„WAS IST KI, WAS KANN KI UND WIE WIRD KI IHR BUSINESS ... file2006-2012: Teaching and Research A...
Transcript of „WAS IST KI, WAS KANN KI UND WIE WIRD KI IHR BUSINESS ... file2006-2012: Teaching and Research A...
1
„WAS IST KI, WAS KANN KI UND WIE WIRD KI IHR BUSINESS, UNSER LEBEN VERÄNDERN?“
Mittwoch, 12.06.2019 Bernhard Nessler/Institut für Maschine Learning/JKU14:00 – 15:00 Uhr Hans Baldinger – Innovationsservice/WKOÖ
WKO Webinarreihe: Künstliche IntelligenzDer Game Changer, der jedes Business verändert!
wko.at/ki
AUSBILDUNG JKU| Institut für Maschine Learning
Born 1972
Diplom-Ingenieur in Telematics (Graz University of Technology), Oct 2004
PhD in Telecommunication Engineering (Graz University of Technology), Feb 2014
BERUFLICHER WERDEGANG 2013-2015: Post-Doc in the lab of Prof. Jochen Triesch, FIAS, Frankfurt, Germany
2006-2012: Teaching and Research Associate, Graz University of Technology, Graz, Austria
2004-2006: Managing Partner, Nessler Medizintechnik GmbH, Innsbruck, Austria
1999-2000: Systems Architect, CNSystems Medizintechnik AG, Graz, Austria
1994-2004: IT-Administrator
wko.at/ki
BERNHARD NESSLER
2
wko.at/ki
FRAGEN?
Geben Sie Ihre Fragen im Fragen-Chat ein
1
2
WAS IST KI, WAS KANN KI UND WIE WIRD KI IHR BUSINESS, UNSER LEBEN VERÄNDERN?
WKO – Webinar Reihe Künstliche IntelligenzBernhard NesslerLinz, 2019-06-12
3
(ECHTE) KÜNSTLICHE INTELLIGENZ IST SCIENCE FICTION
WAS ISTKÜNSTLICHE INTELLIGENZ ? Die Fähigkeit einer Maschine intelligentes menschliches
Verhalten zu imitieren.
„Ich weiß es, wenn ich es sehe!“
Turing Test: 1 Mensch (C) bekommt 2 Gesprächspartner:
A ist eine Maschine und B ein Mensch. Wenn C Mensch und Maschine nicht mehrunterscheiden kann, dann ist A eine echte K.I.
1966: Eliza, Joseph Weizenbaum
2011: Cleverbot, Rollo Carpenter (unilateral Turing test) Cleverbot got 59,3%, humans achieved 63 %
4
WAS IST (K)I? Gewicht: 1400g
86 Milliarden Neuronen
19 Milliarden im Cortex
150 Billionen Synapsen
~12 Watt
~ 1 EXAFLOPS ( Mio Mio Mio)(lt. Henry Markram, HBP, ETH Zürich)
~ 38 PETAFLOPS ( 1000 Mio Mio)
(lt. Hermendra Modha, IBM, SyNAPSE)
FLOPS SUPERCOMPUTER (2016)Gehirnleistung
Intel CORE i9
5
Menschliche Intelligenz:Bauchgefühl vs. rationales Denken Unbewusste, intuitive (Entscheidungs-)Prozesse
Zumeist beschrieben als Bauchgefühl, Einbeziehung vieler (>10.000) konkreter unmittelbarer Eingaben
und Erinnerungen, Nur durch viel Erfahrung bzw. Übung erlernbar Sehr schnell
Rationale EntscheidungsprozesseBewusste Abwägung, begründbare Schlußfolgerungen
Einbeziehung weniger (<10) aber u.U. hoch abstrakter Fakten Regelbasiert, ev. sprachlich repräsentiert Langwierige Abwägung, langsam durch explizite Anweisung erlernbar
COLLABORATION PARTNERS
6
Bauchgefühl= Hochdimensionale Mustererkennung= Maschinelles Lernen
Formale ML Theorien seit ca. 1980
Vielzahl von komplexen Methoden: Deep learning hat sich in den letzten ca. 5 Jahren als universellste ML-Technik herausgestellt.
Ähnlich der Struktur des Gehirns: Sehr einfache
Grundelemente: Neuronen Sehr komplexe Funktion
aufgrund der tiefen Schichtstruktur
Relation AI / ML / DL
7
MASCHINELLES LERNEN IN MEDIZINISCHER ANWENDUNG
ML / DL FÜR SPRACHE: SCHRIFTERKENNUNG, ÜBERSETZUNG
• 1991: invented by Hochreiter
• 1997: major publication Hochreiter&Schmidhuber
• 2009: wins challenges French & Arabic handwriting
• 2011: wins offline Chinese handwriting competition
• 2012: in Google’s Android speech recognizer
• 2015: in Google’s Voice transcription
• 2016: in Apple’s iOS 10 Quicktype
• 2016: in Google’s Translate
8
DEEP LEARNING MEETSREINFORCMENT LEARNING
DQN (Nature, 2015) AlphaGo(2017)
AlphaZero (2018)
Alphastar (Jan 2019) - StarCraft II using LSTM
9
WHO KNOWS THESE CELEBRITIES?
