Maschinelles Lernen in der Medizintechnik
|
|
- Klaus Beutel
- vor 5 Jahren
- Abrufe
Transkript
1 Maschinelles Lernen in der Medizintechnik Was ist möglich? ASTRUM IT GmbH Am Wolfsmantel Erlangen Dr. Jan Paulus Tel.: jan.paulus@astrum-it.de Dr. Matthias Weidler Tel.: matthias.weidler@astrum-it.de
2 Google beantwortet Fragen CC0 CC-BY InteFreePress 2
3 Skype übersetzt live von Spanisch nach Englisch 3
4 Microsoft Cognitive Services beschreibt Bilder 4 Hubertl / Wikimedia Commons / CC BY-SA 4.0
5 Microsoft Cognitive Services beschreibt Bilder a group of people at a fruit stand Hubertl / Wikimedia Commons / CC BY-SA 4.0 5
6 Smarte medizinische Geräte Fitness Tracker Funk-Blutzuckersensoren Gesundheits-Apps CCBY Andri Koolme CC-BY-SA 4.0 Sjö CC-BY 6
7 Populäre Anwendungsfelder für Künstliche Intelligenz Vorhersage Maschinenausfälle Kaufverhalten Auslastung Marktpreise Analyse Messdaten Unbekannte Zusammenhänge Ursachen und Entwicklungen Erkennung Bildinhalte Datenkategorien Ereignisse Produktionsfehler 7
8 Warum ist KI heute so populär?
9 Hintergrund ImageNet Große Bild-Datenbank für Computer Vision Über manuell annotierte Bilder Über Kategorien für Bildinhalte ImageNet Large Scale Visual Recognition Challenge (ILSVRC) Bekannte Trainingsbilder Unbekannte Testbilder Automatische Erkennung von 1000 verschiedenen Objektklassen CC0 9
10 Ergebnisse der ILSVRC Fehlerrate Verbesserung zum Vorjahr 30,00% 50,00% 25,00% 45,00% 40,00% 20,00% 15,00% 35,00% 30,00% 25,00% 10,00% 5,00% Menschliche Leistung* 20,00% 15,00% 10,00% 5,00% 0,00% ,00% *O. Russakovsky et al. Imagenet large scale visual recognition challenge, arxiv: ,
11 Ergebnisse der ILSVRC Fehlerrate Verbesserung zum Vorjahr 30,00% 50,00% 25,00% 45,00% 40,00% 20,00% 15,00% 35,00% 30,00% 25,00% 10,00% 5,00% Menschliche Leistung* 20,00% 15,00% 10,00% 5,00% 0,00% ,00% *O. Russakovsky et al. Imagenet large scale visual recognition challenge, arxiv: , 2014 Deep Learning 11
12 Entwicklung Neuronaler Netze
13 Entwicklung Neuronaler Netze
14 Entwicklung Neuronaler Netze
15 Ausbaustufen der Künstlichen Intelligenz
16 Begriffsübersicht Künstliche Intelligenz 16
17 Begriffsübersicht Wahrnehmung Künstliche Intelligenz 17
18 Begriffsübersicht Wahrnehmung Künstliche Intelligenz Maschinelles Lernen Expertensysteme 18
19 Begriffsübersicht Wahrnehmung Künstliche Intelligenz Maschinelles Lernen Deep Learning / Neuronale Netze Expertensysteme 19
20 Ausbaustufen der Künstlichen Intelligenz Wahrnehmung
21 Expertensystem Kennzahlen- Berechnung Kennzahlen- Bewertung 21
22 Expertensystem Know-How des Experten als Regeln in Programm-Code Sehr statisch Hauptsächlich Abdeckung von Standardfällen Bedachte Fälle werden erkannt, wie erwartet Hohe Nachvollziehbarkeit des Systems per Definition 22
23 Training bei Maschinellem Lernen 23
24 Training bei Maschinellem Lernen 24
25 Training bei Maschinellem Lernen 25
26 Training bei Maschinellem Lernen 26
27 Training bei Maschinellem Lernen 27
28 Training bei Maschinellem Lernen 28
29 Training bei Maschinellem Lernen Verbesserung des Verfahrens 29
30 Training bei Maschinellem Lernen Verbesserung des Verfahrens 30
31 Klassische Mustererkennung Kennzahlen- Berechnung Kennzahlen- Bewertung 31
32 Klassische Mustererkennung Kennzahlen meist statisch, Interpretation dynamisch Gute Generalisierung Kennzahlen meist komplex Gute Nachvollziehbarkeit mit entsprechendem Know-How 32
33 Deep Learning Kennzahlen- Berechnung Kennzahlen- Bewertung 33
34 Deep Learning Dynamisch Gute Generalisierung (bei entsprechender Datenmenge) Aktuell beste Ergebnisse bei vielen prominenten Problemstellungen Niedrige bis keine Nachvollziehbarkeit 34
35 Direkter Vergleich Expertensystem Klassische Mustererkennung Genauigkeit Deep Learning CC0 CC0 CC0 35
