustands der Welt: Finite State Machines (s. Automatentheorie)

35 Folie 24 REFLEX AGENT BASIEREND ZUSTANDSAUTOMATEN Random Move Player Dies Player Respaws Rise Ghost exists Center Room Chase Player Player Eats Pellet Pellet wears off Run from Player Eyes reach Center Room Die Player eats ghost Und wem kommt das bekannt vor?

36 Folie 25 GENAU: PACMAN! Aufgaben: Skizzieren Sie die Implementierung des Pac-Man Zustandsautomaten und seiner Aktionen. Zusammenfassung: Probleme Reflex-basierter Agenten Umgebung nur teilweise sichtbar Universelle Sensoren gibt es nicht Internes Modell der Umgebung Modell wird über Sensoren aktualisiert Kaum Möglichkeiten einer Strategie Definition von Zielen Planung von Handlungssequenzen Voraussetzung: Wissen über Effekte von Handlungen

37 Folie 26 MODELL- UND ZIEL- BASIERTER AGENT Ein modellbasierter, zielbasierter Agent. Er verwaltet den Zustand der Welt sowie eine Menge von Zielen, die er zu erreichen versucht, und wählt eine Aktion aus, die (im Endeffekt) zu der Erreichung dieser Ziele führt. Probleme: Was mache ich, wenn es keine Aktion gibt die direkt zum Ziel führt? Wie finde ich eine geeignete Sequenz von Aktionen? -> Problemlösende Algorithmen

38 Folie 27 MODELL- UND NUTZEN- BASIERTER AGENT Ein modellbasierter, nutzenbasierter Agent. Er verwendet ein Modell der Welt zusammen mit einer Nutzenfunktion, die seine Vorlieben im Hinblick auf die verschiedenen Zustände der Welt bewertet. R/N Kp : Die Nutzenfunktion bildet einen Zustand (oder eine Zustandsfolge) auf eine reelle Zahl ab, die den zugehörigen Grad der Glücklichkeit beschreibt. Ein modellbasierter, nutzenbasierter Agent wählt die Aktion aus, die zu dem besten erwarteten Nutzen führt, wobei der erwartete Nutzen ermittelt wird, indem ein Durchschnitt aller möglichen Ergebniszustände berechnet wird, gewichtet anhand der Wahrscheinlichkeit ihres Eintreffens. Und damit stellen sich diese Fragen: Wissensrepräsentation Wie beschreibe ich den Zustand der Welt? Constraints Logik Wahrscheinlichkeitstheorie Problemlösen Wie wähle ich die beste Handlungsfolge aus? Suche etc:

39

40 28 Folie 28 ÜBUNGSAUFGABE 01-2 (a) Warum ist ein Agent mit Gedächtnis mathematisch gesehen keine Funktion (betrachtet als Abbildung von der Menge aller Eingaben auf die Menge aller Ausgaben)? (b) Klassifizieren Sie die chat-bots aus Aufgabe 01. Welchen Agententyp erkennen Sie? KISA Prof. A. Müller

41 29 Folie 29 TEIL2: WO STEHT DIE KI HEUTE? Spiele: IBM s Deep Blue schlägt den Schachweltmeister Kasparov mit 3,5 zu 2,5 Logistik: Die US Armee setzt im Golfkrieg KI Planungssoftware für Ihre Logistik ein Simulationsbasierte Planungssysteme Trading, Entscheidungssysteme Autonome Systeme: Autos fahren selbsständig auf wenig befahrenen Strecken Roboter spielen Fussball im Team (Robocup) Vision, Image Recogniton Big Data, Web und Deep Learning Statistische Analysen Neuronale Netze KISA Prof. A. Müller Hinweis: Die Auswahl an Beispiele in Teil 2 orientiert sich am Ablauf des VTF. Viele Systeme und Ansätze konnten aus Mangel an Zeit nicht aufgenommen werden. Intelligente Agenten, Autonome Systeme KI als Programme, die mit der Umgebung interagieren Kooperatives Problemlösen S. Video: Semantic Web Ad-hoc Vernetzung von verteiltem Wissen Kombination unterschiedlicher Technologien: KI, Information Retrieval, Datenbanken,... -> VTF Information Retrieval Überblick Suchmaschinen erleichtern den Umgang mit der im Internet vorhandenen Informationsflut. Bei der Exploration von Ölquellen, der Steuerung von Marsrobotern oder der medizinischen Diagnose werden Expertensysteme eingesetzt.

42 Maschinelle Übersetzung ist weit verbreitet. Ihre Ergebnisse sind noch nicht vergleichbar mit denen menschlicher Übersetzer, sparen jedoch viel Zeit und Geld. Maschinelle Textzusammenfassung bietet einige vielversprechende Erfolgsaussichten. Analyse und Prognose von Aktienkursentwicklungen wird gelegentlich durch künstliche neuronale Netze unterstützt. Optische Zeichenerkennung liest gedruckte Texte zuverlässig. Handschrifterkennung wird millionenfach in PDAs verwendet. Spracherkennung ermöglicht das Diktieren eines Textes. Computeralgebrasysteme, wie Mathematica oder Maple, unterstützen Mathematiker, Wissenschaftler und Ingenieure bei ihrer Arbeit. Computer-Vision-Systeme überwachen öffentliche Plätze, Produktionsprozesse oder sichern den Straßenverkehr. In Computerspielen dienen die Algorithmen, die in der KI entwickelt wurden, dazu, computergesteuerte Mitspieler intelligent handeln zu lassen. Beispiele solcher Anwendungen sind Deep Blue, ein Schachcomputer, der 1997 den Weltmeister Garri Kasparow besiegte, und das Programm Chinook, das seit 1994 Dame-Weltmeister ist. Bei Gruppensimulationen für Sicherheitsplanung oder Computeranimation wird ein möglichst realistisches Verhalten von (Menschen-)Massen berechnet. Ein wissensbasiertes System bzw. spezieller ein Expertensystem stellt Lösungen bei komplexen Fragestellungen zur Verfügung.

43 30 Folie 30 TEIL2 (VORSCHAU): WO STEHT DIE SPRACHVERARBEITUNG HEUTE? Analyse von Texten: POS: Erkennung von Namen, Orten, Relationen Blogs, Webseiten, Nachrichten, Geschäftsberichte Wissensaggregation Lernen: Klassifikation Semantische Analysen Sprachverstehen Audio: Sprecherunabhängig Rauschen Verarbeitung Fehlerkorrektur Automatische Übersetzung zwischen Sprachen Generierung von Texten aus Daten Zusammenfassung Frage- Antwort Systeme KISA Prof. A. Müller

44 31 Folie 31 PROBLEMLÖSUNG DURCH SUCHEN KISA Prof. A. Müller Intelligente Suchverfahren: s. R/N Kap.3 Problemlösung durch Suchen 1. Formulierung des Ziels Was ist das dringlichste Ziel in der aktuellen Situation? Ziel = Menge von Zuständen (in denen Ziel erreicht) Welche Sequenz von Aktionen (Transitionen) führt in einen Zielzustand? 2. Formulierung des Problems Welche Aktionen sind relevant? Welche Zustände sind relevant (Abstraktionsgrad)? 3. Lösungssuche und Ausführung Eine Lösung / eine gute Lösung / die beste Lösung Zustände: Lage der acht Zahlenkästchen (Anzahl 9! = ) Operatoren: Verschieben des Leerkästchens nach rechts / links / oben / unten Zieltest: Ist der Zustand der gegebene Endzustand Pfadkosten: Jeder Schritt eine Einheit (NP-vollständiges Problem, d.h. Suchalgorithmen sind praktisch optimal) Schiebepuzzle wie das 8-Puzzle oder das 15-Puzzle dienen seit langem als Testprobleme für Suchalgorithmen in der Künstlichen Intelligenz. [9][10] Wie Brüngger et al unter Verwendung eines Intel Paragon Parallelrechners mit 64 Knoten zeigten, erfordert die Lösung des 15-Puzzles für alle Start-Anordnungen maximal 80 Schritte, [10] vergleiche auch Gottes Zahl. Korf und Schultze [11] bestimmten 2005 mittels einer Breitensuche und unter

