Artificial Intelligence. Deep Learning Neuronale Netze

Transkript

1 Artificial Intelligence Deep Learning Neuronale Netze

2 REVOLUTION

3 Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden in der künstlichen Intelligenz mit neuronalen Netzen sogen für den lang erhofften Durchbruch in der Bilderkennung, der Sprachverarbeitung oder auch der Business-Intelligenz. Deep Learning wird die Welt grundlegend verändern: sie lässt Autos selbstständig fahren, erkennt Personen auf Bildern oder sorgt dafür, dass Youtube geschützte Musiktitel in Videos aufspürt. Klassischerweise wird für jede Problemstellung ein spezieller Algorithmus benötigt; er löst eine Problematik mit der vom Programmierer hinterlegten Struktur. Anders beim Deep Learning: immer derselbe Algorithmus erlernt an Hand tausenden Beispielen, ein Problem zu lösen. Aussagekräftige Datenmengen big data sind die Grundlage, mit der neuronale Netze angelernt werden. Damit lassen sich nach der Lernphase Probleme lösen, deren Lösungsstruktur man bislang nicht kennt.

4 Funktionsweise Künstliche neuronale Netze lernen ähnlich unserem Gehirn Probleme zu lösen. In künstlichen neuronalen Netzen entsprechen die Knoten (in der Darstellung unten Kreise) den Neuronen und die Kanten (Linien zwischen den Kreisen) den Synapsen unseres Gehirns. Das noch nicht angelernte neuronale Netz ist dumm, alle Knoten innerhalb des Netzes haben die gleiche Wertigkeit. 1 2 Um das neuronale Netz anlernen zu können werden Daten benötigt, zum Beispiel vier Kombinationen. Diese Kombinationen soll das Netz später erkennen können Lernphase Dem Netz werden nun die bekannten Daten gezeigt, das ungelernte Netz wird zufällig ein falsches oder richtiges Ergebnis anzeigen. schwächen bestärken Da bei den Testdaten bekannt ist, ob sie richtig oder falsch sind, kann das Ergebnis des Netzes bewertet werden. Hat das Netz ein falsches Ergebnis erzeugt, so werden die entsprechenden Knoten geschwächt. Ist das Ergebnis richtig, werden die Konten bestärkt. Mit jedem Lernschritt verändert sich das neutonale Netz. Die Lernphase ist beendet, wenn die Ergebnisse stabil sind. 1 2 Anwendungsphase 3 4 Die Erkennungsrate lässt sich bei komplexen Aufgaben wie der Bildanalyse mittels Deep Learning verbessern. Beim Deep Learning wird die Lösung in einzelnen Schritten erreicht, dabei stellt jeder Schritt eine Reduzierung der Komplexität dar.

5 Big Data Consulting Das größte Potenzial für den Einsatz künstlich intelligente Systeme schlummert in den Unternehmen selber. Es sind die Daten, die sich über Jahre angesammelt haben. Beispielsweise wurden in den letzten Jahren Tausende von Computertomographien angefertigt. Genau diese bestehenden Tomographien und deren Diagnosen stellen die Grundlage für automatische Diagnoseverfahren zur Verfügung. Deep Learning Lösungen Die Güte einer Lösung mittels neuronaler Netze hängt grundlegend von der Güte der Daten ab. Somit ist eine Problemlösung, die auf ihren Daten basiert, auch eine Lösung, die ihre Handschrift trägt. Wir entwickeln zusammen mit Ihnen Ihr individuelles neuronales Netzwerk. Mit diesem Netzwerk können Sie Prozesse in Ihrem Sinne verbessern und automatisieren. Seminare und Workshops Neuronale Netze und Deep Learning sind sehr neue Themen. Wir bieten Ihnen qualifizierte Schulungsmaßnahmen an, um sich selber in diesen Thematiken fit für die Zukunft zu machen. Wir bieten sowohl spezielle Seminare für den Entscheider an, in denen die Potenziale der neuen Technologie für Unternehmen aufgezeigt werden, als auch spezielle Workshops für Praktiker an, die später in Ihrem Unternehmen als Daten Scientists arbeiten.

6 Geräusch- & Sprach-Analyse Mittels neuronaler Netze lassen sich Geräusche und Sprache analysieren. Bei der Sprachanalyse wurden große Fortschritte gemacht. So kann Sprache auch in ungünstigen Umgebungen (Störgeräusche) sicher analysiert werden. Es muss nicht immer Sprache sein - auch das Geräusch einer Maschine kann analysiert werden. Das neuronale Netz kann feststellen, ob eine Maschine korrekt arbeitet, ähnlich wie ein guter Mechaniker am Geräusch des Motors den Fehler erkennt. Objekterkennung Neuronale Netze eignen sich bestens,um Bilder zu analysieren, um Strukturen oder Objekte in diesen Bildern zu erkennen. Damit eröffnen sich neue Möglichkeiten nicht nur im Bereich der Produktion oder der Sicherheit. Wichtig ist, damit das Netz eine Situation erlernen kann, dass hinreichend viele aussagekräftige Beispieldaten zur Verfügung stehen (Big Data).