36 Direkter Vergleich Expertensystem Klassische Mustererkennung Genauigkeit Deep Learning CC0 CC0 CC0 36
37 Direkter Vergleich Expertensystem Klassische Mustererkennung Genauigkeit Deep Learning CC0 CC0 CC0 37
38 Einfluss der Daten
39 Genauigkeit in % Auswirkung der Datenmenge Datenmenge in Anzahl an Instanzen Komplexerer Datensatz mit Neuronalen Netzen 39
40 Genauigkeit in % Auswirkung der Datenmenge Datenmenge in Anzahl an Instanzen Komplexerer Datensatz mit Neuronalen Netzen MNIST mit Neuronalen Netzen 40
41 Genauigkeit in % Auswirkung der Datenmenge Datenmenge in Anzahl an Instanzen Komplexerer Datensatz mit Neuronalen Netzen MNIST mit Neuronalen Netzen MNIST mit klassicher Mustererkennung 41
42 Auswirkung der Datenqualität Datensatz 1 Datensatz 2 Datensatz 3 Rohdaten Bereinigte Daten 42
43 Deep Learning in der Medizintechnik
44 egait als konkretes Beispiel Abgeschlossenes Forschungsprojekt (u.a. bei ASTRUM IT) Diagnoseunterstützung für Erkrankungen wie Parkinson Automatische Berechnung von Gangparametern Schrittlänge als ein wichtiger Parameter CC0 44
45 Verbesserung durch Deep Learning Absoluter Fehler der ermittelten Schrittlänge in cm Verbesserung um 36 % Klassischer Ansatz (2015) Deep Learning (2018) Rampp et al., IEEE Transactions on Biomedical Engineering, 2015 Hannink et al., IEEE Journal of Biomedical and Health Informatics,
46 Verbesserung durch Deep Learning Absoluter Fehler der ermittelten Schrittlänge in cm Verbesserung um 36 % Datenmenge/ -qualität? Klassischer Ansatz (2015) Deep Learning (2018) Rampp et al., IEEE Transactions on Biomedical Engineering, 2015 Hannink et al., IEEE Journal of Biomedical and Health Informatics,
47 Verbesserung durch Deep Learning Absoluter Fehler der ermittelten Schrittlänge in cm Verbesserung um 36 % Datenmenge/ -qualität? Klassischer Ansatz (2015) Deep Learning (2018) Rampp et al., IEEE Transactions on Biomedical Engineering, 2015 Hannink et al., IEEE Journal of Biomedical and Health Informatics,
48 Verbesserung durch Deep Learning Absoluter Fehler der ermittelten Schrittlänge in cm Verbesserung um 36 % Datenmenge/ -qualität? Nachvollziehbarkeit? Klassischer Ansatz (2015) Deep Learning (2018) Rampp et al., IEEE Transactions on Biomedical Engineering, 2015 Hannink et al., IEEE Journal of Biomedical and Health Informatics,
49 Produktivbeispiel: Haut-Screening SkinVision App zur Erkennung von Hautkrebs Automatisierte Risikokategorie pro Bild Hohes Risiko: Check eines Dermatologen Erinnerungsfunktion für nächsten Check CC0 CC0 49
50 Produktivbeispiel: Haut-Screening SkinVision App zur Erkennung von Hautkrebs Automatisierte Risikokategorie pro Bild Hohes Risiko: Check eines Dermatologen Erinnerungsfunktion für nächsten Check Datenmenge/ -qualität? CC0 CC0 50
51 Produktivbeispiel: Haut-Screening SkinVision App zur Erkennung von Hautkrebs Automatisierte Risikokategorie pro Bild Hohes Risiko: Check eines Dermatologen Erinnerungsfunktion für nächsten Check Genauigkeit für Melanomerkennung vergleichbar mit Hautarzt Datenmenge/ -qualität? CC0 CC0 51
52 Produktivbeispiel: Haut-Screening SkinVision App zur Erkennung von Hautkrebs Automatisierte Risikokategorie pro Bild Hohes Risiko: Check eines Dermatologen Erinnerungsfunktion für nächsten Check Genauigkeit für Melanomerkennung vergleichbar mit Hautarzt Nachvollziehbarkeit? Datenmenge/ -qualität? CC0 CC0 52
53 Produktivbeispiel: Haut-Screening SkinVision App zur Erkennung von Hautkrebs Automatisierte Risikokategorie pro Bild Hohes Risiko: Check eines Dermatologen Erinnerungsfunktion für nächsten Check Genauigkeit für Melanomerkennung vergleichbar mit Hautarzt Unterstützung anstatt Ersetzung Schlüsse werden nicht gezogen Nachvollziehbarkeit? Datenmenge/ -qualität? CC0 CC0 53
