Deep Learning im gesellschaftlichen Kontext. Grundseminar WS18 Jerom Schult

Transkript

1 Deep Learning im gesellschaftlichen Kontext Grndseminar WS18 Jerom Schlt

2 Gliederng Motivation Reinforcement Learning mit KNN Deep Learning in der Gesellschaft Asblick Masterstdim Konferenzen

3 Motivation

4 Motivation Relevanz von Deep Learning wächst kontinierlich Selbstfahrende Atos, Krankheitsdiagnosen, Übersetzng Bewsstsein über Risiken schwach asgeprägt Schbegriff Machine Learning [1]

5 Motivation Spiele als Abstraktion der Realität DeepMind Go & Hman-Level control throgh deep reinforcement learning Lösng einer Reihe klassischer Atari-Spiele Allgemeines Modell Kein Domänenwissen

6 Erfolge DeepMind Atari Games [2]

7 Reinforcement Learning mit KNN

8 Reinforcement Learning mit KNN Agent & Umgebng Training direkt af Problemdomäne Wechselwirkng Agent & Umgebng Agent lernt as Erfahrngen [10]

9 Reinforcement Learning mit KNN Q Learning Grndlage Q Learning mit Tabelle Schon 1998 bekannt (Stton. Barto) Update Approximationsfnktion Q nach jedem Schritt Abhängig von Belohnng [10]

10 Reinforcement Learning mit KNN Deep Q Learning KNN ermöglichen große Zstandsräme Atari Spiele in Tabelle nicht abbildbar Grndlage für Erfolg von DeepMind Paper Update des Modells Kostenfnktion mit Target nd akteller Bewertng [2]

11 Reinforcement Learning mit KNN Memory Replay Verbesserng der Stabilität Pool an Erfahrngen <s, a, r, s > Updates af Sample-Batch nach jedem Schritt

12 Reinforcement Learning mit KNN Memory Replay

13 [2]

14 Reinforcement Learning mit KNN - Probleme Stabilität Featres & -extraktion Nachvollziehbarkeit Instabilität von Deep Q Learning [2]

15 Deep Learning in der Gesellschaft

16 Deep Learning in der Gesellschaft KI-Strategie der Bndesregierng [3] Unterstützng Forschng nd Entwicklng Konkrrenz z Silicon Vallex Social Score in China [4], Schfa in Detschland [5] OpenSchfa zeigt: Reverse Engineering nicht einfach Diskriminierng in Datenaswahl, Featreextraktion? Nachvolziehbarkeit?

17 Deep Learning in der Gesellschaft Risk Classification von Angeklagten in USA [6] Sicherheitsverwahrng abhängig von Risk Score Dnkelhätige Personen höherer Score Abhängig von Statistischen Vorgaben für Algorithms Selbstfahrende Atos Nachvollziehbarkeit Instabilität

18 Asblick Masterstdim

19 Asblick Masterstdim Deep Learning Theoretisch Starker Foks af Mathematische Modelle Deep Learning Angewandt Spannende Anwendngsfelder Lösngen nicht erklärbar, mit Vorsicht z genießen Explainable AI STS Science & Technology Stdies

20 Konferenzen

21 Konferenzen ACM SIGKDD [7] International Conference on Knowledge discovery and data mining NIPS [8] Neral Information Processing Systems HIIG [9] Hmboldt Institt für Internet nd Gesellschaft

22 Literatrverzeichnis [1] ACM Digital Library (Schbegriff Machine Learning ), [2] Mnih.a. Hman-Level control throgh deep reinforcement learning. In: Natre 518 (2015), [3] Bndesregierng DE, Eckpnkte der Bndesregierng f r eine Strategie K nstliche Intelligenz (2018), blob=pblicationfile&v=10, [4] Felix Lee, Die AAA-Bürger (2018), [5] AlgorithWatch, Open Schfa warm wir diese Kampagne machen (2018),

23 Literatrverzeichnis [6] Sam Corbett-Davies, Emma Pierson, Avi Feller, Sharad Goel, Aziz Hq, Algorithmic decision making and the cost of fairness (2017), [7] ACM SIGKDD - International Conference on Knowledge discovery and data mining, [8] NIPS Conference on Neral Information Procesing Systems, [9] HIIG Hmboldt Institt für Internet nd Gesellschaft, [10] Stton. Barto, Reinforcement Learning: An Introdction. MIT Press, 1998

24 Deep Learning im gesellschaftlichen Kontext Grndseminar WS18 Jerom Schlt