Post on 21-May-2020
9:00 Start & Kaffee
9:15 Begrüßung & Programmübersicht
9:30 Vorstellungsrunde
9:45 VortragDas Forschungsgebiet der künstlichen Intelligenz
10:45 Kaffeepause
11:00 VortagClusteranalyse – Eine Übersicht über verfügbare Verfahren
---------------------
12:00 Mittagessen
---------------------
13:15 WorkshopsTrack A: Vertiefung der ClusterverfahrenTrack B: Machine Learning im Unternehmen
14:30 Kaffeepause
14:45 WorkshopsTrack A: Machine Learning im UnternehmenTrack B: Vertiefung der Clusterverfahren
15:45 Schlussworte
16:00 Ende der Veranstaltung
Agenda „Truly Digital“
1
Mittelstand 4.0 -Kompetenzzentrum Kiel
Das digitale Kompetenzzentrum für Schleswig-Holstein
Unterstützung kleiner/ mittlere Unternehmen (KMU) bei Digitalisierung
Stärkung der Wettbewerbsfähigkeit des Mittelstands,
Erschließen neuer Geschäftsfelder
Alle Angebote für KMU kostenfrei
Was ist Mittelstand-Digital?
2
Unser Angebot für Ihre Digitalisierung
Geschäftsmodelle
Interoperabilität
Wirtschaftlichkeit
Maschinenbau
Lebensmitteltechnik
Medizintechnik
Digitale
Kompetenz
Branchen Querschnittsthemen
Reifegradabhängige Angebote für Ihre Digitalisierung
Informieren Demonstrieren RealisierenQualifizieren
3
Unsere Leistungen in Zahlen
4Phasen
12Formate
514Events
Informieren
185
73 Infoveranstaltungen
5 Webbasierte Angebote
60 Sprechstunden
47 Besuche &
Assessments
73
5
60
47
Demonstrieren
114
68 Labtours
46 Exkursionen
68
46
120
Qualifizieren
68 Seminare & Schulungen
42 Inhouse Schulungen
10 Maker Veranstaltungen
68
42
10
Realisieren
97
77 Transferprojekte
20 Umsetzungsprojekte
= 1.500 Tage vor Ort
= 1.200 Tage vor Ort
20
77
4
Truly Digital
Das Forschungsgebiet der
künstliche Intelligenz
Maurice Sambale
6
„AI can be defined as the
attempt to get real machines to
behave like the ones in the movies.“
(Russell Beale)
Freie Übersetzung:
„Künstliche Intelligenz kann darüber definiert werden,
dass man versucht echte Maschinen
so funktionieren zu lassen,
wie wir es aus Filmen kennen.“
KI – was steckt wirklich dahinterWas versteht der Laie unter KI?
7
KI – Künstliche Intelligenz
8
• KI – mehr Schein als Sein!
• KI – was steckt wirklich dahinter
• Vorstellung einzelner Themenfelder
• Maschinelles Lernen näher betrachtet
KI – mehr Schein als Sein!
9
Chess-Playing Computer
Closing In on ChampionsSEPT. 26, 1989 NY Times
Christie's versteigert erstmals
KI-Gemälde25.10.2018 Spiegel Online
KI – Künstliche Intelligenz
10
• KI – mehr Schein als Sein!
• KI – was steckt wirklich dahinter
• Vorstellung einzelner Themenfelder
• Maschinelles Lernen näher betrachtet
KI – Künstliche Intelligenz
11
• Wie jetzt?
Künstliche Intelligenz ≠ Neuronale Netze ?
• KI – was steckt wirklich dahinterKombination aus Statistik und Maschinellem Lernen
12
Chess-Playing Computer
Closing in on ChampionsSEPT. 26, 1989 NY Times
https://medium.freecodecamp.org/simple-chess-ai-step-by-step-1d55a9266977
• KI – was steckt wirklich dahinterKombination aus Statistik und Maschinellem Lernen
13
Christie's versteigert erstmals
KI-Gemälde25.10.2018 Spiegel Online
https://image.slidesharecdn.com/dlcvd4l1generativemodelsandaversarialtraining-160803172437/95/deep-learning-for-computer-vision-generative-models-and-adversarial-training-upc-2016-5-638.jpg?cb=1470245137
• KI – was steckt wirklich dahinterKombination aus Statistik und Maschinellem Lernen
14
Christie's versteigert erstmals
KI-Gemälde25.10.2018 Spiegel Online
https://image.slidesharecdn.com/dlcvd4l1generativemodelsandaversarialtraining-160803172437/95/deep-learning-for-computer-vision-generative-models-and-adversarial-training-upc-2016-5-638.jpg?cb=1470245137
KI – was steckt wirklich dahinterA12 Bionic
15
By Gadjo Cardenas Sevilla
• Es wird kein Gehirn oder Ähnliches eingebaut
• Keine Neuronen, keine biologischen Anteile vorhanden
• Neural Engine bedeutet:
Hardware wird auf neue Operationen angepasst
AI: Die ersten hundert Jahre
IQ Menschliche
Intelligenz
Künstliche
Intelligenz
1956 20562006
https://homes.cs.washington.edu/~pedrod/803/ Folien: Pedro Domingos - Introduction
16
IQ Menschliche
Intelligenz
Künstliche
Intelligenz
1956 20562006
https://homes.cs.washington.edu/~pedrod/803/ Folien: Pedro Domingos - Introduction
Wir sind maximal hier
AI: Die ersten hundert Jahre
17
KI – Künstliche Intelligenz
18
• KI – mehr Schein als Sein!
