Was denken denkende Maschinen?

179 Aufrufe

Veröffentlicht am

Im Jahr 2009 identifizierte Googles Chefökonom Hal Varian "Statistiker" als "sexiest Job des 21. Jahrhunderts"; seit 2011 ruft IBM die Ära des "Cognitive Computing" aus, die Ära der denkenden Maschinen. Google DeepMinds 2016er Veröffentlichung, die den Aufbau eines selbstlernenden Systems zum Meistern des hochkomplexen Spiels "Go" beschreibt, demonstriert schliesslich: Tätigkeiten, die zuvor uns Menschen vorbehalten waren, liegen nun im Bereich des maschinell Möglichen. Gleichzeitig enwickelt sich das Berufsbild des "Data Scientists" bzw. der "Data Smarts" rasant.
Der Vortrag wirft ein Licht auf diese Entwicklungen aus dem Blickwinkel eines Data Scientists und Enthusiasten in Künstlicher Intelligenz. Was ist bereits Realität, was könnte bald real werden, was steckt dahinter - und was bedeutet das für einen Wirtschaftsingenieur?

Veröffentlicht in: Daten & Analysen
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
179
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
41
Aktionen
Geteilt
0
Downloads
5
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Was denken denkende Maschinen?

  1. 1. Zürcher Fachhochschule Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, 20.10.2016 Thilo Stadelmann
  2. 2. Zürcher Fachhochschule 2 Was? Wie?  Wohin? 1Was ist passiert? (Eine kurze Geschichte der letzten Monate)
  3. 3. Zürcher Fachhochschule 3
  4. 4. Zürcher Fachhochschule 4
  5. 5. Zürcher Fachhochschule 5
  6. 6. Zürcher Fachhochschule 6
  7. 7. Zürcher Fachhochschule 7
  8. 8. Zürcher Fachhochschule 8 Generierte Sprache «aus Texteingabe» Generierte Musik «ohne Inhaltsvorgabe»
  9. 9. Zürcher Fachhochschule 9
  10. 10. Zürcher Fachhochschule 10
  11. 11. Zürcher Fachhochschule 11
  12. 12. Zürcher Fachhochschule 12
  13. 13. Zürcher Fachhochschule 13 …und die Liste liesse sich fortsetzen!
  14. 14. Zürcher Fachhochschule 14 …und die Liste liesse sich fortsetzen!
  15. 15. Zürcher Fachhochschule 15 …und die Liste liesse sich fortsetzen!
  16. 16. Zürcher Fachhochschule 16 Was ist passiert? Der ImageNet Wettbewerb 1000 Kategorien 1 Mio. Beispiele …
  17. 17. Zürcher Fachhochschule 17 Was ist passiert? Der ImageNet Wettbewerb 1000 Kategorien 1 Mio. Beispiele … A. Krizhevsky verwendet als erster ein sog. «Deep Neural Network» (CNN)
  18. 18. Zürcher Fachhochschule 18 Was ist passiert? Der ImageNet Wettbewerb 1000 Kategorien 1 Mio. Beispiele … A. Krizhevsky verwendet als erster ein sog. «Deep Neural Network» (CNN)
  19. 19. Zürcher Fachhochschule 19 Was ist passiert? Der ImageNet Wettbewerb 1000 Kategorien 1 Mio. Beispiele … A. Krizhevsky verwendet als erster ein sog. «Deep Neural Network» (CNN) 2015: Computer haben “Sehen” gelernt 4.95% Microsoft (06. Februar)  Besser als Menschen (5.10%) 4.80% Google (11. Februar) 4.58% Baidu (11. Mai) 3.57% Microsoft (10. Dezember)
  20. 20. Zürcher Fachhochschule 20 Was? Wie?  Wohin? 2Wie geht das? (Was denken denkende Maschinen?)
  21. 21. Zürcher Fachhochschule 21 Grundlage Induktives überwachtes Lernen Annahme • Ein an genügend viele Beispiele angepasstes Modell… • …wird auch auf unbekannte Daten generalisieren Methode • Suchen der Parameter einer gegebenen Funktion… • …so dass für alle Beispiele Eingabe (Bild) auf Ausgabe («Auto») abgebildet wird Quelle: http://lear.inrialpes.fr/job/postdoc-large-scale-classif-11-img/attribs_patchwork.jpg
  22. 22. Zürcher Fachhochschule 22 Suche der Parameter einer Funktion?? Neuron Merkmale (z.B. Pixel) Anpassbare Parameter Entscheidung (Schwellwert) Ergebnis (z.B. «Auto») 𝑦
  23. 23. Zürcher Fachhochschule 23 Suche der Parameter einer Funktion?? Neuron Neuronales Netz Merkmale (z.B. Pixel) Anpassbare Parameter Entscheidung (Schwellwert) Ergebnis (z.B. «Auto») 𝑦
  24. 24. Zürcher Fachhochschule 24 Idee: Mehr Tiefe zum Lernen von Merkmalen (0.2, 0.4, …) Containerschiff Tiger Klassische Bild- verarbeitung (0.4, 0.3, …) Merkmalsextraktion (SIFT, SURF, LBP, HOG, etc.) Containerschiff Tiger Mit Convolutional Neural Networks (CNNs) Nimmt rohe Pixel entgegen, Merkmale werden mitgelernt! Klassifikation (SVM, Neuronales Netz, etc.) … …
  25. 25. Zürcher Fachhochschule 25 Was «sieht» das Neuronale Netz? Hierarchien komplexer werdender Merkmale Quelle: https://www.pinterest.com/explore/artificial-neural-network/
  26. 26. Zürcher Fachhochschule 26 Was? Wie?  Wohin? 3Wohin führt das? (Ein Ausblick)
  27. 27. Zürcher Fachhochschule 27 Was ich nicht erwarte
  28. 28. Zürcher Fachhochschule 28 Was ich nicht erwarte
  29. 29. Zürcher Fachhochschule 29 Was ich nicht erwarte
  30. 30. Zürcher Fachhochschule 30 Was ich erwarte
  31. 31. Zürcher Fachhochschule 31 Was ich erwarte
  32. 32. Zürcher Fachhochschule 32 Was ich erwarte
  33. 33. Zürcher Fachhochschule 33 Was ich erwarte
  34. 34. Zürcher Fachhochschule 34 Was ich erwarte
  35. 35. Zürcher Fachhochschule 35 Schlussfolgerungen • «Denkende rechnende» Maschinen sind immer noch inselbegabt • Aber: «Deep Learning» hat zu Quantensprung in Mustererkennungsaufgaben geführt • Für andere Datenanalyseaufgaben sind andere Verfahren besser geeignet • Angst ist unangebracht – aber Herausforderungen wollen gestaltet werden: technisch, ethisch, wirtschaftlich, gesellschaftlich Mehr zu mir: • Leiter ZHAW Datalab, Vice President SGAICO, Board Data+Service • thilo.stadelmann@zhaw.ch • 058 934 72 08 • www.zhaw.ch/~stdm Mehr zum Thema: • KI: http://www.s-i.ch/en/fachgruppen-und-sektionen/sgaico/ • Verband Data & Service Science: www.data-service-alliance.ch • Gemeinsame Projekte: datalab@zhaw.ch  Fragen Sie gerne an.
  36. 36. Zürcher Fachhochschule 36 ANHANG
  37. 37. Zürcher Fachhochschule 37 Was «sieht» das Neuronale Netz? Hierarchien komplexer werdender Merkmale Quelle: http://vision03.csail.mit.edu/cnn_art/data/single_layer.png

×