45 Verwendung eines Parallelrechners für jede der 16!/2 = lösbaren Start- Anordnungen die minimale Anzahl von Schritten, die zur Lösung notwendig ist. Insbesondere bestimmten sie erstmals alle 17 Start-Anordnungen, die in 80 Schritten (und nicht weniger) gelöst werden können. Eine zufällig gewählte, lösbare Ausgangskonfiguration lässt sich in durchschnittlich 52,6 Zügen lösen. Zur Vermeidung von Speicherfehlern - immerhin waren Bit 100 Terabyte zu schreiben und zu lesen - verwendeten Korf und Schultze ein RAID-System. Ratner und Warmuth bewiesen 1990, dass das verallgemeinerte Problem, die minimale Anzahl Züge zu einer lösbaren Start-Anordnung in einem n x n -Spiel zu finden, NPvollständig ist. [12] Beispielprobleme: Missionare und 1 Fährmann, 1 Wolf, 3 Kannibalen 1 Ziege, 1 Kohlkopf wollen mit nur einem Boot einen Fluss überqueren, so dass der folgende Zustand nie auftritt: mehr Kannibalen als Missionare an einem Ufer Wolf + Ziege oder Ziege + Kohlkopf ohne Fährmann an einem Ufer Reale Probleme: Routenplanung Routen in Rechnernetzen, auf Straßen, in der Luft Traveling Salesman jede Stadt genau einmal besuchen (NP-hard) VLSI Layout Positionierung und Verbindungen von Millionen Gattern Roboter Navigation Kontinuierliche Routenplanung + Armbewegungen Montageplanung Reihenfoge der Bauteile eingeschränkt

46 32 Folie 32 PROBLEM LÖSUNG DURCH SUCHEN KISA Prof. A. Müller

47 33 Folie 33 KISA Prof. A. Müller Erste Niederlage Der Menschheit gegen Einen Computer: 1997 Optimale Entscheidungen in Spielen Kasparov verliert gegen Deep Blue Aus einem Interview mit einem der Chefprogrammierer von Deep Blue, Murray Campbell: On this date [ ] the human race got an inferiority complex. A computer, Deep Blue, beat Russian Garry Kasparov, the greatest chess player on the planet, and mankind s place in the order of things was reshuffled. Blame IBM. Deep Blue was just the latest in a line of three supercomputers developed by Big Blue s research scientists over the decade before its triumph in New York on May 11, WN: By 1997, the machine actually played in a way that was quite human, even making a mistake at one point, while Kasparov was forced to change his usually liberal game for a more robotic style. What on earth was going on? Campbell: Conventional wisdom then, and even now, is that you don't want to go into complications against a strong chess computer because you will lose -- you'll get outcalculated. And so this was Kasparov's attempt to keep the game more strategic, more under control. Quelle: Prinzipieller Aufbau Spiele-KI (1) Darstellung von Spielbrett, Material (Figuren, Objekte), Stellung (des Materials auf dem Spielbrett) (2) Generator für erlaubte Züge

48 (2a) Optimierung: Der Minimax-Algorithmus s. Algorithmus. Er verwendet die Reaktion des Gegners auf die neue Situation bei der Reihenfolge der Generierung (3) Bewertung des Materials (die Evaluierungsfunktion) Eines der Hauptprobleme: die kombinatorische Explosion bei nicht-trivialen Spielen (wie Schach, Go, usw). Eine Ansatz: Alpha-Beta-Pruning (s. Beta-Suche) Zu (3): Deep Blues Evaluierungsfunktion: Deep Blue's evaluation function was initially written in a generalized form, with many to-bedetermined parameters (e.g. how important is a safe king position compared to a space advantage in the center, etc.). The optimal values for these parameters were then determined by the system itself, by analyzing thousands of master games. The evaluation function had been split into 8,000 parts, many of them designed for special positions. In the opening book there were over 4,000 positions and 700,000 grandmaster games. The endgame database contained many six piece endgames and five or fewer piece positions. Before the second match, the chess knowledge of the program was fine tuned by grandmaster Joel Benjamin. The opening library was provided by grandmasters Miguel Illescas, John Fedorowicz, and Nick de Firmian. When Kasparov requested that he be allowed to study other games that Deep Blue had played so as to better understand his opponent, IBM refused. However, Kasparov did study many popular PC computer games to become familiar with computer game play in general. Quelle:

49 34 Folie 34 PLANUNGS- SYSTEME BEISPIEL: BLOCKS-WORLD KISA Prof. A. Müller Ziel: einen generellen Problemloeser, der lediglich eine Beschreibung des Problems benoetigt, um es zu loesen Anweisung an Blockworld (SHRDLU): Finde einen Block, der größer ist als derjenigen, den du gerade hälst, und lege ihn in den Kasten. Erfolgreiche Anwendung an kleinen Beispielproblemen (Micro-Worlds): Blocks World The blocks world is one of the most famous planning domains in artificial intelligence. The program was created by Terry Winograd and is a limited-domain natural-language system that can understand typed commands and move blocks around on a surface. Imagine a set of cubes (blocks) sitting on a table. The goal is to build one or more vertical stacks of blocks. The catch is that only one block may be moved at a time: it may either be placed on the table or placed atop another block. Because of this, any blocks that are, at a given time, under another block cannot be moved. The simplicity of this toy world lends itself readily to symbolic or classical A.I. approaches, in which the world is modeled as a set of abstract symbols which may be reasoned about. Quelle: Notiz: Reale Probleme sind meistens viel zu komplex für einen solchen Ansatz.

50 35 Folie 35 PLANUNGSSYSTEME KISA Prof. A. Müller in der Praxis: Mathematische Modellierung und Optimierung mittels Standardsoftware Regelbasierte Heuristiken, ausgewählte problemspezifische Heuristiken Metaheuristiken, Evolutionäre Verfahren, Computational Intelligence Multikriterielle Problemstellungen und Lösungsverfahren Planungssoftware im Anwendungsbereich Produktion und Logistik Ein Beispiel: Das Buch beschäftigt sich mit der Simulationstechnik, besonders der Ablaufsimulation in Organisation und Produktion. Im ersten Teil werden Erfolgsfaktoren und Hemmnisse beim Einsatz von Simulation beschrieben. Dabei werden unterschiedliche Simualtionsarten, konkrete Vorgehensweisen und mögliche Fehler aufgezeigt. Der Anwender erhält einen Überblick über Lösungswege und Anwendungshilfen. Im zweiten Teil werden zehn Praxisbeispiele vorgestellt. Sie gehen ein auf: - die Simulation bei Veränderungsprozessen (Ablaufsimulation in der Organisation) - die Simulation im betriebsbegleitenden Einsatz (Monitoring, Entstörung, Koordination) - die prozeßnahe Simulation (Optimierung von Steuerungssoftware, Anwendung von Neuronalen Netzen) - effiziente Modelle und Simulatoren (Referenzmodelle und teilautomatische Modellierung, modulare Simulationswerkzeuge). Quelle: Simulationsbasierte Planungssysteme für Organisation und Produktion, 1999 Klaus Feldmann (Autor), Gunther Reinhart (Autor) Produktion/dp/

51

52 36 Folie 36 LOGISCHE AGENTEN KISA Prof. A. Müller Philosophische Logik als Versuch, das menschliche Denken zu beschreiben: Intelligenz = menschliches Schlussfolgern - Aristoteles Syllogismus (Erst später formal untersucht) - Inferenzregeln beschreiben menschliche Argumentation, Formeln Fakten und Wissen ueber die Umwelt Abbildung 7.15: (a) eine einfache Wissensbasis aus Horn-Klauseln. (b) Der entsprechende UND-ODER-Graph. Zentrale Komponente eines wissensbasierten Agenten: die Wissensbasis -> Repräsentationssprache (deklarativ, prozedural) -> Verwaltung des Wissens Aussagenlogik vs. Prädikatenlogik Konzepte: Wahrheit u. Erfüllbarkeit, Inferenz (Folgerung) Vorwärts- und Rückwärtsverkettung Resolution

53 -> PROLOG (Hinweis: eigener Beitrag möglich!) Die Kernkomponenten eines wissensbasierten Systems sind: Wissensbasis - Wissen wird hier in deklarativer Form abgelegt, das Wissen umfasst Fakten, Regeln und generisches (Problembereich), sowie fallspezifisches (Problemlösungsfall) Wissen Inferenzkomponente - Wissen der Wissensbasis wird hier verarbeitet, dabei werden neue Fakten und Regeln abgeleitet Benutzerschnittstelle (User Inferface) - Schnittstelle zur Kommunikation mit dem Benutzer oder dem Wissensingenieur Dazu kommen vor allem bei komplexeren Anwendungen beispielsweise Expertensystemen noch: Wissenserwerbskomponente Möglichkeit zum Aufbau und zur Erweiterung der Wissensbasis (manuell oder automatisch) Erklärungskomponente Erteilt dem Benutzer Auskunft über die Lösungsfindung, damit dieser sie nachvollziehen kann (Wie und Warum) Einsatzmöglichkeiten wissensbasierter Systeme - Dateninterpretation - Überwachung - Diagnose - Therapie - Planung - Entwurf - Prognose Quelle:

54 37 Folie 37 Modelle der Wissensrepräsentation KISA Prof. A. Müller Abbildung 10.9: Ein semantisches Netzwerk mit vier Objekten (John, Mary, 1 und 2) sowie vier Kategorien. Relationen werden durch beschriftete Verknüpfungen dargestellt.