54 Validierung
55 Validierung von Maschinellem Lernen Handlungen Empfehlungen Messungen Hinweise auf interessante Daten 55
56 Validierung von Maschinellem Lernen Handlungen Bereich mit geringem Schadenspotential oder hohe Genauigkeit Empfehlungen Konservative Empfehlungen Messungen Verbesserung gegenüber Vergleichsmethode Hinweise auf interessante Daten Relevanzbewertung durch Menschen 56
57 Validierung von Maschinellem Lernen Handlungen Bereich mit geringem Schadenspotential oder hohe Genauigkeit Empfehlungen Konservative Empfehlungen Messungen Verbesserung gegenüber Vergleichsmethode Hinweise auf interessante Daten Relevanzbewertung durch Menschen 57
58 Validierung von Maschinellem Lernen 58
59 Validierung von Maschinellem Lernen Anderer, für das System unbekannter (!!!) Datensatz 59
60 Grenzen und Ausblick
61 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 61
62 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 62
63 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 63
64 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 64
65 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 65
66 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 66
67 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 67
68 Grenzen der KI Netz lernt, dass Winkelsumme in sehr vielen Dreiecken ~180 ist Das Warum wird nicht erkannt 68
69 Grenzen der KI Selbstständiger Transfer von gelerntem nicht möglich 69
70 Grenzen der KI Selbstständiger Transfer von gelerntem nicht möglich 70
71 Grenzen der KI - Out of Scope Selbstständiges Lernen 71
72 Grenzen der KI - Out of Scope Selbstständiges Lernen Schlüsse ziehen 72
73 Grenzen der KI - Out of Scope Selbstständiges Lernen Schlüsse ziehen Vollständig menschliches Verhalten 73
74 Grenzen der KI - Out of Scope Selbstständiges Lernen Schlüsse ziehen Vollständig menschliches Verhalten Eigenes Bewusstsein 74
75 Ideale Problemstellungen für KI Unterstützung der Menschen Verbesserung der Wahrnehmung Steigerung der Effizienz durch geeignete Vorschläge Hinweise auf interessante Daten Übernahme repetitiver Aufgaben Keine Ermüdung Höhere Genauigkeit Schaffung neuer Einsatzfelder für Menschen 75
76 Ausblick Heute Gute Ergebnisse in eng umgrenzten Anwendungen Komplexe Umsetzung Vereinzelte Anwendungen in bestimmten Fällen Morgen Nahtlose Integration in den Alltag Werkzeug für Standardprobleme Ausnutzen des vollen KI-Potentials 76
77 Fazit
78 Fazit Genauigkeit von KI-Lösungen ist abhängig von Problem Datenmenge Datenqualität Deep Learning bietet meistens die besten Ergebnisse bei Entsprechenden Datenmengen Kaum Nachvollziehbarkeit KI bestens geeignet zur Unterstützung, nicht zur Ersetzung von Menschen 78
79 hank ou! power point template designed by Showeet.com
Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, Thilo Stadelmann
Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, 20.10.2016 Thilo Stadelmann Was? Wie? Wohin? 1 Was ist passiert? (Eine kurze Geschichte der letzten Monate) 2 3 4 5 6 7 Generierte Sprache
MehrEFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrJahrestagung Thomas Langkabel National Technology Officer
Jahrestagung 2017 Thomas Langkabel National Technology Officer Microsoft Deutschland @tlangkabel @MS_PublicSector Hallo, ich bin Cortana Künstliche Intelligenz unterstützt menschliche Fähigkeiten An was
MehrDer Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche
Der Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche Photo by Bence Boros on Unsplash AGENDA Über uns Begrifflichkeiten: Machine Learning, KI & Cognitive Search
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
Mehrelaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten?
