Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen

Ähnliche Dokumente
EFS Deep Learning für das Fahren der Zukunft. Anton Junker

Personenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.

Blockchain, Smart Contract, Distributed Ledger Technology, Technische Grundlagen

SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG. Stefan Langer CIS Universität München Wintersemester 2016/17

SIRI, WELCHES STUDIUM PASST ZU MIR? ressourcenmangel

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Machine Learning Das neue 42?

Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens

Künstliche Neuronale Netze

Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume

Neue Erkenntnisse aus unstrukturierten Daten gewinnen

Big Data. 2.1 Was wirklich neu ist

Industrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik

Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell

Künstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen

Der Sprung in die Zukunft! Einführung in neuronale Netzwerke

Mustererkennung und Klassifikation

Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz

Reinforcement-Learning

Künstliche Intelligenz. Potential und Anwendung

No more people problems

Maschinelle Übersetzung

Artificial Intelligence. Deep Learning Neuronale Netze

Business Intelligence & Machine Learning

Künstliche Intelligenz - eine Anleitung zum Selberbauen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer

Künstliche Intelligenz

Naive Bayes für Regressionsprobleme

Künstliche Intelligenz

Wissensentdeckung in Datenbanken

Algorithmengesetz: Ansätze zur rechtlichen Regelungen fehlerhafter automatisierter Entscheidungen

Unternehmensprofil. sovanta AG, /17 1 / 20

Projekt-INF Folie 1

Einführung in das Maschinelle Lernen I

Einführung in die Methoden der Künstlichen Intelligenz

Text Mining. Joachim Schole. Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg. Grundseminar, WS 2014

2018 Cassini Consulting. Künstliche Intelligenz in der Kundenkommunikation

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten

Wie arbeiten Mensch und künstliche Intelligenz in Zukunft zusammen?

General Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany

Technologien und Chancen Künstlicher Intelligenz. Philipp Kranen, Microsoft Research

Maschinelles Lernen I Einführung. Uwe Reichel IPS, LMU München 22. April 2008

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner

Künstliche Neuronale Netze und Data Mining

Konzepte der AI: Maschinelles Lernen

Industrie Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen

Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten

Quo vadis, Logistik? Mario Dobrovnik. Institut für Transportwirtschaft und Logistik Wirtschaftsuniversität Wien STAND: JUNI 2018

Methoden, Chancen und Risiken beim Auswerten großer Datenmengen

Case-Based Reasoning und anderen Inferenzmechanismen

Vorstellung eines Verfahrens zur operationell optimalen Auswahl von Korrekturverfahren für die Abflussvorhersage

Merkblatt 4. Abgrenzung zwischen Bauvertrag und Kauf-/Liefervertrag

Studierenden- und Prüfungsstatistik : Prüfung der Daten an der Quelle

Innovative Datenanalyse für die Medizin

Erfüllungstauglichkeit und Verwendungsrisiko des Bauwerks Vortrag bei den 12. Weimarer Baurechtstagen

Proseminar - Data Mining

Visuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel

Validation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation

Die Bedeutung von Artificial Intelligence und Machine Learning für die Cyber Security. H. Lubich FHNW

Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo

Industrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie

Automatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:

Big Data Künstliche Intelligenz Und das Ich

Robustheit in der digitalen und automatisierten Welt. Offenburg, Clarissa Vogelbacher

Cybercrime in Social Media Wo lauern die Gefahren, wer schützt mich?

Wie funktioniert automatisierte Übersetzung? Prof. Josef van Genabith (Deutsches Forschungszentrum für Künstliche Intelligenz)

ETHISCHE ASPEKTE BEIM EINSATZ VON KI, MACHINE LEARNING UND DIGITALISIERTEN PROZESSEN HEUTE UND MORGEN

Keine Hexerei, sondern Alltag

Schnelles Denken - Maschinelles Lernen mit Apache Spark 2

Projekt Maschinelles Lernen WS 06/07

Inhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume

Wissensentdeckung in Datenbanken

Künstliche Neuronale Netze

Anwendungen Künstlicher Intelligenz für Bankdienstleistungen

Indirekte Vergleiche in der frühen Nutzenbewertung

Einsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen. Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault

Über Kontrolle und Gestaltbarkeit künstlicher Intelligenz

Intelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale

Bring your own Schufa!

Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders

Unternehmensprofil. sovanta AG, /17 1 / 20

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn

Neuronale Netze. Christian Böhm.

5.2 Die Bauhandwerkersicherungshypothek

New Search Engine Technology

Vorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II

Parrot v3. für Entscheider

Sozialwissenschaftliche Modelle und Daten SoSe 2010

Schwierigkeitsbestimmung von C-Test-Lücken. Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013

Proseminar - Data Mining

Einführung Beispiele Fazit Links. OpenNLP. Nico Beierle, Irina Glushanok

Mit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH

Neuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24.