55 38 Folie 38 ÜBUNGSAUFGABE 01-3 (a) Der Turing Test gilt vielen als nicht-tauglich für die Definition von KI im praktischen Einsatz. Nennen Sie Gründe für diese Einschätzung. (b) Viele der Verfahren zur Planung, zur Problemlösung, zur Wissensrepräsentation usw. sind NP vollständig, oder sogar unentscheidbar. Was bedeutet das für die Entwicklung von KI-basierten Lösungen? KISA Prof. A. Müller

56 Folie 39 PROBLEM- EIGENSCHAFTEN fully observable vs partially observable deterministic vs stochastic Episodic vs sequential Static vs dynamic Discrete vs continuous single agent vs multi-agent zugänglich / unzugänglich : sind relevante Aspekte den Sensoren zugänglich? Fully vs. partially observable: an environment is full observable when the sensors can detect all aspects that are relevant to the choice of action. deterministisch / nichtdeterministisch: hängt der nächste Umgebungszustand nur vom vorigen und der Aktion ab? (also: hängt direkt ab von der Art und Menge des gespeicherten Wissens?) Deterministic vs. stochastic: if the next environment state is completely determined by the current state the executed action then the environment is deterministic. episodisch / nichtepisodisch: eine Episode ist ein Zyklus aus Wahrnehmung und Aktion hängt Aktionsqualität von früheren Episoden ab? Episodic vs. sequential: In an episodic environment the agent s experience can be divided into atomic steps where the agents perceives and then performs A single action. The choice of action depends only on the episode itself statisch / dynamisch: ändert sich die Umgebung unabhängig von Aktionen des Agenten? semi-dynamisch: Aktionsbewertung ändert sich während Berechnung Static vs. dynamic: If the environment can change while the agent is choosing an action, the environment is dynamic If the agent performance score changes when time passes, the environment is semi-dynamic.

57 diskret / kontinuierlich: hat die Umgebung endlich viele klar definierte Zustandsübergänge? Discrete vs. continuous: This distinction can be applied to the state of the environment, the way time is handled and to the percepts/actions of the agent. Single vs. multi-agent: Does the environment contain other agents who are also maximizing some performance measure that depends on the current agent s actions?

58 Folie 40 PROBLEMEIGENSCHAFTEN Solitaire Backgammom Intenet shopping Taxi Observable? Deterministic? Episodic? Static? Discrete? Single-agent?

59 Folie 41 PROBLEMEIGENSCHAFTEN Fully vs. partially observable: an environment is full observable when the sensors can detect all aspects that are relevant to the choice of action. Observable?? Solitaire Backgammom Intenet shopping Taxi Deterministic?? Episodic?? Static?? Discrete?? Single-agent??

60 Folie 42 PROBLEMEIGENSCHAFTEN Fully vs. partially observable: an environment is full observable when the sensors can detect all aspects that are relevant to the choice of action. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? Episodic?? Static?? Discrete?? Single-agent??

61 Folie 43 PROBLEMEIGENSCHA FTEN Deterministic vs. stochastic: if the next environment state is completely determined by the current state the executed action then the environment is deterministic. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? Episodic?? Static?? Discrete?? Single-agent??

62 Folie 44 PROBLEMEIGENSCHA FTEN Deterministic vs. stochastic: if the next environment state is completely determined by the current state the executed action then the environment is deterministic. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? Static?? Discrete?? Single-agent??

63 Folie 45 PROBLEMEIGENSCHA FTEN Episodic vs. sequential: In an episodic environment the agent s experience can be divided into atomic steps where the agents perceives and then performs A single action. The choice of action depends only on the episode itself Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? Static?? Discrete?? Single-agent??

64 Folie 46 PROBLEMEIGENSCHA FTEN Episodic vs. sequential: In an episodic environment the agent s experience can be divided into atomic steps where the agents perceives and then performs A single action. The choice of action depends only on the episode itself Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? NO NO NO NO Static?? Discrete?? Single-agent??

65 Folie 47 PROBLEMEIGENSCHA FTEN Static vs. dynamic: If the environment can change while the agent is choosing an action, the environment is dynamic. Semi-dynamic if the agent s performance changes even when the environment remains the same. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? NO NO NO NO Static?? Discrete?? Single-agent??

66 Folie 48 PROBLEMEIGENSCHA FTEN Static vs. dynamic: If the environment can change while the agent is choosing an action, the environment is dynamic. Semi-dynamic if the agent s performance changes even when the environment remains the same. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? NO NO NO NO Static?? YES YES SEMI NO Discrete?? Single-agent??

67 Folie 49 PROBLEMEIGENSCHA FTEN Discrete vs. continuous: This distinction can be applied to the state of the environment, the way time is handled and to the percepts/actions of the agent. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? NO NO NO NO Static?? YES YES SEMI NO Discrete?? Single-agent??

68 Folie 50 PROBLEMEIGENSCHA FTEN Discrete vs. continuous: This distinction can be applied to the state of the environment, the way time is handled and to the percepts/actions of the agent. Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? NO NO NO NO Static?? YES YES SEMI NO Discrete?? YES YES YES NO Single-agent??

69 Folie 51 PROBLEMEIGENSCHA FTEN Single vs. multi-agent: Does the environment contain other agents who are also maximizing some performance measure that depends on the current agent s actions? Solitaire Backgammom Intenet shopping Taxi Observable?? FULL FULL PARTIAL PARTIAL Deterministic?? YES NO YES NO Episodic?? NO NO NO NO Static?? YES YES SEMI NO Discrete?? YES YES YES NO Single-agent??

70 Folie 52 FAZIT Wir benutzen die Agenten als Metapher, fuer KI Systeme Wie wird die Umwelt wahrgenommen? Welche Aktionen stehen zur Verfuegung? Welche Aufgaben muessen erledigt werden? Es gibt unterschiedlich komplexe Ansätze, um solche Agenten zu realisieren Reflex-basiert Modell-basiert Ziel-basiert Nutzen-basiert Agenten agieren in einer Umgebung und machen dort Wahrnehmungen Ein Agent besteht aus Architektur und Agentenprogramm Ein idealer rationaler Agent sucht, abhängig von bisher gemachten Wahrnehmungen stets die Aktion, die das beste Ergebnis verspricht ein Agent ist autonom, seine Aktionen hängen von seinen bisherigen Wahrnehmungen ab ein Agentenprogramm bildet Wahrnehmungssequenzen auf Aktionen ab und aktualisiert den internen Zustand

71 53 Folie 53 ENDE TEIL 2 WO STEHT DIE KI HEUTE? KISA Prof. A. Müller Ihre Fragen sind willkommen! Notiz: eine Betrachtung historischer Ansätze der KI erfolgt zu einem späteren Zeitpunkt. Im Anhang: Aktuelle Forschung und Entwicklung im Bereich KI am Beispiel KES 2011

72 54 Folie 54 KES-2012 KISA Prof. A. Müller The conference encompasses a broad spectrum of intelligent systems related subjects. The following list provides examples of applicable topics; however, the list is not meant to exclude other applicable areas. Generic Topics of Interest Automated Design and Configuration of Sensory Systems, Self-x principles in Intelligent Engineering Systems, Knowledge-Based Systems, Expert Systems, Cognitive Systems, Neural Networks, Artificial Immune Systems, Fuzzy Techniques and Systems, Genetic Algorithms and Evolutionary Computing, Hybrid Intelligent Systems, Multi-Agent Systems, Knowledge Discovery and Data Mining, Data Analysis and Pattern Recognition, Machine Learning, Bayesian Networks, Knowledge Representation and Management, Computational neuroscience, Planning, Spatial & Temporal Reasoning, Knowledge Acquisition, Semantic- Based Systems. Intelligent Applications Multi-Sensor Information Systems, Dimensionality Reduction and Interactive Multivariate Data Visualization/Analysis, Organisation Memories, Industrial Control, Monitoring and Planning, Intelligent Web-based Systems, Fault Diagnosis, Robotics, Image Processing, Machine & Computer Vision, Medical & Diagnostic Systems, Financial & Stock Market Monitoring and Prediction, Speech Processing and Synthesis, Natural Language Processing, Environmental Monitoring, Power Electronics & Drives, High Voltage Systems, Engine Control and Vehicle Applications, Signal and Time Series Processing, Wavelets. Emergent Intelligent Technologies Pervasive Computing, Intelligent Web Personalization, Ubiquitous Computing, Context-aware and Affective (Emotional) Computing, Mobile Computing and Systems, Business Intelligence Systems, Human-centered Computing, Intelligent User Interfaces, Cognitive Networks, User profiling, Evolvable Hardware, DNA Computing, Immunocomputing, Artificial Life, Bioinformatics, Micro array Data Analysis, Intelligent Tutoring Systems, E-commerce/Ebusiness and E-learning, Semantic Web, Intelligent Web Mining & Applications, Virtual

