Artificial Intelligence. Was ist das? Was kann das?

Transkript

1 Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017

2 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle:

3 Hierarchie der Buzzwords Artificial Intelligence (Künstliche Intelligenz) Anwendung von Human Logic, z.b. Experten-Systeme, A* Search Anwendung von Machine Learning => aus Beispielen lernen! Klassische Ansätze, z.b. Support Vector Machines, Naive Bayes Deep Learning mit verschiedenen Neuralen Netzwerken

4 Machine Learning: Unterschiedliche Lerntypen 1. Supervised Learning 2. Unsupervised Learning 3. Reinforcement Learning House price prediction (regression) Image clustering Trial and error Image classification Quellen: Stanford University 2011/2016 sowie Washington University 2015 Cocktail party problem (voice clustering)

5 Zusammenhang Daten und Performance (illustrativ) Deep Learning (Neuronale Netzwerke) Performance Klassische Ansätze (SVM, Naive Bayes) Anzahl Beispieldaten

6 Neuronale Netzwerke: Das menschliche Gehirn als Vorbild Quelle: Nicolas P. Rougier (2005) Quelle: Kts Dreamstime.com (2011)

7 So sieht ein Deep Neural Network Bildquelle: Unsupervised Learning of Hierarchical Representations with Convolutional Deep Belief Networks ICML 2009 & Comm. ACM 2011

8 Neurale Netzwerke werden immer leistungsfähiger (# Neuronen) Quelle: (2016)

9 Was kann Machine Learning? Erzeugung neuer Beispiele Ähnlich zu den Trainingsdaten Komplexität Density bestimmen Wahrscheinlichkeit von Werten bzw. Beispielen einschätzen Maschinenübersetzung Sequenz von Symbolen in eine (andere) Sprache umwandeln Denoising Vorhersage sauberer Beispiele aus korrupten Versionen Verbindungen feststellen Grammatische Strukturen analysieren oder pixelweise Segmentierung Imputation Vorhersage fehlender Werte Regression Transkription Klassifikation Anomalien erkennen Vorhersage numerischer Werte Bild zu Text oder Sprache zu Text Zuordnung zu Kategorien Ungewöhnliche oder atypische Werte melden

10 Machine Learning ist kein Selbstzweck! Regression Vorhersage numerischer Werte Density bestimmen Wahrscheinlichkeit von Werten bzw. Beispielen einschätzen Maschinenübersetzung Sequenz von Symbolen in eine (andere) Sprache umwandeln Transkription Bild zu Text oder Sprache zu Text Erzeugung neuer Beispiele Ähnlich zu den Trainingsdaten Denoising Vorhersage sauberer Beispiele aus korrupten Versionen Verbindungen feststellen Grammatische Strukturen analysieren oder pixelweise Segmentierung Klassifikation Zuordnung zu Kategorien Imputation Vorhersage fehlender Werte Anomalien erkennen Ungewöhnliche oder atypische Werte melden Gesellschaftliche und geschäftliche Herausforderungen?

11 Beispiel Bilderkennung [Klassifizierung plus Transfer Learning] Quelle: Nature (2017)

12 Beispiel: Lippenlesen [Transkription, Dichtewahrscheinlichkeit, Denoising/Imputation] Quelle:

13 Beispiel: Selbstlernende Interaktion mit der Umwelt [Erzeugung neuer Beispieldaten => Reinforcement Learning] Geijtenbeek et al. Flexible Muscle-Based Locomotion for Bipedal Creatures. SIGGRAPH,

14 Take away

15 Take Away HELDENKOMBINAT MACHINE LEARNING Nicht von Buzzwords abschrecken lassen Tiefer gehen und Hintergründe erfragen/verstehen wollen. Paradigmenwechsel hin zur Generalisierung Mit Machine Learning aus Daten und Iterationen lernen. Artificial Intelligence ist wie Elektrizität Kein Selbstzweck, sondern Mittel zum Zweck.

16 Fragen? HELDENKOMBINAT MACHINE LEARNING Olaf Erichsen CEO Focus AI Machine Learning Innovation & Strategy New Business Development heldenkombinat.com We deliver advice, skills and business opportunities in all machine learning playing fields.