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten? Wolfgang Beinhauer Fraunhofer IAO Seite 1 Mensch oder Maschine? Der Turing-Test (Alan
MehrExpertensysteme / XPS
Expertensysteme / XPS Alexander Pentzlin und Thiemo Bannasch KI II Claes Neuefeind 27.06.2012 1 Inhalt Was ist ein Expertensystem Geschichtlicher Hintergrund Prinzip eines XPS Komponenten Realisierungsprinzipien
MehrAutonomes Fahren und KI
Autonomes Fahren und KI Kann eine autonom steuernde KI den normal reagierenden menschlichen Fahrer sicher ersetzen/übertreffen? Marco-Marcel Pechtold 19. Januar 2018 Inhaltsverzeichnis 1 Einleitung 2 2
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrDer erfolgreiche Einsatz von ehealth-tools in der BGF
Der erfolgreiche Einsatz von ehealth-tools in der BGF Vorschlag für Implementation und Leitfaden Universität Graz, Institut für Psychologie 3. Dreiländertagung Betriebliche Gesundheitsförderung 2018 «Gesunde
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrOberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik
Oberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik 26.10.2016 Gliederung Gesten für Mensch-Maschine Interaktion Anwendungsszenario Interaktive Projektionssitzkiste Herausforderungen Lösungsansatz
MehrFaltungsnetzwerke. (Convolutional Neural Networks) Maximilian Schmidt. Faltungsnetzwerke
(Convolutional Neural Networks) Maximilian Schmidt 1 Inhalt Deconvolution ConvNet Architektur History Convolution layer Layers ReLu layer Pooling layer Beispiele Feature Engineering 2 Das Ziel Klassifizierung
MehrDreidimensionale Objektklassifizierung mithilfe der Convolutional Neuronal Networks. Master Grundseminar WiSe 2014/2015 Victoria Bibaeva
Dreidimensionale Objektklassifizierung mithilfe der Convolutional Neuronal Networks Master Grundseminar WiSe 2014/2015 Victoria Bibaeva Inhalte Einführung Convolutional Neuronal Networks (Faltungsnetzwerke)
MehrDr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich
Dr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich Künstliche Intelligenz vs. menschliche Kompetenz: Wie wir im Umgang mit künstlicher Intelligenz scheitern können/werden? Economist-Studie
MehrCybercrime in Social Media Wo lauern die Gefahren, wer schützt mich?
MADKON18 #cybersecurity Cybercrime in Social Media Wo lauern die Gefahren, wer schützt mich? KHK in Antje Marschall / K 35 - Polizeipräsidium Frankfurt am Main PHK André Karsten / Pressestelle - Polizeipräsidium
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrINTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken
INTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken BMBF-Innovationsforum Zivile Sicherheit Berlin Megatrends verändern das Arbeitsumfeld für Analysten (1/2)
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrMit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH
Mit Chatbots den Service Desk optimieren Michael Kuschke, Materna GmbH Inhalte. Hype-Themen Artificial Intelligence, Cognitive Computing, Machine Learning und Chatbot Chatbot Was ist das? Wo braucht man
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrMachinelles Lernen. «Eine kleine Einführung» BSI Business Systems Integration AG
Machinelles Lernen «Eine kleine Einführung» @ZimMatthias Matthias Zimmermann BSI Business Systems Integration AG «Welcher Unterschied besteht zum Deep Blue Schachcomputer vor 20 Jahren?» AlphaGo Hardware
MehrZERO.ONE.DATA Die Bahn, ein agiler Tanker im Digitalisierungszeitalter. Gudio van Husen, Christopher Muth DB Systel GmbH Hanau
ZERO.ONE.DATA Die Bahn, ein agiler Tanker im Digitalisierungszeitalter Gudio van Husen, Christopher Muth DB Systel GmbH Hanau 28.02.2018 Foto: DB Systel DB Systel GmbH Die Digitalisierung der Bahn erfolgreich
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrHOT TOPICS IN CYBERSECURITY
HOT TOPICS IN CYBERSECURITY Claudia Eckert, TU München und Fraunhofer AISEC Sprecherin der Themenplattform Cybersicherheit im ZD.B Industrial Hardware Embedded Cloud Automotive Evaluation Secure System
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Einführungsveranstaltung
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation. Literatur. Inhalt und Ziele der Vorlesung. Beispiele aus der Praxis. 2 Organisation Vorlesung/Übung + Projektarbeit.