73 Reality & Multi-Media Intelligent Information Systems, Blind Source Separation, Machine & Computer Visionm,Virtual Reality & Multi- Media Intelligent Information Systems, Image classifiers, Semantic Visualization, Semantic abstraction of the PLC/PLM, Machine learning, Image feature extraction, multimedia retrieval, multimedia annotation. Semantic annotation of images and videos, parallel computing and GPU, Semantic enhanced mockups and simulation models. Dr Ajith Abraham Machine Intelligence Research Labs (MIR Labs, USA) Data + Evolving Representations = Intelligent Systems More details... Prof Emilio S. Corchado University of Salamanca, Spain Unsupervised Models for Industrial Applications More details... Dr Belur V. Dasarathy Information Fusion and Decision Systems Technologies Information Fusion in the context of Social Robotics More details... Prof Guang-Bin Huang Nanyang Technological University, Singapore Extreme Learning Machine: One Step towards Human Brain Alike Learning More details... Prof Maja Pantic Imperial College London, UK Machine Understanding of Human Behaviour More details... Prof Antonio Plaza University of Extremadura, Spain High Performance Computing Systems for Intelligent Information Extraction from Remotely Sensed Hyperspectral Images More details... Prof Peter Sussner University of Campinas, Brazil An Overview of Morphological Neural Networks More details... Prof Edward Szczerbicki University of Newcastle, Australia Set of Experience and Experiential Decisional DNA More details

74 2011 Conference Scope The conference encompasses a broad spectrum of intelligent systems related subjects. The following list provides examples of applicable topics; however, the list is not meant to exclude other applicable areas. Generic Topics of Interest Automated Design and Configuration of Sensory Systems, Self-x principles in Intelligent Engineering Systems, Knowledge-Based Systems, Expert Systems, Cognitive Systems, Neural Networks, Artificial Immune Systems, Fuzzy Techniques and Systems, Genetic Algorithms and Evolutionary Computing, Hybrid Intelligent Systems, Multi-Agent Systems, Knowledge Discovery and Data Mining, Data Analysis and Pattern Recognition, Machine Learning, Bayesian Networks, Knowledge Representation and Management, Computational neuroscience, Planning, Spatial & Temporal Reasoning, Knowledge Acquisition, Semantic- Based Systems. Intelligent Applications Multi-Sensor Information Systems, Dimensionality Reduction and Interactive Multivariate Data Visualization/Analysis, Organisation Memories, Industrial Control, Monitoring and Planning, Intelligent Web-based Systems, Fault Diagnosis, Robotics, Image Processing, Machine & Computer Vision, Medical & Diagnostic Systems, Financial & Stock Market Monitoring and Prediction, Speech Processing and Synthesis, Natural Language Processing, Environmental Monitoring, Power Electronics & Drives, High Voltage Systems, Engine Control and Vehicle Applications, Signal and Time Series Processing, Wavelets. Emergent Intelligent Technologies Pervasive Computing, Intelligent Web Personalization, Ubiquitous Computing, Context-aware and Affective (Emotional) Computing, Mobile Computing and Systems, Business Intelligence Systems, Human-centered Computing, Intelligent User Interfaces, Cognitive Networks, User profiling, Evolvable Hardware, DNA Computing, Immunocomputing, Artificial Life, Bioinformatics, Micro array Data Analysis, Intelligent Tutoring Systems, E-commerce/Ebusiness and E-learning, Semantic Web, Intelligent Web Mining & Applications, Virtual Reality & Multi-Media Intelligent Information Systems, Blind Source Separation. Powerpoint Presentations The slides used by keynote speakers for their presentations are available (converted to PDF) here. Knowledge Sharing in Enterprise Networks Speaker: Dr. Peter Schütt PDF (2.1 MB).. open.. Growing Together: Opening the Way for Comprehensive Public-Private Knowledge Management Speaker: Dr. Ansgar Bernardi PDF (4.0 MB).. open..

75 (Meta-) Modeling of Process-Oriented Information Systems Speaker: Prof.Dr. Ulrich Reimer PDF (3.0 MB).. open Keynote Speakers We are very pleased to have acquired the services of an excellent selection of keynote speakers for KES2011. The speakers and the titles of their talks are shown below. Dr. Keiji Yamada NEC Corporation and Nara Institute of Science and Technology, Japan Symbiotic System as a New Social Infrastructure Based on Intelligent Interaction Among the Society, Human Beings, and Information Systems More details... Dr. Peter Schütt IBM Software Group, Ehningen, Germany Knowledge Sharing in Enterprise Networks More details... Prof. Nikhil R. Pal Indian Statistical Institute, Calcutta, India Selection of Useful Sensors/Features with Controlled Redundancy Using Neural Networks More details... Dr. Ansgar Bernardi German Research Center for Artificial Intelligence, DFKI GmbH, Kaiserslautern, Germany Growing Together: Opening the Way for Comprehensive Public-Private Knowledge Management More details... Dr. Knut Manske SAP AG, Darmstadt, Germany Future Urban Management: Towards Best Managed Citiesw More details... Prof.Dr. Ulrich Reimer University of Applied Sciences St. Gallen, Switzerland (Meta-) Modeling of Process-Oriented Information Systems More details... Monday 12 September: Dr. Keiji Yamada NEC Corporation and Nara Institute of Science and Technology, Japan Symbiotic System as a New Social Infrastructure Based on Intelligent Interaction Among the Society, Human Beings, and Information Systems

76 55 Folie 55 KES 2014 Featuring 1st KES International Workshop on The Analysis of Big Data KISA Prof. A. Müller Keynote Speakers We are very pleased to have acquired the services of an excellent selection of keynote speakers for KES2014. The speakers and the titles of their talks are shown below. Prof. Ernesto Damiani University of Milan, Italy Process Analysis Meets Big Data Dr. Ulle Endriss University of Amsterdam, The Netherlands Computational Social Choice Prof. Bogdan Gabrys Bournemouth University, UK Robust adaptive predictive modeling and data deluge Prof. Petra Perner Institut of Computer Vision and Applied Computer Sciences, Germany Mining Big and Sparse Data by Case-Based Reasoning

77 56 Folie 56 KES 2015 Featuring 1st KES International Workshop on The Analysis of Big Data KISA Prof. A. Müller Keynote Speakers We are very pleased to have acquired the services of an excellent selection of keynote speakers for KES2015. The speakers and the titles of their talks are shown below. Prof. Toyoaki Nishida Kyoto University, Japan Conversational Informatics: Toward Cultivating Wisdom from Conversational Interaction More details...prof. Rossi Setchi Cardiff University, UK Computational Semantics in Knowledge Engineering More details...prof Ah-Hwee Tan Nanyang Technological University, Singapore Knowledge Integration and Reinforcement Learning in Self-Organizing Neural Networks More details...prof Kay Chen Tan National University of Singapore (NUS), Singapore Recent Advances in Evolutionary Multiobjective Optimization and Applications More details...prof. Hong Yan City University of Hong Kong, China Detection of Coherent Patterns in Multidimensional Data More details...