7 Deep Learning in der Medizin Es geht um die zweite Meinung, um die Absicherung einer Diagnose. Mittels neuronaler Netze lassen sich Bilder, wie zum Beispiel Computertomografien, auf strukturelle Veränderungen im Gewebe analysieren. Damit wird es erstmals möglich, medizinische Diagnosen, die bislang nur der Mensch erstellen konnte, zu automatisieren. Data Mining Die Stärke neuronaler Netze liegt darin, Zusammenhänge zu erkennen, die bislang nicht sichtbar waren. Mit dem Wissen aus alten bekannten Sachverhalten (Aktion und Wirkung) wird ein neuronales Netz so trainiert, dass es in der Zukunft möglich ist, neue Situationen zu analysieren, um dann Aussagen über die Zukunft zu treffen. Diese Fähigkeit hat insbesondere im betriebswirtschaftlichen Umfeld große Bedeutung - denken Sie nur an die Vorhersage von Aktienkursen.

8 Stimmungen automatisch erkennen Sentiment Analysis

9 Was man im Netz über Sie denkt Für die meisten Firmen oder Organisationen ist es wichtig, was man über sie als Organisation denkt, ob man negativ oder positiv über sie berichtet bzw. ob in den sozialen Medien positive oder negative Aussagen getroffen werden. Diese Analyse ist aufwändig und kostspielig. Deep Learning bietet hier eine sehr gute Lösungsmöglichkeit: trainiert man ein neuronales Netz so, dass es zwischen positiven und negativen Aussagen unterscheiden kann, so können die im Internet über Sie veröffentlichten Aussagen automatisch bewertet werden. Man verbindet diese Bewertungsfunktion mit einer Funktion, die das Netz nach Aussagen über Sie durchsucht. So erhalten Sie ein automatisches Analysetool. Dieses Tool wird als Sedimentanalyse oder Net- Sedimentanalyse bezeichnet. Durch die Einstufung einer relevanten, also aussagekräftigen Menge von Statements als negative, neutrale oder positive Aussage wird ein zuverlässiger Durchschnittswert ermittelt. Dieser Wert gibt Ihnen die Möglichkeit, gegebenenfalls erforderliche Maßnahmen zu ergreifen. Big Data Die Funktionsweise eines neuronalen Netzes basiert darauf, dass das Netz mit bekannten Sachverhalten angelernt wird, um einen Lerneffekt zu erreichen. Dafür sind große Mengen an Beispielen (Eingaben, deren Ergebnis man kennt) notwendig. Eine wichtige Aufgabe im Rahmen des Deep Learning ist es, geeignete Daten zur Verfügung zu stellen. Dazu gehört nicht nur die Speicherung der Daten, sondern auch die Konvertierung der Daten in eine nutzbare Form.

10 Deep Learning für Entscheider Deep Learning Chancen und Risiken für Unternehmen: Aufzeigen strategischer Potenziale, die sich durch den Einsatz von künstlicher Intelligenz im Unternehmen ergeben, Aufbau einer Deep Learning Stabsstelle oder Abteilung im Unternehmen. Mechanismen der KI Wie funktioniert künstliche Intelligenz (KI)? Welche Rolle spielt Big Data im Zusammenhang mit künstlicher Intelligenz? Wie werden neuronale Netze geschult und aufgebaut? Welche Tools und Algorithmen sind im Zusammenhang mit Deep Learning hilfreich? lernende-maschinen.de Deep Learning für Praktiker Vom Entwurf eines neuronalen Netzes bis zur praktischen Umsetzung. Funktionsweisen unterschiedlicher neuronaler Netzstrukturen in der Praxis. Wo können relevante Daten gewonnen werden und wie müssen sie aufgearbeitet werden, um in neuronalen Netzen verarbeitet werden zu können? TensorFlow Funktionsweisen und Stärken der Google Maschine. Einführung in die Programmiersprache und Umsetzung eigener Beispiele mit Python und TensorFlow. Realisierung eines kleinen eigenen neuronalen Netzes.

11 TensorFlow Die KI-Maschine von Google als Basis für Deep Learning Lösungen Googles TensorFlow ist ein neues Machine-Learning- System. Über eine Open-Source-Software-Library kann das Tool kostenlos genutzt werden. TensorFlow ist die nächste Generation von Googles Machine-Learning- System DistBelief. Das System kommt bei Google intern zur Lösung vieler Aufgabestellungen zum Einsatz, zum Beispiel bei der Verbesserung von Spracherkennung in den Google-Apps oder für die automatische Erkennung und Zuordnung von Fotos und Videos auf YouTube. Google sagt, dass neue System ist doppelt so schnell wie ältere KI-Maschinen und vor allem ist es flexibler. Es ist auf Smartphones und in Data-Centern lauffähig.

12 Seminare für Entscheider und Praktiker Anwender orientierte Forschung und Entwicklung Deep Learning Strategien und Produktionen für Unternehmen m michael-morgenroth.de michael-morgenroth.de Artificial Intelligence