WHAT ABOUT THOSE ONES?
11
CYCLE GAN
Jun-Yan Zhu*, Taesung Park*, Phillip Isola, and Alexei A. Efros. "Unpaired Image-to-ImageTranslation using Cycle-Consistent Adversarial Networks", in IEEE International Conference on Computer Vision (ICCV), 2017.
ADVERSERIAL TRAINING:NETWORKS LEARN AGAINST EACH OTHER
12
ALPHA GO ZERO
ALPHA GO ZERO
13
Machine Learning
Horse
Dog
Cat
33%
33%
33%
Machine Learning
Horse
Dog
Cat
33%
33%
33%
14
Machine Learning - Training
Horse
Dog
Cat
33%
33%
33%
100%
0%
0%
Targ
et v
alue
s
Error = 0.66+2*0.33 = 1,33
Machine Learning – Training Stepwith millions of images
Horse
Dog
Cat
33%
33%
33%
Teacher Feedback,Supervision
100%
0%
0%
Error = 2*0.6 = 1,3
Targ
et v
alue
s
Very small training step, iterated many times over many training images
15
Machine Learning – Training Error
Horse
Dog
Cat
90%
4%
6%
Error = 0.2
100%
0%
0%
Targ
et v
alue
s
Machine Learning – Testing Error Generalization
Horse
Dog
Cat
60%
27%
13%
Error = 0.8
16
Deep Neural Network
Horse
Dog
Cat
60%
20%
20%
x h1 h2 h3 h4 h5 y
DEEP NEURAL NETWORK
Horse
Dog
Cat
60%
20%
20%
x h1 h2 h3 h4 h5 y
17
ARTIFICIAL NEURON = BEWERTUNGSLISTE
Artificial Neural Networks – single neuron
Jedes Neuron macht eine Bewertungsliste.
Jedes Neuron hat seine eigene Idee der “Bewertungspreise” (Gewichte).
y j f (x;w) max( 0, x iw iji
)
y j xiwi oder 0
df
dwi
xi oder 0
df
dxi
wi oder 0
Lernen : w w dE
dw w
18
Deep Learning,Backpropagation
Horse
Dog
Cat
60%
20%
20%
y f h5 h4 h3 h2 h1 x;w1 ;w2 ;w3 ;w4
;w5
;w6
x h1 h2 h3 h4 h5 y
Deep Learning, Backpropagation
Horse
Dog
Cat
60%
20%
20%
y f h 5 h 4 h 3 h 2 h 1 x ; w 1 ; w 2 ; w 3 ; w 4
; w 5
; w 6
x h1 h2 h3 h4 h5 y
19
Deep Learning, vanishing gradient
Function f has a nested structure
Gradients multiply according to thechain-rule
Gradient signal gets lost in the noise-> Vanishing gradient
First identified 1991 byProf. Sepp Hochreiter, JKU Linz
y f h5 h4 h3 h2 h1 x;w1 ;w 2 ;w 3 ;w 4
;w 5
;w 6
w 6 w 6 dE
dw 6
w 5 w 5 dE
dh 5
dh 5
dw 5
w 4 w 4 dE
dh 5
dh 5
dh 4
dh 4
dw 4
w 3 w 3 dE
dh 5
dh 5
dh 4
dh 4
dh 3
dh 3
dw 3
w 2 w 2 dE
dh 5
dh 5
dh 4
dh 4
dh 3
dh 3
dh 2
dh 2
dw 2
w1 w1 dE
dh 5
dh 5
dh 4
dh 4
dh 3
dh 3
dh 2
dh 2
dh1
dh1
A closer look
Horse
Dog
Cat
60%
20%
20%
x h1 h2 h3 h4 h5 y
20
Deep Neural Network
Horse
Dog
Cat
60%
20%
20%
x h1 h2 h3 h4 h5 y
Deep Neural Network
Horse
Dog
Cat
60%
20%
20%
x h1 h2 h3 h4 h5 y
21
Deep Learning, vanishing gradient
Currently applied methods Gating:
try to make most intermediate gradient values close to 0 or 1. Long Short Term Memory (LSTM), (Hochreiter, Schmidhuber, 1997) Residual networks
Normalization: distorts gradient, increases noise Clever initialization helps
New solution: Find clever functions and structures where the
problem solves itself by intrinsic regulation. Klambauer, Günter, et al. "Self-Normalizing Neural Networks."
arXiv preprint arXiv:1706.02515 (2017).