• KI – was steckt wirklich dahinter
• Vorstellung einzelner Themenfelder
• Maschinelles Lernen näher betrachtet
• KI – was steckt wirklich dahinterOberbegriff für ein großes Forschungsfeld
19
• KI - Oberbegriff für mehrere
Forschungsschwerpunkte
• Agententheorie
• Mustererkennung
• Wissensbasierte Systeme
• Maschinelles Lernen
• etc.
• Agententheorie
• Soft- / Hardware, die sich
an ihre Umwelt anpasst
• Theoretischer Formalismus
• KI – was steckt wirklich dahinterOberbegriff für ein großes Forschungsfeld
20
UmweltAgent
?
Sensoren
Aktoren
t1, t2, t3, …
• Mustererkennung
• Suche von Mustern in Daten
• KI – was steckt wirklich dahinterOberbegriff für ein großes Forschungsfeld
21
Vivaldi in Farbe: Die Mustererkennung markiert in diesem Ausschnitt
aus den Vier Jahreszeiten prototypische Klangmerkmale farbig.
© MPI für extraterrestrische Physik
• KI – was steckt wirklich dahinterOberbegriff für ein großes Forschungsfeld
22
• Wissensbasierte Systeme
• KI – was steckt wirklich dahinterOberbegriff für ein großes Forschungsfeld
23
• Maschinelles Lernen
„Normaler“ Algorithmus
Beispiele:
• Felder auf Webseiten
• Automatisches Email verschicken
• Digitale Kalender
• etc.
SpezifizierterAlgorithmus
Nutzer
Eingabe-
daten
Ausgabe-
daten
Maschineller Lernalgorithmus
TrainierterAlgorithmus
Nutzer
Algorithmus
Beispiel
Eingabe AusgabeTrainings
-daten
Gewünschte
Ausgabe
DifferenzParameter
Parameter
Parameter Angleichung
Trainingsphase -> „Der Algorithmus lernt“
Parameter
• Ist ein auf einem Bild ein Panzer vorhanden?
Betriebsphase
Eingabe-
daten
Ausgabe-
daten
KI – Künstliche Intelligenz
24
• KI – mehr Schein als Sein!
• KI – was steckt wirklich dahinter
• Vorstellung einzelner Themenfelder
• Maschinelles Lernen näher betrachtet
Traditionelles Programm
Maschinelles Lernen
26
ComputerDaten
ProgrammOutput
ComputerDaten
OutputProgramm
(Von Daniel Lowd basierend auf Folien von Pedro Domingos.)
Spamfilter
Problemstellung: Erkenne Spams in Emails.
Gegeben: Datenbank – Emails und Ihre Klassifikation
1
0
0
Maschinelles Lernen – Klassifizierung
FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
FROM: sambale@ifis.uni-luebeck.deTruly Digital
FROM: info@digitales-kompetenzzentrum-kiel.deTruly Digital
Klassifikator(Programm)
27
29
Computer1
Klassifikator -Parameter
29
(Von Daniel Lowd basierend auf Folien von Pedro Domingos.)
ComputerDaten
OutputKlassifikator
FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
?
Spamfilter - Entscheidungsbaum
Was ist dieser Klassifikator?
Maschinelles Lernen – genauer betrachtet FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
ComputerDaten
Output
Klassifikator
Spam
?
? ?
OK SpamOK
(basierend auf Folien von Daniel Lowd )29
Spamfilter - Entscheidungsbaum
Was ist dieser Klassifikator?
Maschinelles Lernen – genauer betrachtet FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
ComputerDaten
Output
Spam
100 … Goldvorhanden?
Russische MailAdresse?
OK
Spam
Klassifikator
(basierend auf Folien von Daniel Lowd )30
Spam Filtering mit linearen Modellen
32
Weights:
“Prinz”: ?“100… Gold”: ?“.com”: ?“.ru”: ?“.de”: ?
