Nicht zuletzt durch die medienwirksame Erfolge des maschinellen Lernens durch DeepMind, OpenAI und Kollegen ist Künstliche Intelligenz im Moment wieder in aller Munde. Einerseits locken zahlreiche neue, vorher undenkbare Anwendungen wie die automatische Diagnose von Krankheiten, autonome Fahrzeuge und Drohnen, oder die automatische Übersetzung gesprochener Wörter. Andererseits warnen mahnenden Stimmen wird vor dem zunehmendem Einflussnahme der „Algorithmen“ auf fast alle Bereiche unseres Lebens sowie vor unerwünschten Folgen von sich verselbstständigenden Computern gewarnt. Einige träumen von – oder fürchten sich vor – der vermeintlich unausweichlichen Singularität, an der sich nichts weniger als das Schicksal der gesamten Menschheit entscheiden wird. Doch was verbirgt sich hinter dem Begriff Künstliche Intelligenz? Je nachdem, wen man fragt, erhält man unterschiedliche, bisweilen gegensätzliche Antworten. Dieser Vortrag stellt einige dieser Antworten vor und versucht sie (nicht nur) anhand von Beispielen aus Forschung und Anwendung einzuordnen. Event: Business Analytics Day, 07.03.2019 Speaker: Dr. Matthias Richter, Dr. Stefan Igel (inovex) Mehr Tech-Vorträge: inovex.de/vortraege Mehr Tech-Artikel: inovex.de/blog

1. Künstlich Intelligent?
Stefan Igel, Matthias Richter Offenburg, 7. März 2019

2. stefan.igel@inovex.de
Stefan Igel
matthias.richter@inovex.de
Head of Big Data Solutions
Machine Learning Engineer
Matthias Richter
2

3. inovex ist ein innovations- und
qualitätsgetriebenes IT-Projekthaus mit dem
Leistungsschwerpunkt Digitale Transformation.
‣ Product Discovery · Product Ownership
‣ Web · UI/UX · Replatforming · Microservices
‣ Mobile · Apps · Smart Devices · Robotics
‣ Big Data & Business Intelligence Platforms
‣ Data Science · Data Products · Search · Deep Learning
‣ Data Center Automation · DevOps · Cloud · Hosting
‣ Agile Training · Technology Training · Coaching
Wir nutzen Technologien,
um unsere Kunden glücklich zu mach
Und uns selbst.
Karlsruhe · Pforzheim · Stuttgart · München · Köln · Hamburg
www.inovex.de

4. Die Jahreszeiten der KI
1950 heute
1. Winter
1973: Lighthill Report
1974: SUR-Debakel
Vertrauen/Funding
STUDENT
SAINT
SHRDLU
Perzeptron
Konnektionismus
Expertensysteme
Symbolische KI
2. Winter
1987: Ende der LISP-Maschine
1990: Ende der Expertensysteme
Statistisches
Machine Learning
Agentensysteme
Deep
Learning
Big Data
4

5. Was ist künstliche Intelligenz?
5

6. Künstliche Intelligenz im Film
negativ positiv
6

7. Deep Blue vs. Garri Kasparov (1997)
Quelle: Pedro Villavicencio via flickr Quelle: S.M.S.I., Inc. - Owen Williams,
The Kasparov Agency
7

8. Deep Blue vs. Garri Kasparov (1997)
Quelle: Pedro Villavicencio via flickr Quelle: S.M.S.I., Inc. - Owen Williams,
The Kasparov Agency
„nur Brute Force”
7

9. IBM Watson vs. Ken Jennings, Brad Rutter (2011)
Quelle: Atomic Taco via Wikimedia
8

10. IBM Watson vs. Ken Jennings, Brad Rutter (2011)
Quelle: Atomic Taco via Wikimedia
„nur eine Datenbank”
8

11. Alpha Go vs. Lee Sedol (2016)
Quelle: Buster Benson via flickr
9

12. Alpha Go vs. Lee Sedol (2016)
Quelle: Buster Benson via flickr
OK, das ist cool
9

13. Alpha Go vs. Lee Sedol (2016)
Quelle: Buster Benson via flickr
OK, das ist cool
9

14. Alpha Go vs. Lee Sedol (2016)
Quelle: Buster Benson via flickr
OK, das ist cool„kann nur spielen”
9

15. MENACE (1960)
Machine Educable Noughts And Crosses Engine
10

16. MENACE (1960)
Machine Educable Noughts And Crosses Engine
10

17. MENACE (1960)
Machine Educable Noughts And Crosses Engine
Matt Parker – MENACE: the pile
of matchboxes which can learn
https://youtu.be/R9c-_neaxeU
10