MehrCloud-based Real Time ADL Recognition Using Wearable Devices. Robert Baldauf
Cloud-based Real Time ADL Recognition Using Wearable Devices Robert Baldauf Grundlagen ADL Recognition Offline ADL Recognition Cloud-based ADL Recognition Ergebnisse Diskussion & Ausblick Robert Baldauf
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrTeil II: Einstieg in Expertensysteme
Teil II: Einstieg in Expertensysteme Begriffsbestimmung: Was sind wissensbasierte Systeme? Die beiden Begriffe Expertensystem und wissensbasiertes System werden weitgehend synonym verwendet für Softwaresysteme,
MehrImage: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen
Image: https://pixabay.com/de/netz-netzwerk-programmierung-3706562/ (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrNeue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung
Neue Trends und neue Möglichkeiten der datengetriebenen Versorgungsforschung Hamburg 16.11.2016 Nmedia Fotolia Fraunhofer-Institut für Intelligente Analyseund Informationssysteme Fraunhofer IAIS - Wir
MehrIndustrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie
Industrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie Stefan Saul, Leiter Produktmanagement Service Repair Preventive Maintenance Spare Parts Predictive Maintenance
MehrGeovisualisierung: Wie aus Daten Informationen werden. Doris Dransch Helmholtz Zentrum Potsdam Deutsches GeoForschungsZentrum (GFZ)
Geovisualisierung: Wie aus Daten Informationen werden Doris Dransch Helmholtz Zentrum Potsdam Deutsches GeoForschungsZentrum (GFZ) Agenda Situation in den Geowissenschaften Geovisualisierung und Visual
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
MehrKapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017
10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrArtificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
MehrStatistische Kodierprüfung mit Casematch. Tim Peter Geschäftsführer eonum AG
Statistische Kodierprüfung mit Casematch Tim Peter Geschäftsführer eonum AG Übersicht Wie funktioniert statistische Kodierprüfung? Vergleich statistische Prüfung vs. regelbasierte Prüfung? Kodierprüfung
MehrSusanne Greiner, Data Scientist, Würth Phoenix. Würth Phoenix more than software
USER GROUP 2018 Von der Datenaufnahme zur Datenanalyse Das Performance Monitoring von morgen: Einfluss von User Experience, Anomaly Detection, Deep Learning Susanne Greiner, Data Scientist, Würth Phoenix
MehrBertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, 18.05.2017, Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0 Agenda Grundlagen Machine
MehrMicrosoft Teams um smarte Bots erweitern
Michael König michael@hatahet.eu Nahed Hatahet nahed@hatahet.eu Microsoft Teams um smarte Bots erweitern MICROSOFT TEAMS >> Chatbasierende Zusammenarbeit
MehrWer soll richten: Mensch oder Maschine? Ein konstruktiver Ansatz. Prof. Dr. K.A. Zweig TU Kaiserslautern Algorithm Accountability
Wer soll richten: Mensch oder Maschine? Ein konstruktiver Ansatz Prof. Dr. K.A. Zweig TU Kaiserslautern Algorithm Accountability Lab @nettwerkerin Konstituierende Sitzung der Enquete-Kommission Künstliche
MehrTUD Computer Poker Challenge
TUD Computer Poker Challenge The Challenge of Poker Björn Heidenreich 31. März 2008 The Challenge of Poker Björn Heidenreich 1 Anforderungen an einen guten Poker-Spieler Hand Strength Hand Potential Bluffing
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
MehrNamed Entity Recognition
Named Entity Recognition Janos Borst 13. November 2017 forum sachsen digital Beispiel (Zeitungsberichte) Händler sind künftig verpflichtet, Geräte, die kleiner sind als 25 Zentimeter etwa Handys, Computer,
MehrEntscheider-Zyklus 2019 THEMA: Marktplatz für KI-Anwendungen. Standardbasierte Verknüpfung eines klinischen Netzwerks mit Service-Angeboten