Words:
“Prinz”: 1“100… Gold”: 1“.com”: 0“.ru”: 1“.de”: 0
x = 1*? + 1*?+1*? = 1
Spam
FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
Entscheidung bei gewichteter Summe > 0
(basierend auf Folien von Daniel Lowd )
Spam Filtering mit linearen Modellen
33
Words:
“Prinz”: 1“100… Gold”: 1“.com”: 0“.ru”: 1“.de”: 0
x = 1*1.5 + 1*2+1*1 = 4.5
Weights:
“Prinz”: 1.5“100… Gold”: 2“.com”: -1“.ru”: 1“.de”: -1
Spam
FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
Entscheidung bei gewichteter Summe > 0
(basierend auf Folien von Daniel Lowd )
Spam Filter mit Neuronalen Netzen?!- mögliche Modelle
34
4/16/2019
2012:AlexNet5 conv. layers
2014: VGG16 conv. layers
2015: GoogLeNet22 conv. layers
2016: ResNet>100 conv. layers
62,378,344 Parameter
Presenter Pingchuan Ma – Work by Bolei Zhou, David Bau, Aditya Khosla, Aude Oliva, Antonio Torralba; MIThttps://hci.iwr.uni-heidelberg.de/system/files/private/downloads/247505120/pingchuan_ma_network_dissection_slides.pdf
Spamfilter
Problemstellung: Erkenne Spams in Emails.
1
0
0
Maschinelles Lernen – klassifizierung
FROM: PrinzVonSimbabwe@example.ru100 KG Gold!!!
FROM: sambale@ifis.uni-luebeck.deTruly Digital
FROM: info@digitales-kompetenzzentrum-kiel.deTruly Digital
Klassifikator(Programm)
35
Wenn das so cool ist,warum gibt es denn so viele
kritische Stimmen?
- Man kann doch nichts falsch machen -
… Oder etwa doch ….
Maschinelles Lernen – klassifizierung
36
KI - Gutgläubigkeit: kontradiktorische Beispiele
Image credit: https://blog.openai.com/adversarial-example-research/
(basierend auf Folien von Daniel Lowd )
„Panda“57.7% wahrscheinlich
„Gibbon“ (Menschenaffe)99.3% wahrscheinlich
37
38
Brown et al. (2017)
(basierend auf Folien von Daniel Lowd )
39
Künstliche Vorurteile
Directory of sites Login Contact Support
World Business Markets Politics TV Search...
BUSINESS NEWS OCTOBER 9, 2018 / 8:12 PM / 3 MONTHS A GO
Amazon scraps secret AI recruiting
tool that showed bias against
women
Jeffrey Dastin 8 M I N READ
SAN FRANCISCO ( Reuters) - Amazon.com Inc’s ( AMZN.O) machine-
learning specialists uncovered a big problem: their new recruiting
engine did not like women.
The team had been building computer programs since 2014 to review
job applicants’ resumes with the aim of mechanizing the search for top
talent, five people familiar with the effort told Reuters.
Automation has been key to Amazon’s e-commerce dominance, be it
inside warehouses or driving pricing decisions. The company’s
experimental hiring tool used artificial intelligence to give job
candidates scores ranging from one to five stars - much like shoppers
rate products on Amazon, some of the people said.
“Everyone wanted this holy grail,” one of the people said. “They
literally wanted it to be an engine where I ’m going to give you 100
Discover Thomson Reuters
(basierend auf Folien von Daniel Lowd )
Gesichtserkennung
40(basierend auf Folien von Daniel Lowd )
Google, Microsoft, IBM, and Face++ bieten Gesichtsanalysedienste, darunter Gesichtserkennung,
Geschlechtsvorhersage und vieles mehr.
…aber die Fehlerquoten sind für dunkelhäutige weibliche Gesichter viel höher
Mehr Infos: http://gendershades.org/overview.html
Gesichtsanalyse
41
Buolamwini & Gebru (2018)
(basierend auf Folien von Daniel Lowd )
Explaining With FeaturesRibeiro et al. (2016)
Explainable AI – KI die Ihre Entscheidungen erklärt
42
Ribeiro et al. (2016)
Top Erkennungen:E-Gitarreakkustische GitarreLabrador
Änderung dieser Pixel Reduziert % für E-Gitarre
Original Bild Erklärung E – Gitarre Erklärung akkustische Gitarre Erklärung Labrador
(basierend auf Folien von Daniel Lowd )
43
Explainable AI – KI die Ihre Entscheidungen erklärt
Presenter Pingchuan Ma – Work by Bolei Zhou, David Bau, Aditya Khosla, Aude Oliva, Antonio Torralba; MIThttps://hci.iwr.uni-heidelberg.de/system/files/private/downloads/247505120/pingchuan_ma_network_dissection_slides.pdf
44
Können wir mit diesen Ansätzen alle Fälle abdecken?
2012:AlexNet5 conv. layers
2014: VGG16 conv. layers
2015: GoogLeNet22 conv. layers
2016: ResNet>100 conv. layers
62,378,344 Parameter
Es ist noch ein weiter Weg zur erklärbaren maschinellen Lernalgorithmen
Bis das Problem gelöst ist, muss man mitunvorhersehbarem, falschem Verhalten rechnen
Presenter Pingchuan Ma – Work by Bolei Zhou, David Bau, Aditya Khosla, Aude Oliva, Antonio Torralba; MIThttps://hci.iwr.uni-heidelberg.de/system/files/private/downloads/247505120/pingchuan_ma_network_dissection_slides.pdf