78

79 57 Folie 57 KISA Prof. A. Müller IJCAI TRACKS Main Track Machine Learning Track KR Track AI & The Arts Track CompSust Track Workshops IJCAI-15 WORKSHOPS Notice: The following is a preliminary list: some workshop titles, and/or lists or organizers, may change in a near future. W1 Darius Braziunas, Markus Endres, Kristen Brent Venable, Paul Weng and Lirong Xia. IJCAI-15 Workshop on Preference Handling: M-PREF2015 W2 Madalina Croitoru, Pierre Marquis, Gem Stapleton and Sebastian Rudolph. The Fourth IJCAI International Workshop on Graph Structures for Knowledge Representation and Reasoning (GKR 2015) W3 Bo An, Christopher Kiekintveld, Milind Tambe and Pradeep Varakantham. Behavioral, Economic and Computational Intelligence for Security W4 Nir Oren, Sanjay Modgil and Elizabeth Black. Third International Workshop on Theory and Applications of Formal Argumentation (TAFA- 15) W5 Tristan Cazenave, Mark H. M. Winands and Stefan Edelkamp. Computer Games Workshop at IJCAI 2015 W6 Sergei O. Kuznetsov, Amedeo Napoli and Sebastian Rudolph. Workshop at IJCAI 2015 What can FCA do for Artificial Intelligence?

p^db=`oj===pìééçêíáåñçêã~íáçå=

p^db=`oj===pìééçêíáåñçêã~íáçå= p^db=`oj===pìééçêíáåñçêã~íáçå= Error: "Could not connect to the SQL Server Instance" or "Failed to open a connection to the database." When you attempt to launch ACT! by Sage or ACT by Sage Premium for

Mehr

Prediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes.

Prediction Market, 28th July 2012 Information and Instructions. Prognosemärkte Lehrstuhl für Betriebswirtschaftslehre insbes. Prediction Market, 28th July 2012 Information and Instructions S. 1 Welcome, and thanks for your participation Sensational prices are waiting for you 1000 Euro in amazon vouchers: The winner has the chance

Mehr

a lot of, much und many

a lot of, much und many Aufgabe 1, und In bejahten Sätzen verwendest du für die deutschen Wörter viel und viele im Englischen Bsp.: I have got CDs. We have got milk. There are cars on the street. Bei verneinten Sätzen und Fragen

Mehr

Einsatz einer Dokumentenverwaltungslösung zur Optimierung der unternehmensübergreifenden Kommunikation

Einsatz 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

Mehr

-Which word (lines 47-52) does tell us that Renia s host brother is a pleasant person?

-Which word (lines 47-52) does tell us that Renia s host brother is a pleasant person? Reading tasks passend zu: Open World 1 Unit 4 (student s book) Through a telescope (p. 26/27): -Renia s exchange trip: richtig falsch unkar? richtig falsch unklar: Renia hat sprachliche Verständnisprobleme.

Mehr

Algorithms for graph visualization

Algorithms for graph visualization Algorithms for graph visualization Project - Orthogonal Grid Layout with Small Area W INTER SEMESTER 2013/2014 Martin No llenburg KIT Universita t des Landes Baden-Wu rttemberg und nationales Forschungszentrum

Mehr

Application Form ABOUT YOU INFORMATION ABOUT YOUR SCHOOL. - Please affix a photo of yourself here (with your name written on the back) -

Application Form ABOUT YOU INFORMATION ABOUT YOUR SCHOOL. - Please affix a photo of yourself here (with your name written on the back) - Application Form ABOUT YOU First name(s): Surname: Date of birth : Gender : M F Address : Street: Postcode / Town: Telephone number: Email: - Please affix a photo of yourself here (with your name written

Mehr

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena http://www.im.uni-jena.de Contents I. Learning Objectives II. III. IV. Recap

Mehr

ISO 15504 Reference Model

ISO 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

Mehr

Kybernetik Das Kybernetische Modell

Kybernetik Das Kybernetische Modell Kybernetik Das Kybernetische Modell Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 05. 06. 2012 Das Modell Das Modell Was ist ein Modell? Ein Modell

Mehr

Kybernetik Einführung

Kybernetik Einführung Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948

Mehr

Einführung in die Robotik Einführung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10.

Einführung in die Robotik Einführung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10. Einführung in die Robotik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10. 2012 Was ist ein Roboter? Was ist ein Roboter? Jeder hat

Mehr

XV1100K(C)/XV1100SK(C)

XV1100K(C)/XV1100SK(C) Lexware Financial Office Premium Handwerk XV1100K(C)/XV1100SK(C) All rights reserverd. Any reprinting or unauthorized use wihout the written permission of Lexware Financial Office Premium Handwerk Corporation,

Mehr

1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3

1. General information... 2 2. Login... 2 3. Home... 3 4. Current applications... 3 User Manual for Marketing Authorisation and Lifecycle Management of Medicines Inhalt: User Manual for Marketing Authorisation and Lifecycle Management of Medicines... 1 1. General information... 2 2. Login...

Mehr

Titelbild1 ANSYS. Customer Portal LogIn

Titelbild1 ANSYS. Customer Portal LogIn Titelbild1 ANSYS Customer Portal LogIn 1 Neuanmeldung Neuanmeldung: Bitte Not yet a member anklicken Adressen-Check Adressdaten eintragen Customer No. ist hier bereits erforderlich HERE - Button Hier nochmal

Mehr

Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health)

Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) Inequality Utilitarian and Capabilities Perspectives (and what they may imply for public health) 1 Utilitarian Perspectives on Inequality 2 Inequalities matter most in terms of their impact onthelivesthatpeopleseektoliveandthethings,

Mehr

Klausur Verteilte Systeme

Klausur Verteilte Systeme Klausur Verteilte Systeme SS 2005 by Prof. Walter Kriha Klausur Verteilte Systeme: SS 2005 by Prof. Walter Kriha Note Bitte ausfüllen (Fill in please): Vorname: Nachname: Matrikelnummer: Studiengang: Table

Mehr

Intelligente Agenten

Intelligente Agenten Intelligente Agenten Einige einfache Überlegungen zu Agenten und deren Interaktionsmöglichkeiten mit ihrer Umgebung. Agent benutzt: Sensoren Aktuatoren (Aktoren; Effektoren) zum Beobachten/Mess seiner

Mehr

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management

Universität Dortmund Integrating Knowledge Discovery into Knowledge Management Integrating Knowledge Discovery into Knowledge Management Katharina Morik, Christian Hüppe, Klaus Unterstein Univ. Dortmund LS8 www-ai.cs.uni-dortmund.de Overview Integrating given data into a knowledge

Mehr

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part XI) 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

Mehr

(Prüfungs-)Aufgaben zum Thema Scheduling

(Prüfungs-)Aufgaben zum Thema Scheduling (Prüfungs-)Aufgaben zum Thema Scheduling 1) Geben Sie die beiden wichtigsten Kriterien bei der Wahl der Größe des Quantums beim Round-Robin-Scheduling an. 2) In welchen Situationen und von welchen (Betriebssystem-)Routinen

Mehr

Kybernetik Intelligent Agents- Decision Making

Kybernetik Intelligent Agents- Decision Making Kybernetik Intelligent Agents- Decision Making Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 03. 07. 2012 Intelligent Agents Environment Agent Intelligent

Mehr

Accounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe

Accounting course program for master students. Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe Accounting course program for master students Institute of Accounting and Auditing http://www.wiwi.hu-berlin.de/rewe 2 Accounting requires institutional knowledge... 3...but it pays: Lehman Bros. Inc.,

Mehr

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1

Exercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1 Exercise (Part II) 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

Mehr

VoiceXML 3.0. Jan Pit Wagner Fachbereich Informatik Seminar Moderne Webtechnologien 25. November 2009

VoiceXML 3.0. Jan Pit Wagner Fachbereich Informatik Seminar Moderne Webtechnologien 25. November 2009 VoiceXML 3.0 Jan Pit Wagner Fachbereich Informatik Seminar Moderne Webtechnologien 25. November 2009 Zielsetzungen dieses Vortrages VoiceXML vorstellen. Zeigen, dass VoiceXML einfach ist. Für den Einsatz

Mehr

USB Treiber updaten unter Windows 7/Vista

USB Treiber updaten unter Windows 7/Vista USB Treiber updaten unter Windows 7/Vista Hinweis: Für den Downloader ist momentan keine 64 Bit Version erhältlich. Der Downloader ist nur kompatibel mit 32 Bit Versionen von Windows 7/Vista. Für den Einsatz

Mehr

Distributed testing. Demo Video

Distributed testing. Demo Video distributed testing Das intunify Team An der Entwicklung der Testsystem-Software arbeiten wir als Team von Software-Spezialisten und Designern der soft2tec GmbH in Kooperation mit der Universität Osnabrück.