Entscheider-Zyklus 2019 THEMA: Marktplatz für KI-Anwendungen Standardbasierte Verknüpfung eines klinischen Netzwerks mit Service-Angeboten 2019 13.- 14.02.2019 Entscheider-Event im Industrie-Club Düsseldorf
MehrNamed Entity Recognition auf Basis von Wortlisten
Named Entity Recognition auf Basis von Wortlisten EDM SS 2017 Lukas Abegg & Tom Schilling Named Entity Recognition auf Basis von Wortlisten Lukas Abegg - Humboldt Universität zu Berlin Tom Schilling -
MehrSeminarvortrag. Entscheidungsunterstützung durch KI Systeme
Seminarvortrag Entscheidungsunterstützung durch KI Systeme R E N E D R A L L E 03. 0 5. 20 1 8 K R E AT I V I TÄT U N D T E C H N I K S S 1 8 G R A E B E Inhalt Was ist Künstliche Intelligenz? Künstliche
MehrProduktdatenmanagement. mit KI. Onedot AG Zürich, Dezember 2018
Produktdatenmanagement mit KI Onedot AG Zürich, Dezember 2018 Herausforderungen Mit was für Herausforderungen kämpfen Sie im Bereich Produktdaten? 1) Onboarding Lieferanten 6) Anpassungen Produktdatenmodell
MehrKünstliche Intelligenz Marktpotential im Billionen Dollar Bereich 1. Alphabet
1. Alphabet Die Google Mutter ist aufgrund diverser Zukäufe in der Entwicklung neuer Algorithmen führend. Schon im Jahr 2014 hat Alphabet für 600 Millionen US Dollar DeepMind übernommen, ein Unternehmen,
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
MehrAudio Intelligence.ai
Audio Intelligence.ai Emotionale künstliche Intelligenz Next Generation Audio-KI in Diagnostik und Therapie CEO & Co-Founder, audeering Digital Health Conference, 20. September 2018 1 Was wir mit Audio
MehrMICROSOFT SQL ASSESSMENTS. Von Axians IT Solutions
MICROSOFT SQL ASSESSMENTS Von Axians IT Solutions 1 UNSER ANGEBOT: SQL ASSESSMENTS Microsoft SQL Server sind das Herzstück Ihrer Datenanalyse. Ausfälle oder Performance Probleme sind für Sie geschäftskritisch
MehrEinfluss externer multipler und dynamischer Repräsentationen auf Schülerargumentationen
Einfluss externer multipler und dynamischer Repräsentationen auf Schülerargumentationen 11.03.2014 Andreas Bauer Tagung der Gesellschaft für Didaktik der Mathematik in Koblenz Was ist eine Repräsentation?
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Nehmen Roboter uns die Arbeit weg? Das komplette Material finden Sie hier:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Nehmen Roboter uns die Arbeit weg? Das komplette Material finden Sie hier: School-Scout.de Auswirkungen auf den Arbeitsmarkt Die neuen
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrLehrstuhl für Wirtschaftsinformatik im Dienstleistungsbereich
WI 2013, Leipzig, Deutschland Automatische Rekonstruktion eines 3D Körpermodells aus Kinect Sensordaten, Jochen Süßmuth, Freimut Bodendorf Agenda Motivation Methode Ausblick 2 Problemstellung Onlineshopping
MehrKünstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX
Künstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX Künstliche Intelligenz Was ist Künstliche Intelligenz? KI und der Mensch: Miteinander oder Gegeneinander?
MehrVerbesserung der PatientInnensicherheit durch ein Risikomanagement für medizinische IT-Netzwerke
UMIT Private Universität für Gesundheitswissenschaften, Medizinische Informatik und Technik Institut für Medizinische Informatik Verbesserung der PatientInnensicherheit durch ein Risikomanagement für medizinische
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Automatische Gesichtserkennung Dominikus Baur Gesichtserkennung in MPEG-7 MPEG-7 bietet Face Descriptor zur Beschreibung von Gesichtern Im Folgenden:
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrNationale KI-Strategien in EU und USA: Wie positioniert sich die KI-Enquete?