18. Was ist künstliche Intelligenz?
11

19. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Was? Denken vs. Handeln
Wie? Menschlich vs. Rational
12
Menschlich Denkend Rational Denkend
Menschlich Handelnd Rational Handelnd
Dimensionen

20. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Menschlich Handelnd
“The art of creating machines that perform functions that
require intelligence when performed by people.”
(Kurzweil, 1990)
“The study of how to make computers do things at which, at
the moment, people are better.”
(Rich and Knight, 1991)
13

21. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Menschlich Handelnd
“The art of creating machines that perform functions that
require intelligence when performed by people.”
(Kurzweil, 1990)
“The study of how to make computers do things at which, at
the moment, people are better.”
(Rich and Knight, 1991)
The Turing Test approach
13

22. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Menschlich Denkend
“The exciting new effort to make computers think . . .
machines with minds, in the full and literal sense.”
(Haugeland, 1985)
“[The automation of] activities that we associate with
human thinking, activities such as decision-making, problem
solving, learning . . .”
(Bellman, 1978)
14

23. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Menschlich Denkend
“The exciting new effort to make computers think . . .
machines with minds, in the full and literal sense.”
(Haugeland, 1985)
“[The automation of] activities that we associate with
human thinking, activities such as decision-making, problem
solving, learning . . .”
(Bellman, 1978)
The cognitive modeling approach
14

24. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Rational Denkend
“The study of mental faculties through the use of
computational models.”
(Charniak and McDermott, 1985)
“The study of the computations that make it possible to
perceive, reason, and act.”
(Winston, 1992)
15

25. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Rational Denkend
“The study of mental faculties through the use of
computational models.”
(Charniak and McDermott, 1985)
“The study of the computations that make it possible to
perceive, reason, and act.”
(Winston, 1992)
The “laws of thought” approach
15

26. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Rational Handelnd
“Computational Intelligence is the study of the design of
intelligent agents.”
(Poole et al., 1998)
“AI … is concerned with intelligent behavior in artifacts.”
(Nilsson, 1998)
16

27. Quelle: Artificial Intelligence - A Modern Approach (Norvig & Russell 2003)
Definitionen von KI
Rational Handelnd
“Computational Intelligence is the study of the design of
intelligent agents.”
(Poole et al., 1998)
“AI … is concerned with intelligent behavior in artifacts.”
(Nilsson, 1998)
The rational agent approach
16

28. Der Werkzeugkasten der KI
17

29. Der Turing Test
einfacher Turing Test
● kommunizieren
● Wissen speichern
● antworten und schlussfolgern
● adaptieren und extrapolieren
totaler Turing Test
● Objekte erkennen
● Objekte manipulieren und bewegen
18

30. Wissensrepräsentation
Automatisches Schließen
MachineLearning:
Adaptation,Detektion,(Extrapolation) erfolgreiche
Kommunikation
(text to speech)
Natural
Language
Processing
Computer
Vision
Robotics
Wahrnehmung,
Bildverstehen
Manipulation,
Bewegung
Teilbereiche der Künstlichen Intelligenz
19

31. Umsetzung von KI-Fähigkeiten
1950 – 1980 1970 – 2010 2000 – heute
20

32. Künstliche Intelligenz = Deep Learning?
21

33. https://hackernoon.com/the-ai-hierarchy-of-needs-18f111fcc007
https://www.digitalsource.io/data-engineer-vs-data-scientist
22

34. https://hackernoon.com/the-ai-hierarchy-of-needs-18f111fcc007
https://www.digitalsource.io/data-engineer-vs-data-scientist
Research Scientist
Core Data Scientist
ML Engineer
Data Scientist / Analyst
Software Developer
Data Engineer
22

35. https://hackernoon.com/the-ai-hierarchy-of-needs-18f111fcc007
Data Scientist
ML Engineer
Big Data Engineer
Software Entwickler mit
Schwerpunkt Big Data
Big Data Systems Engineer
22

36. Künstliche Intelligenz am Beispiel
23
mehr unter https://www.inovex.de/blog/category/analytics/

37. State-of-the-Art in NLP
Spam detection
mostly solved making good progress still really hard
Sentiment Analysis Question Answering (QE)
Part-of-speech (POS) tagging
Named entity recognition (NER)
Coreference resolution
Word sense disambiguation
(WSD)
Dialog
Summarization
ParaphraseParsing
Machine Translation
Information extraction
Topic models
24

38. Sebastian Blank: Querying NoSQL with Deep Learning to Answer Natural Language Questions
NLP in Action: What do you want to know?
25
› Who was the writer of True Lies?
Model
› James Cameron
Query
movieQuery field
true liesQuery entity
authorResponse field

39. Sebastian Blank: Querying NoSQL with Deep Learning to Answer Natural Language Questions
NLP in Action: What do you want to know?
26
Who
Encoder Decoder
movie true
was the writer of true lies ?
lies author
Word Embedding