Planungsansätze aus der Künstlichen Intelligenz

Deep Learning auf dem Weg zu (selbst-)lernenden Maschinen?

Accountability in Algorithmic. Decision Making.

Grundlagen Neuronaler Netze

Transkript:

Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen EDV-Gerichtstag 2018, Saarbrücken 20.9.2019 Jörn Erbguth, Legal Tech Consultant joern@erbguth.ch +41 787256027

Agenda Beispiele für den Einsatz von Deep Learning Wie funktioniert Deep Learning? Hands on Deep Learning Grenzen und Probleme Fazit Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #2

Algorithmen die besseren Richter? Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #3

Precobs Im Einsatz in Bayern, Baden-Württemberg, Schweiz Vorhersage, an welchen Orten vermutlich weitere Delikte geschehen werden Kein Input personenbezogener Daten Einsatzentscheidung treffen Menschen Evaluierung mit gemischten Ergebnissen Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #4

Precobs Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #5

Automatische Protokollierung Quelle: VoiceScript Technologies, Microsoft Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #6

Automatische Protokollierung Quelle: VoiceScript Technologies, Microsoft Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #7

Einsatz bei Versicherungen Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #8

Einsatz bei Versicherungen Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #9

Einsatz im Bereich Recruiting Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #10

Deep Learning Künstliche Intelligenz Machine Learning Deep Learning Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #11

Wie funktioniert Deep Learning? (1) Neuronales Netz Trainingsdaten Trainingsalgorithmus Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #12

Wie funktioniert Deep Learning? (2) A D B E C Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #13

Experiment Experiment https://teachablemachine.withgoogle.com/ Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #14

Kasuistik Verjährungsfrist beim Werkvertrag abhängig davon, ob Bauwerk ( 634a Abs. 1 BGB) Bauwerk Straßen Wege Pflasterungen Trainingsplätze Kanäle Brücken Windenergieanlagen Gleis- und Steuerungsanlagen für den Bahnbetrieb Gasrohrnetze Abwasserkanäle und anlagen Verkaufscontainer ins Erdreich eingelassenes Schwimmbecken mit Stahlbetonpfosten fundamentierte Hoftoranlage Auf-Dach-Photovoltaikanlage mit dem Boden unmittelbar oder mittelbar verbundene Freiland-Photovoltaikanlage Rohrbrunnen im Erdreich eingemauerter Heizöltank Hochseilgarten Kein Bauwerk im Erdreich nur eingebetteter Heizöltank Anfertigung und Aufstellung eines Grabsteins Aufstellung eines einfachen Gartenbrunnens vorbereitende Erdarbeiten für die Errichtung eines Bauwerks Baureinigungsarbeiten Abriss eines Bauwerks im Boden verankerten Maschendrahtzaun Herstellung und Lieferung von Fertigbauteilen selbst wenn sie für ein konkretes Bauwerk bestimmt sind Quelle: Münchner Kommentar Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #15

Hintertreppe zum Recht? Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #16

Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #17

Scheintreffer Wu, Xiaolin & Zhang, Xi. (2016). Automated Inference on Criminality using Face Images. Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #18

Trainingsdaten Trainingsdaten Testdaten Validierungsdaten Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #19

Diskriminierung Individuelle absichtliche Diskriminierung Bias der bestehenden Entscheidungen Diskriminierung durch unvollständige Trainingsfälle Prinzipieller Bias durch Statistik Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #20

(Optische) Täuschungen https://www.youtube.com/watch?v=1mjmpqi2bsq Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #21

Vor- und Nachteile von Deep Learning Vorteile Braucht keine expliziten Regeln. Lernt an Hand von Beispielen Nutzt statistische Korrelationen Lernt schnell auch bei mit Fehlern behafteten Daten Nachteile Keine Kontrolle über die angewandten Regeln System lernt Stereotype Ergebnisse sind statistisch gut, aber nie 100% genau Kann mit neuen Beispielen weiter lernen Behandlung neuer Fallkonstellationen unsicher Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #22

Anwendung auf juristische Entscheidungen Deep Learning bietet statistisch gute Ergebnisse Deep Learning arbeitet nicht juristisch Einzelfallgerechtigkeit fehlt Auf Statistik beruhenden Entscheidungen sind problematisch (mit und ohne Deep Learning) Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #23

Algorithmen-Analyse und Algorithmen-TÜV Analyse der Trainingsdaten Statistische Analyse der Systeme Analyse von Aktivierungsmustern Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #24

Analyse Trainingsdaten Trainingsalgorithmus Neuronales Netz Entscheidungsbaum Regellose künstliche Intelligenz 20.9.2018 EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #25

Vielen Dank für Ihre Aufmerksamkeit! Fragen, Diskussion