Nationale KI-Strategien in EU und USA: Wie positioniert sich die KI-Enquete? Dr. Stefan Heumann Mitglied des Vorstands, Stiftung Neue Verantwortung Email: sheumann@stiftung-nv.de Twitter: @St_Heumann Think
MehrComputer Science meets Philosophy the Future of AI
Computer Science meets Philosophy the Future of AI Seminar im Sommersemester 2017 Vorbesprechung, 27.04.2017 INSTITUT FÜR THEORETISCHE INFORMATIK & INSTITUT FÜR PHILOSOPHIE Superintelligence cover, CC-BY-SA
MehrEntwicklung einer Anwendung für die Microsoft HoloLens
Entwicklung einer Anwendung für die Microsoft HoloLens Lehrstuhl für Eingebettete Systeme der Informationstechnik (ESIT) Entwicklung einer Anwendung für die Microsoft HoloLens Betreuer: Florian Fricke
MehrIhre Sortimentsspezialisten
Ihre Sortimentsspezialisten Agenda mirapodo Vision Unsere Kunden Umsätze und Entwicklung Partnerprogramm bei mirapodo mirapodo Vision: Erste Wahl für Schuhe Kunden Bester Platz, um Schuhe zu kaufen Partner
MehrFachtagung Stammdatenmanagement
it Persönliche Einladung 9. Mai 2017, AMANO Rooftop Conference, Rosenthaler Straße 63/64, 10119 Berlin Fachtagung Stammdatenmanagement Erfolgsfaktor für verbesserte Prozesse und Unternehmenssteuerung 9.
MehrRecommendation Engine. Systeme aus besten Händen. SAP. E-Business. IT-Services. Sales & BI Systems
Recommendation Engine Erhöhung des Umsatzes und der Conversion Rate durch personalisierte Produktvorschläge Setzen Sie auf Spitzentechnologie vom Marktführer! Klassische Produktempfehlungen sind heute
MehrWahlpflichtfach Informatik
Wahlpflichtfach Informatik Dipl.-Ing. Michael NIEDERLE Klassen: 6C, 7AB 3-jährig (1 Doppelstunde pro Jahr); maturabel Was vor wenigen Jahren noch Sciene Fiction war, ist heute Realität. So entwickelt z.b.
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrDigitale Implantate Steuerung, Programmierung und Monitoring über die Cloud ETHICS AND CYBERSECURITY IN HEALTH CARE
Digitale Implantate Steuerung, Programmierung und Monitoring über die Cloud ETHICS AND CYBERSECURITY IN HEALTH CARE Über uns www.tuomi.eu Seit 1998 IT und Internet Services Seit 2000 Beratung im Bereich
MehrNeue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1 Worum geht es? 2 Worum geht es? Jolanda Jan Bilderbuch 3 Worum
MehrPROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT. Tanja Krüger,
PROGNOS ANALYTICS KÜNSTLICHE INTELLIGENZ IN ECHTZEIT Tanja Krüger, 04.05.2017 STECKBRIEF RESOLTO Gründung 2003 Geschäftsführende Gesellschafterin: Fokus: Mitarbeiter: Skalierung: Tanja Krüger Advanced
MehrUmfragekodierung mittels künstlicher Intelligenz. Maurice Gonzenbach, Caplena, Zürich,
Umfragekodierung mittels künstlicher Intelligenz Maurice Gonzenbach, Caplena, Zürich, 22.3.2018 Agenda 1. Problemstellung: Kodieren 2. Ansätze 3. Technischer Exkurs: KI und Kontext 4. Resultate & Anwendungen
MehrWatson Services on Bluemix Workshop
Watson Services on Bluemix Workshop Beate Melcher Klaus-Peter Schlotter Urs Witzig IBM Business Partner Solution Hub Agenda 09:00-09:45 Welcome and IBM Watson Overview 09:45-10:10 Watson Services 1/2 10:10
MehrEntwicklung und Einsatz von Expertensystemen
Karl Kurbel Entwicklung und Einsatz von Expertensystemen Eine anwendungsorientierte Einführung in wissensbasierte Systeme Mit 46 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo
MehrÜber Kontrolle und Gestaltbarkeit künstlicher Intelligenz
