SlideShare une entreprise Scribd logo
1  sur  66
Télécharger pour lire hors ligne
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 1 | 48
Projekte. Beratung. Spezialisten.
Mehr Wissen aus Daten
IKS-Thementag
12.11.2019
Autor: Martin Gossen
Möglichkeiten und Grenzen des Machine Learning
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 2 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
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
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
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
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
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
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
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
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
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
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
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
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
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 16 | 48
Neuronales Netz
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 19 | 48
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 39 | 48
AutoML-Beispiel
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
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
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
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
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
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
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
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 48 | 48
Vielen Dank!
Fragen?
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
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
WWW.IKS-GMBH.COM
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 53 | 48
Neuron
w1
w2
wn
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
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
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
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 58 | 48
Beispiel: Betrugserkennung
Datananalyse
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 59 | 48
Beispiel: Betrugserkennung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 60 | 48
Beispiel: Betrugserkennung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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
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
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 63 | 48
Maschinelles Lernen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 64 | 48
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 65 | 48
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 66 | 48
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

Contenu connexe

Similaire à Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning

BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...Dr. Christian Holsing
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Praxistage
 
Das Erwachen der Roboter im Content Marketing.
Das Erwachen der Roboter im Content Marketing.Das Erwachen der Roboter im Content Marketing.
Das Erwachen der Roboter im Content Marketing.Michael Schmitt
 
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der KundenschnittstelleBAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der KundenschnittstelleBATbern
 
Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Thilo Stadelmann
 
Enterprise Knowledge Networking - a HowTo
Enterprise Knowledge Networking - a HowToEnterprise Knowledge Networking - a HowTo
Enterprise Knowledge Networking - a HowToThomas Kunz
 
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018Digital Analytics Institute
 
advanced store connect workshop
advanced store connect workshopadvanced store connect workshop
advanced store connect workshopadvanced store
 

Similaire à Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning (9)

BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
BIG DATA im E-Commerce - Potenziale und Herausforderungen des Web Mining am B...
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
 
Das Erwachen der Roboter im Content Marketing.
Das Erwachen der Roboter im Content Marketing.Das Erwachen der Roboter im Content Marketing.
Das Erwachen der Roboter im Content Marketing.
 
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der KundenschnittstelleBAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
BAT40 CCSourcing Auge Zerndt Artificial Intelligence an der Kundenschnittstelle
 
Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"
 
Enterprise Knowledge Networking - a HowTo
Enterprise Knowledge Networking - a HowToEnterprise Knowledge Networking - a HowTo
Enterprise Knowledge Networking - a HowTo
 
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
Verstehen Sie Ihre Kunden Meetup Köln 08.10.2018
 
advanced store connect workshop
advanced store connect workshopadvanced store connect workshop
advanced store connect workshop
 

Plus de IKS Gesellschaft für Informations- und Kommunikationssysteme mbH

Plus de IKS Gesellschaft für Informations- und Kommunikationssysteme mbH (20)

Es wird Zeit KI zu nutzen - Wie es mit Azure KI Services und .NET MAUI gelingt
Es wird Zeit KI zu nutzen - Wie es mit Azure KI Services und .NET MAUI gelingtEs wird Zeit KI zu nutzen - Wie es mit Azure KI Services und .NET MAUI gelingt
Es wird Zeit KI zu nutzen - Wie es mit Azure KI Services und .NET MAUI gelingt
 
Thementag 2023 06 Dieses Mal machen wir alles richtig - 9 Hacks für wandelbar...
Thementag 2023 06 Dieses Mal machen wir alles richtig - 9 Hacks für wandelbar...Thementag 2023 06 Dieses Mal machen wir alles richtig - 9 Hacks für wandelbar...
Thementag 2023 06 Dieses Mal machen wir alles richtig - 9 Hacks für wandelbar...
 
Thementag 2023 04 Lindern, heilen oder gar fit machen.pdf
Thementag 2023 04 Lindern, heilen oder gar fit machen.pdfThementag 2023 04 Lindern, heilen oder gar fit machen.pdf
Thementag 2023 04 Lindern, heilen oder gar fit machen.pdf
 
Thementag 2023 05 Wer zu spät kommt, den bestraft das Leben - Modernisierung ...
Thementag 2023 05 Wer zu spät kommt, den bestraft das Leben - Modernisierung ...Thementag 2023 05 Wer zu spät kommt, den bestraft das Leben - Modernisierung ...
Thementag 2023 05 Wer zu spät kommt, den bestraft das Leben - Modernisierung ...
 