40. Sebastian Blank: Querying NoSQL with Deep Learning to Answer Natural Language Questions
NLP in Action: What do you want to know?
26
Who
Encoder Decoder
movie true
was the writer of true lies ?
lies author
Word Embedding

41. NLP in Action: Give me similar things!
27
Text
extraction
Semantic
enrichment
(embeddings)
NLP?
enriched
query
NLP
basics
AI
How to
train a
model
Machine
Learning
query
expander

42. NLP in Action: Give me similar things!
Word Embeddings
Model semantic content (Word2Vec)
Query Expansion
Capture what user really means
Preprocessing
Process and enrich huge amounts of
documents
Data Exploration
Classification (multinomial Bayes, SVM,
LSTM + Attention)
Topic Modeling (LDA)
Named Entity Recognition (CRFs)
28

43. State-of-the-Art in CV
Object Detection
mostly solved making good progress still really hard
Object Detection Object Detection
Small-set Recognition / Matching
Pose Estimation (rigid bodies)
Content-based retrieval
Pose Estimation (non-rigid)
Action Recognition
Scene Understanding
Viewpoint TransferObject Categorization
Image Restoration/Inpainting
Segmentation/Semantic Labeling
3D-Reconstruction
Object Tracking
Domain Transfer
Object Hierarchies
29
Novelty Detection

44. CV in Action: Image Augmentation
Grow a temporary moustache
30
● Recognize identity​
● Estimate age, drowsiness,
expression, …
● Extract shape and pose
● Estimate attention and gaze
direction
detectface
findlandmarks
augmentimage
otheruses

45. CV in Action: Image Retrieval
31
• • •
Similarity
Measure
Database
Database ranked according to similarity
• • •
• • •
CNNFeatures
CNN
Features
CNN
Features
CNN
Features
CNN
Features
Query Image
learned
from

46. Jan Bender: Development and Evaluation of Deep Neural Networks for Detection of Pedestrian Crossing Intentions
CV in Action: Pedestrian Crossing Intention
32

47. Datenqualität bestimmt Modellqualität
33
http://gendershades.org/
South China Morning Post (scmp.com)

48. Datenqualität bestimmt Modellqualität
33
http://gendershades.org/
South China Morning Post (scmp.com)

49. Datenqualität bestimmt Modellqualität
33
http://gendershades.org/
South China Morning Post (scmp.com)
Wikipedia

50. Robotics
Pepper & Nao
34
Pepper
- Benutzerinteraktion
- Informationsquelle
- Emotionserkennung
Nao
- Erste Programmiererfahrung
(nicht nur) für Kinder
- Perfekte Plattform für junge
Talente (devoxx4kids, Girls'
Day, …)

51. Quelle: https://blog.openai.com/learning-dexterity/
Fingerfertigkeit
35

52. Was ist künstliche Intelligenz?
36

53. Was kann ich mit künstlicher
Intelligenz machen?
36

54. https://xkcd.org/1425, vom 24.09.2014
Wo stehen wir heute?
37
narrow AI wide AI
Lösungen für konkrete
Probleme
Systeme mit AI
Komponenten
menschliches Lernen
Extrapolation und
Kausalität
Humor und Satire
Umfangreiche Datensätze
Rechenkapazität und Infrastruktur
Frameworks und Tools

55. https://xkcd.org/1425, vom 24.09.2014
Wo stehen wir heute?
I’ll need a big dataset
and a GPU cluster
37
narrow AI wide AI
Lösungen für konkrete
Probleme
Systeme mit AI
Komponenten
menschliches Lernen
Extrapolation und
Kausalität
Humor und Satire
Umfangreiche Datensätze
Rechenkapazität und Infrastruktur
Frameworks und Tools

56. https://xkcd.org/1425, vom 24.09.2014
Wo stehen wir heute?
… and check why
they’re there.
37
narrow AI wide AI
Lösungen für konkrete
Probleme
Systeme mit AI
Komponenten
menschliches Lernen
Extrapolation und
Kausalität
Humor und Satire
Umfangreiche Datensätze
Rechenkapazität und Infrastruktur
Frameworks und Tools

57. Künstliche Intelligenz braucht Kreativität
38
Mensch:
emotional,
irrational,
empathisch,
neugierig,
passioniert
und kreativ
Maschine:
präzise,
berechnend,
reproduzierbar,
realistisch und
getaktet

58. http://www.bbc.com/future/story/20151201-the-cyborg-chess-players-that-cant-be-beaten
Mensch + Maschine = Dream Team
39

59. http://www.bbc.com/future/story/20151201-the-cyborg-chess-players-that-cant-be-beaten
Mensch + Maschine = Dream Team
39