Über Kontrolle und Gestaltbarkeit künstlicher Intelligenz Prof. Dr. Katharina A. Zweig Algorithm Accountability Lab TU Kaiserslautern Wer von Ihnen ist heute schon künstlich intelligent? Digitale Assistenten
MehrWissensmanagement, Kompetenzmanagement und Modelltheorie
Bernhard Mayr Wissensmanagement, Kompetenzmanagement und Modelltheorie Ein Integrationsansatz zum erfolgreichen Transfer von Expertise in betrieblichen Abläufen Diplomica Verlag GmbH 1 EINLEITUNG UND MOTIVATION
MehrOptimierung des Abrechnungs- und. durch die automatisierte Kodierung. Entscheider-Event, 11.Feb.2015, Düsseldorf
Optimierung des Abrechnungs- und Dokumentationsprozesses durch die automatisierte Kodierung Entscheider-Event, 11.Feb.2015, Düsseldorf Krankenhaus-Erfolg durch optimalen IT-Einsatz www.entscheiderfabrik.com
MehrMaschinelles Lernen: Symbolische Ansätze
Semestralklausur zur Vorlesung Maschinelles Lernen: Symbolische Ansätze Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2005/06 Termin: 23. 2. 2006 Name: Vorname: Matrikelnummer:
MehrCIM Workshop Herausforderungen im Alltag des Netzbetreibers in Übertragung und Verteilung - Was müsste sich ändern? DRW-S
CIM Workshop Herausforderungen im Alltag des Netzbetreibers in Übertragung und Verteilung - Was müsste sich ändern? DRW-S 14.10.2015 SEITE 1 IT-Systemlandschaft der Energiewirtschaft Heute Morgen Quelle:
MehrContext-awareComputing
Context-awareComputing Ralph Löwe Hochschule München, Competence Center Wirtschaftsinformatik Gliederung 1. Einleitung 2. Context-awareComputing 3. Konzepte 4. Bewertung 5. Fazit und Ausblick 6. Literatur
MehrAnalytics Der Weg zu datengetriebenen Geschäftsprozessen
Analytics Der Weg zu datengetriebenen Geschäftsprozessen Dr.-Ing. Philipp Gölzer 1 Ziel der Digitalisierung ist die Realisierung datengetriebener Geschäfts-/Entscheidungsprozesse Ziele Höhere Qualität
MehrIntelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
MehrRealtime-Risikomanagement durch High Performance Technologien
make connections share ideas be inspired Realtime-Risikomanagement durch High Performance Technologien Von der Batch-Verarbeitung zur Realtime-Entscheidung Matthias Piston, SAS Das Ende der Batch-Nacht
MehrKI in Kommunikation & PR. #kk18 Berlin
KI in Kommunikation & PR #kk18 Berlin 2 Quelle: FAZ, 2018 Einsatz von KI-Technologien in der Wirtschaft Roboter-Prozess-Automation Statisches Maschinelles Lernen Natural Language Processing Experten-Systeme
MehrAUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM
AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK
MehrSpecmate Auf Knopfdruck von Anforderungen zu Tests
Specmate Auf Knopfdruck von Anforderungen zu Tests Dr. Maximilian Junker at a Glance We are experts for: High quality RE & tests High quality methodology (e.g. MBSE) We offer: Audits & Continuous Quality
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrVISION. Wirtschaftsprüfung 2.0 Digitalisierung ein Hype oder Mehrwert? Christian Zanettin Keel + Partner AG digital native und Revisionsexperte
Wirtschaftsprüfung 2.0 Digitalisierung ein Hype oder Mehrwert? Christian Zanettin Keel + Partner AG digital native und Revisionsexperte VISION In Zukunft wird der Wirtschaftsprüfer dank Intelligenter Software
MehrComputergestützte Freizeitplanung basierend auf Points of Interest
Computergestützte Freizeitplanung basierend auf Points of Interest Peter Bücker & Ugur Macit {peter.buecker,ugur.macit}@uni-duesseldorf.de Institut für Sprache und Information Abteilung für Informationswissenschaft
Mehr