Thementag 2023 01 Mut zur Modernisierung - ein Praxisbeispiel.pdf
Thementag 2023 01 Mut zur Modernisierung - ein Praxisbeispiel.pdfThementag 2023 01 Mut zur Modernisierung - ein Praxisbeispiel.pdf
Thementag 2023 01 Mut zur Modernisierung - ein Praxisbeispiel.pdf
 
Thementag 2023 03 Einführung in die Softwaremodernisierung.pdf
Thementag 2023 03 Einführung in die Softwaremodernisierung.pdfThementag 2023 03 Einführung in die Softwaremodernisierung.pdf
Thementag 2023 03 Einführung in die Softwaremodernisierung.pdf
 
Thementag 2022 04 ML auf die Schiene gebracht.pdf
Thementag 2022 04 ML auf die Schiene gebracht.pdfThementag 2022 04 ML auf die Schiene gebracht.pdf
Thementag 2022 04 ML auf die Schiene gebracht.pdf
 
Thementag 2022 03 Ein Modell ist trainiert - und jetzt.pdf
Thementag 2022 03 Ein Modell ist trainiert - und jetzt.pdfThementag 2022 03 Ein Modell ist trainiert - und jetzt.pdf
Thementag 2022 03 Ein Modell ist trainiert - und jetzt.pdf
 
Thementag 2022 02 Der Deutschen Bahn in die Karten geschaut.pdf
Thementag 2022 02 Der Deutschen Bahn in die Karten geschaut.pdfThementag 2022 02 Der Deutschen Bahn in die Karten geschaut.pdf
Thementag 2022 02 Der Deutschen Bahn in die Karten geschaut.pdf
 
Erste Schritte in die neue Welt-So gelingt der Einstieg in Big Data und Machi...
Erste Schritte in die neue Welt-So gelingt der Einstieg in Big Data und Machi...Erste Schritte in die neue Welt-So gelingt der Einstieg in Big Data und Machi...
Erste Schritte in die neue Welt-So gelingt der Einstieg in Big Data und Machi...
 
Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...
Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...
Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...
 
Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?
 
Erste Schritte in die neue Welt - So gelingt der Einstieg in Big Data und Mac...
Erste Schritte in die neue Welt - So gelingt der Einstieg in Big Data und Mac...Erste Schritte in die neue Welt - So gelingt der Einstieg in Big Data und Mac...
Erste Schritte in die neue Welt - So gelingt der Einstieg in Big Data und Mac...
 
Darf es ein bisschen mehr sein - Konzepte Strategien zur Bewältigung großer u...
Darf es ein bisschen mehr sein - Konzepte Strategien zur Bewältigung großer u...Darf es ein bisschen mehr sein - Konzepte Strategien zur Bewältigung großer u...
Darf es ein bisschen mehr sein - Konzepte Strategien zur Bewältigung großer u...
 
Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning
Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine LearningDaten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning
Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning
 
Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?
 
Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...
Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...
Darf es ein bisschen mehr sein - Konzepte und Strategien zur Bewältigung groß...
 
Big Data und Machine Learning - Wer braucht das schon!
Big Data und Machine Learning - Wer braucht das schon!Big Data und Machine Learning - Wer braucht das schon!
Big Data und Machine Learning - Wer braucht das schon!
 
Erste Schritte in die neue Welt so gelingt der Einstieg in Big Data und Machi...
Erste Schritte in die neue Welt so gelingt der Einstieg in Big Data und Machi...Erste Schritte in die neue Welt so gelingt der Einstieg in Big Data und Machi...
Erste Schritte in die neue Welt so gelingt der Einstieg in Big Data und Machi...
 
Von der Idee zur Lösung in Rekordzeit - Anforderungsmanagement und Qualitätss...
Von der Idee zur Lösung in Rekordzeit - Anforderungsmanagement und Qualitätss...Von der Idee zur Lösung in Rekordzeit - Anforderungsmanagement und Qualitätss...
Von der Idee zur Lösung in Rekordzeit - Anforderungsmanagement und Qualitätss...
 

Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning

  • 1. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 1 | 48 Projekte. Beratung. Spezialisten. Mehr Wissen aus Daten IKS-Thementag 12.11.2019 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