Mehr

Infrastructure as a Service (IaaS) Solutions for Online Game Service Provision

Infrastructure as a Service (IaaS) Solutions for Online Game Service Provision Infrastructure as a Service (IaaS) Solutions for Online Game Service Provision Zielsetzung: System Verwendung von Cloud-Systemen für das Hosting von online Spielen (IaaS) Reservieren/Buchen von Resources

Mehr

Bayerisches Landesamt für Statistik und Datenverarbeitung Rechenzentrum Süd. z/os Requirements 95. z/os Guide in Lahnstein 13.

Bayerisches Landesamt für Statistik und Datenverarbeitung Rechenzentrum Süd. z/os Requirements 95. z/os Guide in Lahnstein 13. z/os Requirements 95. z/os Guide in Lahnstein 13. März 2009 0 1) LOGROTATE in z/os USS 2) KERBEROS (KRB5) in DFS/SMB 3) GSE Requirements System 1 Requirement Details Description Benefit Time Limit Impact

Mehr

Einführung in die Robotik Steuerungsarchitekturen. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.

Einführung in die Robotik Steuerungsarchitekturen. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm. Einführung in die Robotik Steuerungsarchitekturen Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 29. 01. 2013 Steuerungsarchitekturen - Deliberative

Mehr

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich?

KURZANLEITUNG. Firmware-Upgrade: Wie geht das eigentlich? KURZANLEITUNG Firmware-Upgrade: Wie geht das eigentlich? Die Firmware ist eine Software, die auf der IP-Kamera installiert ist und alle Funktionen des Gerätes steuert. Nach dem Firmware-Update stehen Ihnen

Mehr

6KRSSLQJDW&DPGHQ/RFN 1LYHDX$

6KRSSLQJDW&DPGHQ/RFN 1LYHDX$ )HUWLJNHLW+ UYHUVWHKHQ 1LYHDX$ Wenn langsam und deutlich gesprochen wird, kann ich kurze Texte und Gespräche aus bekannten Themengebieten verstehen, auch wenn ich nicht alle Wörter kenne. 'HVNULSWRU Ich

Mehr

ReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2

ReadMe zur Installation der BRICKware for Windows, Version 6.1.2. ReadMe on Installing BRICKware for Windows, Version 6.1.2 ReadMe zur Installation der BRICKware for Windows, Version 6.1.2 Seiten 2-4 ReadMe on Installing BRICKware for Windows, Version 6.1.2 Pages 5/6 BRICKware for Windows ReadMe 1 1 BRICKware for Windows, Version

Mehr

Support 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. 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

Mehr

Software development with continuous integration

Software development with continuous integration Software development with continuous integration (FESG/MPIfR) ettl@fs.wettzell.de (FESG) neidhardt@fs.wettzell.de 1 A critical view on scientific software Tendency to become complex and unstructured Highly

Mehr

Instruktionen Mozilla Thunderbird Seite 1

Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Seite 1 Instruktionen Mozilla Thunderbird Dieses Handbuch wird für Benutzer geschrieben, die bereits ein E-Mail-Konto zusammenbauen lassen im Mozilla Thunderbird und wird

Mehr

eurex rundschreiben 094/10

eurex rundschreiben 094/10 eurex rundschreiben 094/10 Datum: Frankfurt, 21. Mai 2010 Empfänger: Alle Handelsteilnehmer der Eurex Deutschland und Eurex Zürich sowie Vendoren Autorisiert von: Jürg Spillmann Weitere Informationen zur

Mehr

Software Engineering verteilter Systeme. Hauptseminar im WS 2011 / 2012

Software Engineering verteilter Systeme. Hauptseminar im WS 2011 / 2012 Software Engineering verteilter Systeme Hauptseminar im WS 2011 / 2012 Model-based Testing(MBT) Christian Saad (1-2 students) Context Models (e.g. State Machines) are used to define a system s behavior

Mehr

USBASIC SAFETY IN NUMBERS

USBASIC SAFETY IN NUMBERS USBASIC SAFETY IN NUMBERS #1.Current Normalisation Ropes Courses and Ropes Course Elements can conform to one or more of the following European Norms: -EN 362 Carabiner Norm -EN 795B Connector Norm -EN

Mehr

August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln

August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln August Macke 1887-1914 Abschied, 1914 Museum Ludwig, Köln Ideas for the classroom 1. Introductory activity wer?, was?, wo?, wann?, warum? 2. Look at how people say farewell in German. 3. Look at how people

Mehr

Seminar in Requirements Engineering

Seminar in Requirements Engineering Seminar in Requirements Engineering Vorbesprechung Frühjahrssemester 2010 22. Februar 2010 Prof. Dr. Martin Glinz Dr. Samuel Fricker Eya Ben Charrada Inhalt und Lernziele Software Produktmanagement Ziele,

Mehr

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH

Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH Markus BöhmB Account Technology Architect Microsoft Schweiz GmbH What is a GEVER??? Office Strategy OXBA How we used SharePoint Geschäft Verwaltung Case Management Manage Dossiers Create and Manage Activities

Mehr

Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds

Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds 3rd JUQUEEN Porting and Tuning Workshop Jülich, 2-4 February 2015 Fluid-Particle Multiphase Flow Simulations for the Study of Sand Infiltration into Immobile Gravel-Beds Tobias Schruff, Roy M. Frings,

Mehr

German English Firmware translation for T-Sinus 154 Access Point

German English Firmware translation for T-Sinus 154 Access Point German English Firmware translation for T-Sinus 154 Access Point Konfigurationsprogramm Configuration program (english translation italic type) Dieses Programm ermöglicht Ihnen Einstellungen in Ihrem Wireless

Mehr

Abteilung Internationales CampusCenter

Abteilung Internationales CampusCenter Abteilung Internationales CampusCenter Instructions for the STiNE Online Enrollment Application for Exchange Students 1. Please go to www.uni-hamburg.de/online-bewerbung and click on Bewerberaccount anlegen

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

ColdFusion 8 PDF-Integration

ColdFusion 8 PDF-Integration ColdFusion 8 PDF-Integration Sven Ramuschkat SRamuschkat@herrlich-ramuschkat.de München & Zürich, März 2009 PDF Funktionalitäten 1. Auslesen und Befüllen von PDF-Formularen 2. Umwandlung von HTML-Seiten

Mehr

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler

Mash-Up Personal Learning Environments. Dr. Hendrik Drachsler Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities

Mehr

Künstliche Intelligenz

Künstliche Intelligenz Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data

Mehr

Ingenics Project Portal

Ingenics Project Portal Version: 00; Status: E Seite: 1/6 This document is drawn to show the functions of the project portal developed by Ingenics AG. To use the portal enter the following URL in your Browser: https://projectportal.ingenics.de

Mehr

Neues Aufgabenformat Say it in English

Neues Aufgabenformat Say it in English Neues Aufgabenformat Erläuternde Hinweise Ein wichtiges Ziel des Fremdsprachenunterrichts besteht darin, die Lernenden zu befähigen, Alltagssituationen im fremdsprachlichen Umfeld zu bewältigen. Aus diesem

Mehr

SemTalk Services. SemTalk UserMeeting 29.10.2010

SemTalk Services. SemTalk UserMeeting 29.10.2010 SemTalk Services SemTalk UserMeeting 29.10.2010 Problemstellung Immer mehr Anwender nutzen SemTalk in Verbindung mit SharePoint Mehr Visio Dokumente Viele Dokumente mit jeweils wenigen Seiten, aber starker

Mehr

In vier Schritten zum Titel. erfolgreichen Messeauftritt. Four steps to a successful trade fair. Hier beginnt Zukunft! The future starts here!

In vier Schritten zum Titel. erfolgreichen Messeauftritt. Four steps to a successful trade fair. Hier beginnt Zukunft! The future starts here! In vier Schritten zum Titel erfolgreichen Messeauftritt. Four steps to a successful trade fair. Hier beginnt Zukunft! The future starts here! Einleitung Intro Um Sie dabei zu unterstützen, Ihren Messeauftritt

Mehr

Addressing the Location in Spontaneous Networks

Addressing the Location in Spontaneous Networks Addressing the Location in Spontaneous Networks Enabling BOTH: Privacy and E-Commerce Design by Moritz Strasser 1 Disappearing computers Trends Mobility and Spontaneous Networks (MANET = Mobile Ad hoc

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

If you have any issue logging in, please Contact us Haben Sie Probleme bei der Anmeldung, kontaktieren Sie uns bitte 1

If you have any issue logging in, please Contact us Haben Sie Probleme bei der Anmeldung, kontaktieren Sie uns bitte 1 Existing Members Log-in Anmeldung bestehender Mitglieder Enter Email address: E-Mail-Adresse eingeben: Submit Abschicken Enter password: Kennwort eingeben: Remember me on this computer Meine Daten auf

Mehr

ShopBot, ein Software-Agent für das Internet

ShopBot, ein Software-Agent für das Internet Software-Agenten p.1/20 ShopBot, ein Software-Agent für das Internet Eine Einführung in (Software-)Agenten Madeleine Theile Software-Agenten p.2/20 Aufbau des Vortrags grundlegende Theorie Definition Autonomy,

Mehr

Supplier Status Report (SSR)

Supplier Status Report (SSR) Supplier Status Report (SSR) Introduction for BOS suppliers BOS GmbH & Co. KG International Headquarters Stuttgart Ernst-Heinkel-Str. 2 D-73760 Ostfildern Management Letter 2 Supplier Status Report sheet

Mehr

LOG AND SECURITY INTELLIGENCE PLATFORM

LOG AND SECURITY INTELLIGENCE PLATFORM TIBCO LOGLOGIC LOG AND SECURITY INTELLIGENCE PLATFORM Security Information Management Logmanagement Data-Analytics Matthias Maier Solution Architect Central Europe, Eastern Europe, BeNeLux MMaier@Tibco.com

Mehr

Frequently asked Questions for Kaercher Citrix (apps.kaercher.com)

Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Frequently asked Questions for Kaercher Citrix (apps.kaercher.com) Inhalt Content Citrix-Anmeldung Login to Citrix Was bedeutet PIN und Token (bei Anmeldungen aus dem Internet)? What does PIN and Token

Mehr

EVERYTHING ABOUT FOOD

EVERYTHING ABOUT FOOD EVERYTHING ABOUT FOOD Fächerübergreifendes und projektorientiertes Arbeiten im Englischunterricht erarbeitet von den Teilnehmern des Workshops Think big act locally der 49. BAG Tagung EVERYTHING ABOUT

Mehr

Aufnahmeuntersuchung für Koi

Aufnahmeuntersuchung für Koi Aufnahmeuntersuchung für Koi Datum des Untersuchs: Date of examination: 1. Angaben zur Praxis / Tierarzt Vet details Name des Tierarztes Name of Vet Name der Praxis Name of practice Adresse Address Beruf

Mehr

Effizienz im Vor-Ort-Service

Effizienz im Vor-Ort-Service Installation: Anleitung SatWork Integrierte Auftragsabwicklung & -Disposition Februar 2012 Disposition & Auftragsabwicklung Effizienz im Vor-Ort-Service Disclaimer Vertraulichkeit Der Inhalt dieses Dokuments

Mehr

Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content

Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content FuturistGerd.com Social Media Zukunfts-Szenarien: Big Data, Smart Agents, Artificial Intelligence, und Marketing als... Content @gleonhard 1 2 4 8 16 32 Eine Welt der Screens. Immer-an. Immer billiger.

Mehr

Disclaimer & Legal Notice. Haftungsausschluss & Impressum

Disclaimer & Legal Notice. Haftungsausschluss & Impressum Disclaimer & Legal Notice Haftungsausschluss & Impressum 1. Disclaimer Limitation of liability for internal content The content of our website has been compiled with meticulous care and to the best of

Mehr

Algorithms & Datastructures Midterm Test 1

Algorithms & Datastructures Midterm Test 1 Algorithms & Datastructures Midterm Test 1 Wolfgang Pausch Heiko Studt René Thiemann Tomas Vitvar

Mehr

Total Security Intelligence. Die nächste Generation von Log Management and SIEM. Markus Auer Sales Director Q1 Labs.

Total Security Intelligence. Die nächste Generation von Log Management and SIEM. Markus Auer Sales Director Q1 Labs. Total Security Intelligence Die nächste Generation von Log Management and SIEM Markus Auer Sales Director Q1 Labs IBM Deutschland 1 2012 IBM Corporation Gezielte Angriffe auf Unternehmen und Regierungen

Mehr

Linux Anwender-Security. Dr. Markus Tauber markus.tauber@ait.ac.at 26/04/2013

Linux Anwender-Security. Dr. Markus Tauber markus.tauber@ait.ac.at 26/04/2013 Linux Anwender-Security Dr. Markus Tauber markus.tauber@ait.ac.at 26/04/2013 Inhalt Benutzer(selbst)Schutz - für den interessierten Anwender Praktische Beispiele und Hintergründe (Wie & Warum) Basierend

Mehr

Aber genau deshalb möchte ich Ihre Aufmehrsamkeit darauf lenken und Sie dazu animieren, der Eventualität durch geeignete Gegenmaßnahmen zu begegnen.

Aber genau deshalb möchte ich Ihre Aufmehrsamkeit darauf lenken und Sie dazu animieren, der Eventualität durch geeignete Gegenmaßnahmen zu begegnen. NetWorker - Allgemein Tip 618, Seite 1/5 Das Desaster Recovery (mmrecov) ist evtl. nicht mehr möglich, wenn der Boostrap Save Set auf einem AFTD Volume auf einem (Data Domain) CIFS Share gespeichert ist!

Mehr

Your Partner for Luxury and Lifestyle Estates Ihr Partner für Luxus- und Lifestyle-Immobilien

Your Partner for Luxury and Lifestyle Estates Ihr Partner für Luxus- und Lifestyle-Immobilien Your Partner for Luxury and Lifestyle Estates Ihr Partner für Luxus- und Lifestyle-Immobilien Welcome to Premier Suisse Estates Willkommen bei Premier Suisse Estates Dr. Peter Moertl, CEO Premier Suisse

Mehr

BEDIFFERENT ACE G E R M A N Y. aras.com. Copyright 2012 Aras. All Rights Reserved.

BEDIFFERENT ACE G E R M A N Y. aras.com. Copyright 2012 Aras. All Rights Reserved. BEDIFFERENT ACE G E R M A N Y Aras Corporate ACE Germany Communities Welche Vorteile? Rolf Laudenbach Director Aras Community Slide 3 Aras Communities Public Community Projects Forums Blogs Wikis Public

Mehr

FOR ENGLISCH VERSION PLEASE SCROLL FORWARD SOME PAGES. THANK YOU!

FOR ENGLISCH VERSION PLEASE SCROLL FORWARD SOME PAGES. THANK YOU! FOR ENGLISCH VERSION PLEASE SCROLL FORWARD SOME PAGES. THANK YOU! HELPLINE GAMMA-SCOUT ODER : WIE BEKOMME ICH MEIN GERÄT ZUM LAUFEN? Sie haben sich für ein Strahlungsmessgerät mit PC-Anschluss entschieden.

Mehr

Transparenz 2.0. Passive Nachverfolgung und Filterung von WebApps auf dem Prüfstand

Transparenz 2.0. Passive Nachverfolgung und Filterung von WebApps auf dem Prüfstand Matthias Seul IBM Research & Development GmbH BSI-Sicherheitskongress 2013 Transparenz 2.0 Passive Nachverfolgung und Filterung von WebApps auf dem Prüfstand R1 Rechtliche Hinweise IBM Corporation 2013.

Mehr

SICHER IST SICHER IST EINZIGARTIG. SAFETY FIRST HAS NEVER BEEN SO EXCITING.

SICHER IST SICHER IST EINZIGARTIG. SAFETY FIRST HAS NEVER BEEN SO EXCITING. Fahraktive EVENTS ZUM ANSCHNALLEN. FASTEN YOUR SEATBELTS FOR SOME AWESOME DRIVING EVENTS. SICHER IST SICHER IST EINZIGARTIG. Jeder, der BMW UND MINI DRIVING ACADEMY hört, denkt automatisch an Sicherheit.

Mehr

The poetry of school.

The poetry of school. International Week 2015 The poetry of school. The pedagogy of transfers and transitions at the Lower Austrian University College of Teacher Education(PH NÖ) Andreas Bieringer In M. Bernard s class, school

Mehr

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer Semantic Web Anwendungsbereiche & Entwicklungen Dr. Michael Granitzer - gefördert durch das Kompetenzzentrenprogramm Agenda Die Vision und warum das Semantic Web Sinn macht Grundlagen: Wissensrepräsentation

Mehr

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining

Das Knowledge Grid. Eine Architektur für verteiltes Data Mining Das Knowledge Grid Eine Architektur für verteiltes Data Mining 1 Gliederung 1. Motivation 2. KDD und PDKD Systeme 3. Knowledge Grid Services 4. TeraGrid Projekt 5. Das Semantic Web 2 Motivation Rapide

Mehr

Beschränkte Menschen unbeschränkte Technologie: Wie entwickelt sich das digitale Ökosystem

Beschränkte 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

Mehr

UNIGRAZONLINE. With UNIGRAZonline you can organise your studies at Graz University. Please go to the following link: https://online.uni-graz.

