IMPULSVORTRAG KÜNSTLICHE INTELLIGENZ & HELMHOLTZ

Transkript

1 IMPULSVORTRAG KÜNSTLICHE INTELLIGENZ & HELMHOLTZ PROF. DR. ING. MORRIS RIEDEL, JUELICH SUPERCOMPUTING CENTRE (JSC) / UNIVERSITY OF ICELAND GRUPPENLEITER HIGH PRODUCTIVITY DATA PROCESSING & CROSS-SECTIONAL TEAM DEEP LEARNING , ENQUETE-KOMMISSION KÜNSTLICHE INTELLIGENZ DES DEUTSCHEN BUNDESTAGES, BERLIN

2 EINORDNUNG Künstliche Intelligenz im Kontext Künstliche Intelligenz (KI) Ein sehr breites Feld mit Techniken und Werkzeugen die Computern erlauben das menschliche Verhalten nachzuahmen Maschinelles Lernen Künstliche Intelligenz Big Data Maschinelles Lernen (ML) Lernen aus Daten ohne explizit ein Programm aus üblichen Programmiersprachen zu haben Deep Learning (DL) Komplexe Systeme mit der Fähigkeit die zugrundeliegenden Merkmale in Daten zu lernen Gesellschaft, Staat und Wirtschaft High Performance Computing Quantum Computing DEEP Learning

3 KOMPLEXE ZUSAMMENHÄNGE Herausforderungen für Gesellschaft, Staat und Wirtschaft Lernmodell Richtigkeit (engl. Accuracy ) kleine Datensätze Manuelles Feature Engineering ändert hier die Ordnung (Parallele Nutzung einer Vielzahl von GPUs = Graphical Processing Units) Random Forests SVMs Große Deep Learning Netzwerke Medium Deep Learning Network Kleine Neuronale Netze Traditionelle Lernmodelle MatLab Statistical Computing with R scikit-learn Zeit zur Verarbeitung Weka Octave High Performance Computing & Cloud Computing Volumen der Datensätze Big Data [7] Seite 3

4 DER RICHTIGE ZEITPUNKT Chancen für Gesellschaft, Staat und Wirtschaft Warum Jetzt? 1952 Stochastic Gradient Descent Optimierungsprobleme lösen Perceptron Lernmodell Lernende Gewichte 1985 Backpropagation der Fehler Ansatz im Lernen Künstliche Neuronale Netze 2019 Deep Convolutional Neural Networks Deutliche Verbesserung in der Bilderkennung Enorme Chancen durch Deep Learning Big Data Große Datenmengen Leichter Zugang Mehr Speicher Hardware Mehr Memory Graphical Processing Units (GPUs) HPC & Parallele Systeme [3] NVIDIA Software Skalierende Datenanalyse Neue Lernmodelle Open Source & Freie Software Pakete [1] Keras [2] TensorFlow [4] soccerwatch.tv Kombination: Start-up Beispiel aus Forschungsgruppe Seite 4

5 INTERDISZIPLINÄRE NETZWERKE Beispiel HAICU im Einklang mit Neuartigen HPC Technologien Local HLST HAICU YIG 4 [6] DEEP Projects [5] HAICU Modular Supercomputing Local HLST HAICU YIG 3 Local HLST HAICU YIG 5 FUTURE QUANTUM MODULE Local HLST HAICU YIG 2 Local HLST HAICU YIG 1 Gesundheit Materie Energie D-Wave Schlüsseltechnologien Luftfahrt, Raumfahrt und Verkehr Interdisziplinäre Netzwerke sind wichtig zur Schaffung von Momentum und Technologietransfer als Brücke zu neuartigen Technologien (Beispiel GPGPUs & Quantum Computing) Erde & Umwelt

6 STRATEGIEN & FORSCHUNGSSTAND Umsetzungsbeispiele Wir stehen erst am Anfang in wichtigen Feldern Beispiel Medizin Im internationalen KI Wettbewerb müssen wir noch viel tun [8] Nationale Strategie KI Datenschutz Grundverordnung (DSGVO) ist wichtig aber verfügbare Daten sind Kern von KI und werden zu Forschungszwecken in Wissenschaft & Industrie dringend benötigt um neue Durchbrüche zu erzielen [9] Alfred Winter, A. Schuppert, M. Riedel et al., Journal of Methods of Information in Medicine, 2018 [10] patientslikeme Web page [11] Research Data Alliance Seite 6

7 KI FORSCHUNG & UMSETZUNG Im Vergleich zu anderen Ländern Beispiel Stationärer Einzelhandel & KI Experten Work & Life ON4OFF [12] Retail Analytics Beispiel: Bedeutung von KI als Einfluss auf Menschen Bewertungen [14] Amazon 4-Star Shop [15] DeepMind AlphaFold [16] Life at Google Mehr Forschung & Umsetzung der KI für den stationären Einzelhandel nötig: Deutschland ca. 10 Jahre hinter USA & ca. 20 Jahre hinter China [13] Prof. G. Heinemann Buch Beispiel: Bedeutung von KI Experten Teams & Work/Life Seite 7

8 REFERENZEN Seite 8

9 REFERENZEN (1) [1] Keras Python High-Level Deep Learning Library, Online: [2] TensorFlow Python Low-Level Deep learning Library, Online: [3] NVIDIA Web Page, Online: [4] Deep Learning Start-Up Beispiel Deutschland, Online: [5] Helmholtz Artficial Intelligence Cooperation Unit, Online: [6] Deep Projects, Online: [7] Big Data Tips Big Data Mining & Machine Learning, Online: [8] National Strategie für Künstliche Intelligenz, Online: Seite 9

10 REFERENZEN (2) [9] Alfred Winter, A. Schuppert, M. Riedel et al., Smart Medical Information Technology for Healthcare (SMITH) Data Integration based on Interoperability Standards, Journal of Methods of Information in Medicine, 57 (S 01), e92-e105, 2018 [10] Patients Like Me Web Page, Online: [11] Research Data Alliance (RDA) Interest Group Big Data - Web Page, Online: [12] Retail Analytics Beispiel ON4OFF Project, Online: [13] Gerrit Heinemann, Die Neuerfindung des stationären Einzelhandels: Kundenzentralität und ultimative Usability für Stadt und Handel der Zukunft, Online: [14] Amazon 4 Star Store, Online: [15] DeepMind AlphaFold, Online: [16] Life at Google, Online: Seite 10

11 DANKSAGUNGEN Vorherige & Momentane Angehörige der Forschungsgruppen Finished PHD in 2016 Finishing in Spring 2019 Finishing in Spring 2019 Mid-Term in Spring 2019 Starting in Spring 2018 Starting in Spring 2018 Starting in Spring 2018 PD Dr. G. Cavallaro Senior PhD Student A.S. Memon Senior PhD Student M.S. Memon PhD Student E. Erlingsson PhD Student S. Bakarat PhD Student A. Pálsson PhD Student R. Sedona Finished PHD in 2018 Thesis Completed Thesis Completed DEEP Learning Startup Dr. M. Goetz (now KIT) MSc M. Richerzhagen (now other division) MSc P. Glock (now INM-1) MSc C. Bodenstein (now Soccerwatch.tv) MSc Student G.S. Guðmundsson (Landsverkjun) This research group has received funding from the European Union's Horizon 2020 research and innovation programme under grant agreement No (DEEP-EST EU Project) Seite 11

12 VIELEN DANK FÜR IHRE AUFMERKSAMKEIT Folien sind verfügbar auf