Forschung

Demis Hassabis – Ein Kopf hinter Google DeepMind

Teilt den Artikel mit euren Freunden und Followern!

Demis Hassabis, einer der führenden Köpfe hinter Google DeepMind redet über die Form von KI, an der DeepMind baut. Demis hat nach der Uni an verschiedenen Startups mitgewirkt – auch im Bereich Machine Learning. Nach seiner Startup-Zeit ging es für ihn wieder zurück an die Universität, wo er in Cognitive Neuro Science promovierte.

Er unterscheidet in seinem Vortrag verschiedene Formen von Künstlichen Intelligenzen:

  • Learning vs. Handcrafted
  • General vs. Specific
  • Grounded vs. Logic-based
  • Active learning vs. Passive observation




Google DeepMind ist nur an Intelligenzen interessiert, die sich, wie folgt, kategorisieren lassen:  feature learning, general purpose, grounded und active learning. Doch was bedeutet dies im Detail? Die gelernten Modelle sollen ihre Feature-Extraktoren selbst lernen (also durch Feedback relevante Merkmale finden), sie sollten keinem speziellem Zweck dienen, sondern universal einsetzbar sein. Außerdem basieren sie auf probabilistischen Ansätzen, die biologisch motiviert werden. Als letztes Kriterium sollen sie aktiv lernen und dafür eine Belohnung oder eine Strafe erhalten (reward, insb. reinforcement learning). Wie Demis es in seinem Vortrag sagt: “System without any data, learning from the first principles”.

Neben seinem Ausblick in die Zukunft von DeepMind redet er vor allem über zwei Anwendungsfälle von Googles DeepMind. Als erstes geht er auf AlphaGo ein (eine KI die Lee Sedol im Spiel Go geschlagen hat). Sein zweiter Anwendungsfall ist ein Rechenzentrum von Google, dass mit einem von Google DeepMind entwickelten System signifikant Strom sparen konnte.




One comment

  1. Auch ich habe dem Vortrag von Demis Hassabis gelauscht, bin aber zu gänzlich anderen Erkenntnissen gelangt. Wenn ich ihn richtig verstanden habe, wird ein neuronales Netz als Evaluations-Funktion für Go verwendet. Damit kann dann ein Minimax-Algorithmus ausgeführt werden, um schneller zu entscheiden welche Bereiche des Game-Trees näher untersucht werden müssen. Ansonsten finde ich den Blog hier gelungen und werde öfters mal vorbeischauen.

Leave a Reply

Your email address will not be published. Required fields are marked *