UNIGRAZONLINE. With UNIGRAZonline you can organise your studies at Graz University. Please go to the following link: https://online.uni-graz. English Version 1 UNIGRAZONLINE With UNIGRAZonline you can organise your studies at Graz University. Please go to the following link: https://online.uni-graz.at You can choose between a German and an English

Mehr

HCI 15 Einführung in die Mobile Usability. am Beispiel der Android UX

HCI 15 Einführung in die Mobile Usability. am Beispiel der Android UX HCI 15 Einführung in die Mobile Usability am Beispiel der Android UX Mit dem iphone begann eine mobile Revolution Quelle: www.redant.com Whitepaper "Going Mobile" Mobil was ist anders? Gerät mit Identität

Mehr

Anleitung zur Schnellinstallation TFM-560X YO.13

Anleitung zur Schnellinstallation TFM-560X YO.13 Anleitung zur Schnellinstallation TFM-560X YO.13 Table of Contents Deutsch 1 1. Bevor Sie anfangen 1 2. Installation 2 Troubleshooting 6 Version 06.08.2011 1. Bevor Sie anfangen Packungsinhalt ŸTFM-560X

Mehr

Group and Session Management for Collaborative Applications

Group and Session Management for Collaborative Applications Diss. ETH No. 12075 Group and Session Management for Collaborative Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZÜRICH for the degree of Doctor of Technical Seiences

Mehr

Customer-specific software for autonomous driving and driver assistance (ADAS)

Customer-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

Mehr

Anforderung an Mobile Broadcast aus Sicht des Kunden

Anforderung an Mobile Broadcast aus Sicht des Kunden Anforderung an Mobile Broadcast aus Sicht des Kunden Medientage München 2006 Panel 6.8. University of St. Gallen, Switzerland Page 2 Anforderung an Mobile Broadcast aus Sicht des Kunden. Executive Summary

Mehr

Organisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt

Organisatorisches. Unit1: Intro and Basics. Bewertung. About Me.. Datenorientierte Systemanalyse. Gerhard Wohlgenannt Organisatorisches Datenorientierte Systemanalyse Unit1: Intro and Basics Gerhard Wohlgenannt Inhalt: Datenorientierte Systemanalyse Umfang: 5 units XX.10.2013 XX.11.2013 09:00-13:30 Uhr Room XXX Infos,

Mehr

RailMaster New Version 7.00.p26.01 / 01.08.2014

RailMaster New Version 7.00.p26.01 / 01.08.2014 RailMaster New Version 7.00.p26.01 / 01.08.2014 English Version Bahnbuchungen so einfach und effizient wie noch nie! Copyright Copyright 2014 Travelport und/oder Tochtergesellschaften. Alle Rechte vorbehalten.

Mehr

Role Play I: Ms Minor Role Card. Ms Minor, accountant at BIGBOSS Inc.

Role Play I: Ms Minor Role Card. Ms Minor, accountant at BIGBOSS Inc. Role Play I: Ms Minor Role Card Conversation between Ms Boss, CEO of BIGBOSS Inc. and Ms Minor, accountant at BIGBOSS Inc. Ms Boss: Guten Morgen, Frau Minor! Guten Morgen, Herr Boss! Frau Minor, bald steht

Mehr

German Section 33 - Print activities

German Section 33 - Print activities No. 1 Finde die Wörter! Find the words! Taschenrechner calculator Kugelschreiber pen Bleistift pencil Heft exercise book Filzstift texta Radiergummi eraser Lineal ruler Ordner binder Spitzer sharpener

Mehr

Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück

Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück Continuous Auditing eine gut gemeinte aber schlechte Idee kommt zurück Michel Huissoud Lic.iur, CISA, CIA 5. November 2012 - ISACA/SVIR-Fachtagung - Zürich Überwachung Continuous Monitoring Continuous

Mehr

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1

Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 Daten haben wir reichlich! 25.04.14 The unbelievable Machine Company 1 2.800.000.000.000.000.000.000 Bytes Daten im Jahr 2012* * Wenn jedes Byte einem Buchstaben entspricht und wir 1000 Buchstaben auf

Mehr

Dynamische Programmiersprachen. David Schneider david.schneider@hhu.de STUPS - 25.12.02.50

Dynamische Programmiersprachen. David Schneider david.schneider@hhu.de STUPS - 25.12.02.50 Dynamische Programmiersprachen David Schneider david.schneider@hhu.de STUPS - 25.12.02.50 Organisatorisches Aufbau: Vorlesung 2 SWS Übung Kurzreferat Projekt Prüfung Übung wöchentliches Aufgabenblatt in

Mehr

Social Media als Bestandteil der Customer Journey

Social Media als Bestandteil der Customer Journey Social Media als Bestandteil der Customer Journey Gregor Wolf Geschäftsführer Experian Marketing Services Frankfurt, 19.6.2015 Experian and the marks used herein are service marks or registered trademarks

Mehr

Praktikum Entwicklung von Mediensystemen mit ios

Praktikum 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

Mehr

Auswertungsbericht Lehrveranstaltungsbewertung Mobile Communication and Ad Hoc Networks

Auswertungsbericht Lehrveranstaltungsbewertung Mobile Communication and Ad Hoc Networks RWTH Aachen Dez. 6.0 - Abt. 6. Templergraben 06 Aachen Tel.: 0 80 967 E-Mail: verena.thaler@zhv.rwth-aachen.de RWTH Aachen - Dez. 6.0/Abt. 6. Herr Prof. Dr. Peter Martini (PERSÖNLICH) Auswertungsbericht

Mehr

Lesen Sie die Bedienungs-, Wartungs- und Sicherheitsanleitungen des mit REMUC zu steuernden Gerätes

Lesen Sie die Bedienungs-, Wartungs- und Sicherheitsanleitungen des mit REMUC zu steuernden Gerätes KURZANLEITUNG VORAUSSETZUNGEN Lesen Sie die Bedienungs-, Wartungs- und Sicherheitsanleitungen des mit REMUC zu steuernden Gerätes Überprüfen Sie, dass eine funktionsfähige SIM-Karte mit Datenpaket im REMUC-

Mehr

Informationssysteme im Gesundheitswesen. Institut für Medizinische Informatik

Informationssysteme im Gesundheitswesen. Institut für Medizinische Informatik Informationssysteme im Gesundheitswesen Institut für Medizinische Informatik Informationssysteme im Gesundheitswesen Organisatorisches Organisatorisches Vertiefungsmodul für Wirtschaftsinformatikstudenten

Mehr

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz

IDS Lizenzierung für IDS und HDR. Primärserver IDS Lizenz HDR Lizenz IDS Lizenzierung für IDS und HDR Primärserver IDS Lizenz HDR Lizenz Workgroup V7.3x oder V9.x Required Not Available Primärserver Express V10.0 Workgroup V10.0 Enterprise V7.3x, V9.x or V10.0 IDS Lizenz

Mehr

Einführung in die Computerlinguistik

Einführung in die Computerlinguistik Vorläufiges Programm Einführung in die Computerlinguistik WS 2011/12 Manfred Pinkal 25.10.11 Einführung 8.11.11 Morphologie und Automaten 15.11.11 Morphologie und Automaten 22.11.11 Syntax 29.11.11 Parsing

Mehr

IDRT: Unlocking Research Data Sources with ETL for use in a Structured Research Database

IDRT: Unlocking Research Data Sources with ETL for use in a Structured Research Database First European i2b2 Academic User Meeting IDRT: Unlocking Research Data Sources with ETL for use in a Structured Research Database The IDRT Team (in alphabetical order): Christian Bauer (presenter), Benjamin

Mehr

Wikis, Blogs & CMS im Unternehmenskontext Usability Roundtable HH, 8. Mai 2006 Dr. Stephan Raimer

Wikis, Blogs & CMS im Unternehmenskontext Usability Roundtable HH, 8. Mai 2006 Dr. Stephan Raimer Wikis, Blogs & CMS im Unternehmenskontext Usability Roundtable HH, 8. Mai 2006 Dr. Stephan Raimer Gliederung Einleitung Informations- und Wissensmanagement, Web 2.0 Erfolg von Blogs, Wikis & Co. Projekt

Mehr