INTRIGUING PROPERTIES OF NEURAL NETWORKS
Netzwerk trainiert zur Kategorisierung von Bildern in ca. 1000 Kategorien (Schulbus, Pyramide, Tiger, Kirschen, Dalmatiener ...)
Ca. 1,2 Mio Bilder zum Training
Ca. 40.000 Dimensionen
Mehrere Millionen Gewichtswerte
Szegedy, Christian, et al. "Intriguing propertiesof neural networks.“ arXiv preprintarXiv:1312.6199 (2013).
22
INTRIGUING PROPERTIES OF NEURAL NETWORKS
Netzwerk lernt eine sehr gute Intuition
Keine Begründungen
Kann bewust getäuscht werden
DL Intuition ist sehr verschieden von menschlicher Intuition
Kein Weltverständnis, keine umfassende Verknüpfung von vielen Problemdomänen, kein funktionales, rationales Verständnis.
SUMMARY AI, DEEP LEARNING
Maschinelles Lernen ist der Motor der aktuellen Revolution in AI
Deep Learning ist die Technik Erfunden (LSTM) von Sepp Hochreiter, JKU Linz, 1991
Deep Learning (mit Gradientenabstieg) heißt anpassen der Millionen von Gewichtswerten in vielen, vielen kleinen Schritten
Möglichkeiten Funktionen zu lernen sind prinzipiell unbegrenzt
Ziele müssen anhand von Daten oder Modellen vorgegeben werden.
Funktionale Ziele sind möglich, Simulationsumgebung notwendig
Maschinelles Lernen ist kein künstliches Leben
Wo technische Probleme mit traditionaller Programmierung perfekt gelöst werden können, sind diese Lösungen vorzuziehen. Wo diese Ansätze versagen, ist DL die Lösung.
23
wko.at/ki
FRAGEN?
Geben Sie Ihre Fragen im Fragen-Chat ein
1
2
wko.at/ki
WIE GEHT ES WEITER
DIE NÄCHSTEN WEBINARTERMINE ZUR REIHE KÜNSTLICHE INTELLIGENZ:
Datum Titel Experten Uhrzeit
26.06.2019 Angewandte KI – Warum hat Europa, warum hat Österreich eine große Chance im Bereich KI?
Dietmar Millinger & Clemens Wasner, Gründer AI Austria
14:00 – 15:00 Uhr
10.07.2019 Automatisierter Kundenservice – wir spannen den Bogen zwischen Visionen und Realität
Dieter Perndl, ubitec & Gerhard Grabner, Bundesrechenzentrum
14:00 – 15:00 Uhr
21.08.2019 Angewandte KI - Firmenanwendung N.N. 14:00 – 15:00 Uhr
24
wko.at/ki
VERANSTALTUNGSTIPPS
WEITERE VERANSTALTUNGSTERMINE, DIE FÜR SIE INTERESSANT SEIN KÖNNTEN:
Datum Bundesland Titel Details Koop-Partner
13.06.2019 NÖ Denk Digital! KONGRESS. Fokus KI Infos und Anmeldung
13.06.2019 Salzburg MIT Workshop „Myths and Opportunitiesin AI“
Infos und Anmeldung
17.06.2019 Vorarlberg Exporttag-Workshop „Künstliche Intelligenz in Unternehmen: Hype oder echte Chance? Erfolgsbeispiele aus aller Welt“
Infos und Anmeldung
20.09.2019 Kärnten Trend – IT, IT-Kongress für UnternehmerInnen
Infos und Anmeldung
27./28.09.2019
OÖ JW Summit 2019: Trau di – Spür die Unternehmenslust!
Infos und Anmeldung
wko.at/ki
VERANSTALTUNGSTIPPS
WEITERE VERANSTALTUNGSTERMINE, DIE FÜR SIE INTERESSANT SEIN KÖNNTEN:
Datum Bundesland Titel Details Koop-Partner
10.10.2019 Salzburg 15. Brennpunkt eTourism: Die Zukunft der Digitalisierung im Tourismus
Infos und Tickets
30.10.2019 OÖ Innovations.DIALOG: KI - Der Game Changer, der jedes Business verändert! Mit KI-Guru Jürgen Schmidhuber und KI-Skeptikerin Sarah Spiekermann
Infos und Anmeldung
25
wko.at/ki
KONTAKT/INFO
Fragen? - Wir freuen uns über Ihre Kontaktaufnahme!
Hans BaldingerT 05-90909–3542E [email protected] wko.at/ki
Danke, dass Sie dabei sind!