1. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 1 | 48
Projekte. Beratung. Spezialisten.
Mehr Wissen aus Daten
IKS-Thementag
24.09.2019
Autor: Martin Gossen
Möglichkeiten und Grenzen des Machine Learning

2. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 2 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen

3. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 3 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

4. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 4 | 48
Was ist Wissen?
Aktion
Wissen
Information
Daten
Zeichen
Anwenden
In Beziehung setzen
Verstehen im
Kontext
Erkennen
Überweisung stoppen.
Hr. K. kontaktieren.
H, K, R, 0, 0, 0, 5, €
Ungewöhnlich hoher Betrag für
Hr. K. (bisher nie mehr als 1.000 €).
Hr. K. hat 5.000 €
überwiesen.
HR K 5000 €
Training Lernen
nach Aamodt und Nygård 1995 (verändert)
Fraud
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

5. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 5 | 48
Was ist Wissen?
Wissen
Erkenntnisse, Muster und Schlüsse, die aus der
Verknüpfung von Informationen gewonnen
werden und sinnvolles Handeln ermöglichen
(…um ein bestimmtes Ziel zu erreichen)
…wird i.d.R. durch Training erlernt
Arbeitsdefinition
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

6. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 6 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

7. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 7 | 48
Begriffe
Deep Learning
Neuronales Netz
Maschinelles Lernen
(ML)
Künstliche Intelligenz
(KI, AI)
Expertensysteme  Regeln
BI, Data Mining  Statistik
(Beziehungen finden)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

8. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 8 | 48
Begriffe
Deep Learning
Neuronales Netz
Maschinelles Lernen
(ML)
Künstliche Intelligenz
(KI, AI)
Expertensysteme  Regeln
BI, Data Mining  Statistik
(Beziehungen finden)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

9. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 9 | 48
Maschinelles Lernen
Maschinen, die lernen (durch Training Wissen aneignen)
Anwendung wissenschaftlich fundierter Methoden, Prozesse, Algorithmen
und Systeme
Vorgehen
1. Das Problem verstehen
2. Daten besorgen
3. Daten vorbereiten
4. Algorithmus auswählen
5. Modell trainieren
6. Bewerten
7. Anwenden
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

10. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 10 | 48
Maschinelles Lernen
Algorithmen
K-Means
K-Nearest-Neighbors
Regression (linear, polynomial)
Regression (logistisch)
Decision Tree, Random Forest
Naive Bayes
Hidden-Markov-Model
Hauptkomponentenanalyse
Support Vector Machine
Learning Vector Quantization
Kombinierte Modelle
Neuronale Netze
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

11. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 11 | 48
Maschinelles Lernen
Einteilung der Algorithmen
1) Art des Ergebnisses
a) Regression: Wie viel(e)?
b) Klassifikation: Ist dies A oder B (oder C)?
c) Clustering und Anomalie-Erkennung: Wie gehört das zusammen?
d) Strategieentscheidung: Was ist zu tun?
e) Sonderfälle: z.B. wie kann das vereinfacht werden?
2) Trainingsmethode
a) unbeaufsichtigt: anhand vorgegebener Regeln
b) beaufsichtigt: aus Beispielen
c) bestärkend: über Belohnungen
Fraud
Fraud
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

12. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 12 | 48
Maschinelles Lernen
Beispiel 1: K-Nearest-Neighbors
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

13. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 13 | 48
Maschinelles Lernen
Beispiel 2: Decision Tree
Fraud
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

14. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 14 | 48
Maschinelles Lernen
Beispiel 3: Neuronales Netz (beaufsichtigt)
Betrag [€] Bish. Max.-betrag [€] Zeitpunkt Empfängerland Betrug?
45,30 800,00 Di, 12.03.2019 17:04 Deutschland Nein
270,00 800,00 Di, 12.03.2019 17:07 Deutschland Nein
14,55 800,00 Do, 14.03.2019 12:01 Frankreich Nein
2.500,00 800,00 So, 17.03.2019 3:04 Kolumbien Ja
183,22 800,00 Mo, 18.03.2019 9:56 Deutschland Nein
Fraud
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

15. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 15 | 48
Begriffe
Deep Learning
Neuronales Netz
Maschinelles Lernen
(ML)
Künstliche Intelligenz
(KI, AI)
Expertensysteme  Regeln
BI, Data Mining  Statistik
(Beziehungen finden)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

16. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 16 | 48
Neuronales Netz
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

17. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 17 | 48
Begriffe
Deep Learning
Neuronales Netz
Maschinelles Lernen
(ML)
Künstliche Intelligenz
(KI, AI)
Expertensysteme  Regeln
BI, Data Mining  Statistik
(Beziehungen finden)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

18. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 18 | 48
Deep Mind
Alphafold faltet Proteine
Deep Mind
Alpha Go zerlegt Go-Community
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

19. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 19 | 48
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

20. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 20 | 48
Eigenheiten der Algorithmen
Algorithmus Genauig-
keit
Geschw. des
Trainings
Daten-
menge
Speicher-
verbrauch
Transpa-
renz
Regression   
Decision Tree   
Random Forest   
Neuronales Netz    
Oft müssen mehrere Algorithmen ausprobiert
werden, um den optimalen Algorithmus zu finden.
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

21. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 21 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

22. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 22 | 48
Einsatz in Unternehmen
Microsoft & EY (2019)
31%Produktiv
62%Planung / Pilot
7%Nicht begonnen
https://pulse.microsoft.com/de-at/business-leadership-de-at/na/fa1-articial-intelligence-report-ein-ueberblick
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

23. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 23 | 48
Anwendungsfälle nach Abteilung
Unternehmensführung / Marketing / Vertrieb
 Prognose Unternehmenskennzahlen (z. B. Absatz)
 Operative Effizienz (Echtzeit-Verkaufszahlen)
 Prognose Konsumentenverhalten (Kaufverhalten, Reklamationen)
 Empfehlungsdienste
 Preisoptimierung / personalisierte Preise
Support
 Prognose Supportaufkommen
 Fallkategorisierung
 Stimmungsanalyse
 Chatbots
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

24. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 24 | 48
Anwendungsfälle nach Abteilung
Produktion / Logistik
 Ausfall- / Wartungsprognose
 Erkennung struktureller Defekte
 Optimierung von Transport, Lagerung, Inventur
IT
 Archivierung (Active Archive)
 Malware-Erkennung
 Spam-Erkennung
 Erkennung von Cyberangriffen
 Datenkompression, -vereinfachung
 Finden von Programmierfehlern
 Testautomatisierung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

25. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 25 | 48
Anwendungsfälle nach Branche
Banken / Finanzinstitute
 Betrugsfälle
 Einschätzung der Kreditwürdigkeit
 Börsenentwicklung
Versicherungen
 Prognose eintretender Versicherungsfälle
 Individuelle Risikovoraussage (z.B. Fahrstilbewertung)
 Betrugsfälle
Fraud
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

26. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 26 | 48
Anwendungsfälle nach Branche
Verkehr / Umwelt
 Regelsysteme
 Frühwarnsysteme
 Wettervorhersage
 Bilden von Verhaltensstrategien (Roboter)
Gesundheit
 Med. Diagnosen (z.B. Tumorerkennung)
 Personalisierte Medizin / Medikamente
 Ausbreitung von Epidemien
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

27. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 27 | 48
Anwendungsfälle allgemein
Identifikationssysteme
 Objekterkennung
 Gesichtserkennung
 Spracherkennung
 Handschrifterkennung
Textverständnis
Kreative Arbeiten
thispersondoesnotexist.com
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

28. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 28 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

29. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 29 | 48
Daten selbst beschaffen
Datenbanken / DWH  Direktzugriff und Reporting-Tools
Dateisysteme
Geschäftsanwendungen  API
 ERP
 CRM
Archivsysteme  API
 elektronische Dokumente (pdf, doc, ppt)
 gescannte Dokumente
 E-Mail-Korrespondenz
 Bilder, Videos
Fraud
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

30. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 30 | 48
Daten selbst beschaffen
Nutzungsprotokolle
 Geräte
 Programme / Apps
 Kredit- / Debitkarten
 Kunden- / Bonuskarten
Aktivitätsprotokolle (Logs)
 Software-Anwendungen
 Netzwerk
 Datenbanken
Soziale Medien  API
Webseiten  Web-Scraping
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

31. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 31 | 48
Daten selbst beschaffen
Sensoren (Kamera, Mikrofon, Temperatur, Beschleunigung, Luftdruck,
Vibration, Stromstärke, Spannung, …)
 Mobilgeräte
 Wearables
 Messgeräte
 Überwachungssysteme
 Smart Home
 Fahrzeuge
 Produktionsketten
 GPS / Lokalisierungsdienste
Internet of Things
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

32. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 32 | 48
Daten von Drittanbietern
Betreiber sozialer Medien
Statistische Ämter des Bundes und der Länder, OECD
Meinungsforschungsinstitute
Börsen
Mozilla  Sprachdatensammlung „Common Voice“
Öffentliche Trainingsdaten
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

33. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 33 | 48
Daten von Drittanbietern
„Data as a Service“ (DaaS)
Oracle DaaS
(Auswahl)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

34. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 34 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

35. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 35 | 48
Know-how
Generelles Know-how
 Informatik, Statistik
 Machine Learning: Prinzipien, Algorithmen
 Unstrukturierte Daten: Video, Audio, Texte, …
Big-Data-Infrastruktur
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Programmiersprachen
 R
 Python
 SQL
 (Java, C/C++, C#)
Cloud

36. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 36 | 48
Werkzeuge
Entwickler-Werkzeuge
 GNU R
 Caffe
 Deeplearning4j
 Keras
 TensorFlow
 PyTorch
 Microsoft Cognitive
Toolkit
 ML.NET
 Chainer
 Theano
 MATLAB
 …
Datenvisualisierung
 Ggplot
 d3.js
 Matplottlib
 Tableau
 gapminder.org
 …
en.wikipedia.org/wiki/Comparison_of_deep_learning_software
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

37. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 37 | 48
Know-how
Vorgehen
1. Das Problem verstehen
2. Daten beschaffen
3. Daten vorbereiten
4. Algorithmus auswählen
5. Modell trainieren
6. Bewerten
7. Anwenden
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Hyperparameter festlegen
Merkmale finden (Feature Engineering)
Normalisierung (Feature Scaling)
Fehlerkorrektur
Trainingsdaten vs. Testdaten
• Architecture (NN)
• Dropout
• Network Weight Initialization
• Activation function
• Learning rate
• Momentum
• Number of epochs
• Batch size

38. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 38 | 48
Automatisierung
Vorgehen
1. Das Problem verstehen
2. Daten beschaffen
3. Daten vorbereiten
4. Algorithmus auswählen
5. Modell trainieren
6. Bewerten
7. Anwenden
Cloud AutoML
Databricks Labs AutoML
kontinuierliches
Lernen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

39. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 39 | 48
AutoML-Beispiel
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

40. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 40 | 48
Inspektion
Beobachtung von Neuronen in versteckten Schichten
 zeitliche Entwicklung
 Korrelationen zwischen Eingabe und Zustand
„Data mining“ in neuronalen Netzen
Beispiele:
 ConX
 TensorBoard
 DeepBase
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

41. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 41 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

42. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 42 | 48
Grenzen des maschinellen Lernens
Face-Swap
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

43. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 43 | 48
Grenzen des maschinellen Lernens
Face-Swap
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

44. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 44 | 48
Grenzen des maschinellen Lernens
Subtile Manipulation
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

45. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 45 | 48
Grenzen des maschinellen Lernens
Abhängig von Zugang und Qualität der Daten
 Unvollständige Daten
 Ungenaue Daten
 Falsche Daten (z.B. Messfehler)
 Nicht-repräsentative Daten
 Unausgewogene Daten
Durchführung nicht trivial
 Trainingsdaten müssen vorbereitet werden (z.B. Bereinigung)
 Verschiedene Algorithmen möglich
 Qualität muss bewertet werden
 Dedizierte Tools
Fraud
Overfitting, underfitting
AutoML-Tools
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

46. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 46 | 48
Grenzen des maschinellen Lernens
Entscheidungsprozesse in tiefen neuronalen Netzen nicht überschaubar
 Unklar, ob globales Optimum gefunden wurde
 Möglichkeiten und Limitierungen nicht ersichtlich
 Entscheidungskriterien können nicht offengelegt werden  rechtliche Probleme?
Potentiell ressourcenintensiv
 Prozessor
 Speicher
 Netzwerk
leistungsfähige Systeme, Cloud

Inspektionstools
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

47. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 47 | 48
Grenzen des maschinellen Lernens
Vorschläge
Klein anfangen („ausreichend viele Daten“)
Möglichst vollständige, repräsentative Daten nutzen
Grundwissen im Bereich Data Science aufbauen
AutoML nutzen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

48. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 48 | 48
Vielen Dank!
Fragen?
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

49. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 49 | 48
Weiterführende Literatur
Fuchs-Kittowski K: Wissens-Ko-Produktion – Organisationsinformatik
http://www.wissenschaftsforschung.de/JB00_9-88.pdf
Aamodt A, Nygård M (1995): Different roles and mutual dependencies of
data, information, and knowledge – An AI perspective on their integration
Data and Knowledge Engineering, Elsevier, Bd. 16, Nr. 3, S. 191ff.
Schulz HJ, Nocke T: Maschinelle Datenanalyse im Informationszeitalter –
Können oder müssen wir ihr vertrauen?
https://www.pik-potsdam.de/members/nocke/.personal/Dispositiv05.pdf
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

50. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 50 | 48
Referenzen
A Tour of The Top 10 Algorithms for Machine Learning Newbies
https://towardsdatascience.com/a-tour-of-the-top-10-algorithms-for-machine-learning-newbies-
dde4edffae11?gi=895089bb957e
The 10 Algorithms Machine Learning Engineers Need to Know
https://www.kdnuggets.com/2016/08/10-algorithms-machine-learning-engineers.html
Essentials of Machine Learning Algorithms
https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/
Winfwiki: Überblick Ansätze des Deep Learning
http://winfwiki.wi-fom.de/index.php/%C3%9Cberblick_Ans%C3%A4tze_des_Deep_Learning
Netzgespinste
http://www.heise.de/ct/ausgabe/2016-6-Die-Mathematik-neuronaler-Netze-einfache-Mechanismen-komplexe-Konstruktion-
3120565.html
Machine learning
https://en.wikipedia.org/wiki/Machine_learning
Trainingsdaten
https://en.wikipedia.org/wiki/List_of_datasets_for_machine_learning_research
Detecting Financial Fraud Using Machine Learning
https://towardsdatascience.com/detecting-financial-fraud-using-machine-learning-three-ways-of-winning-the-war-against-
imbalanced-a03f8815cce9
Mozilla will mit Machine-Learning Coding-Fehler finden
https://www.golem.de/news/entwicklung-mozilla-will-mit-machine-learning-coding-fehler-finden-1902-139372.html
Artificial Intelligence in Logistics, DHL
https://www.logistics.dhl/content/dam/dhl/global/core/documents/pdf/glo-ai-in-logistics-white-paper.pdf
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

51. WWW.IKS-GMBH.COM
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

52. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 52 | 48
Maschinelles Lernen
Beispiel 1 : Regression (linear)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

53. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 53 | 48
Neuron
w1
w2
wn
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

54. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 54 | 48
Neuronales Netz
Eingabeschicht
Versteckte Schicht
Ausgabeschicht
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

55. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 55 | 48
Künstliche Intelligenz
Kognitive Intelligenz (Aufnahme und Erlernen von Wissen, Kombinieren,
Schlussfolgern)
Sensomotorische Intelligenz (Wahrnehmung und physische Interaktion)
Emotionale Intelligenz („Mitgefühl“)
Soziale Intelligenz („Teamgeist“)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

56. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 56 | 48
Exkurs Maschinelles Lernen und Data Mining
Machine Learning und Data Mining verwenden oft die gleichen Methoden und
überschneiden sich signifikant
Machine Learning
Vorhersage/Prognose, basierend auf bekannten Eigenschaften, die aus den
Trainingsdaten gelernt wurden
Fähigkeit, bekanntes Wissen zu reproduzieren
setzt auch Data Mining-Methoden als "unbeaufsichtigtes Lernen" oder als
Vorverarbeitungsschritt zur Verbesserung der Lerngenauigkeit ein
Data Mining
Explorative Suche = Entdeckung von (bisher) unbekannten Wissens in den
Daten
verwendet auch Lernmethoden des Machine Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

57. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 57 | 48
Exkurs Maschinelles Lernen und Data Mining
Typische Aufgabenstellungen des Data-Mining
Identifizierung von ungewöhnlichen Daten (Ausreißer, Fehler, Änderungen)
Clusteranalyse: Gruppierung von Objekten aufgrund von Ähnlichkeiten
Klassifikation: bisher nicht Klassen zugeordnete Elemente werden
bestehenden Klassen zugeordnet
Assoziationsanalyse: Identifizierung von Zusammenhängen und
Abhängigkeiten in den Daten in Form von Regeln wie „Aus A und B folgt
normalerweise C“.
Regressionsanalyse: Identifizierung von Beziehungen zwischen (mehreren)
abhängigen und unabhängigen Variablen
Zusammenfassung: Reduktion des Datensatzes in eine kompaktere
Beschreibung ohne wesentlichen Informationsverlust
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

58. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 58 | 48
Beispiel: Betrugserkennung
Datananalyse
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

59. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 59 | 48
Beispiel: Betrugserkennung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

60. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 60 | 48
Beispiel: Betrugserkennung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

61. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 61 | 48
Beispiel: Betrugserkennung
Anwendung: Random Forest
(geeignet für große Mengen-
unterschiede der beiden Klassen)
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

62. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 62 | 48
Soziale Implikationen
4 Todesfälle durch selbstfahrende PKW
Risikobewertung für kriminelles Verhalten  voreingenommen gegenüber
Schwarzen
Google: Bilderkennung von Schwarzen als Gorillas
Microsoft: Chatbot, der von Twitter gelernt hatte, nahm schnell rassistische
und sexistische Sprache auf
Befürchtung: Ablehnung von Bewerbern
Befürchtung: Med. Diagnose steht hinter Profit zurück
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

63. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 63 | 48
Maschinelles Lernen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

64. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 64 | 48
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

65. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 65 | 48
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

66. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 66 | 48
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen