Author: Alexander Bresk

Die Chatbot Euphorie sinkt

Viele Geschäftsmodelle wurden seit 2015 umgedacht. Chatbots kamen auf und stellte für viele Unternehmen erstmal einen spannenden Acquisition Chanel da.  Fünf Jahre später stellen einige dieser Unternehmen fest, dass der Chatbot vielleicht doch nicht so optimal ist. Ähnlich geht es auch dem Startup Storyliner, die anfangs das Problem des “Leeren Blattes” in der Content Creator Branche lösen wollten. Es stellte sich heraus, dass Kunden u.a. zu wenig Fokus auf einen Chatbot legen und bereits nach wenigen Minuten die Konzentration schwindet. Das Interview mit den Gründern lest ihr hier.

Wofür eignen sich Chatbots? In den vergangenen Jahren wurden immer häufiger Chatbots für verschiedene Use Cases eingesetzt, darunter:

  • On-Boarding von Nutzern für diverse Plattformen
  • Schnellerer Sales Prozess
  • Optimierung von Customer Service Prozessen
  • Abfrage von Informationen über APIs im Hintergrund
Nachdem Chatbots oft als der Kanal der Zukunft gehypt wurden, stellt sich nun heraus, dass diese Technologie noch einige Zeit brauchen wird, bis sie die nötige Akzeptanz findet.
Aber welche Verbesserungen werden Chatbots letztendlich zum Siegeszug verhelfen?

Buch-Tipps zum Thema Chatbots

6 Mythen zum Thema Deep Fakes

Das Center for Data Ethics and Innovation hat einen Report über das Thema Desinformation und DeepFakes veröffentlicht. Der Report bietet vieles! U.a. wird gezeigt, wie Deep Fakes enstehen und wie sich falsche Informationen verbreiten. Darauf werde ich in anderen Beiträgen zurückkommen. Hier geht es um die 6 Mythen zum Thema Deep Fakes.

(Extrahiert aus dem Report: Snapshot Paper – Deepfakes and Audiovisual Disinformation)

Deep Fakes treten vorwiegend in Form von Gesichtsaustausch in Videos auf. 

Realität: Es gibt vier Typen von Deep Fakes: Gesichtsersatz, Gesichtsnachstellung, Gesichtserzeugung und Audiosynthese.

Deepfakes tauchen auf Social-Media-Plattformen in großer Zahl auf

Realität: Auf Social-Media-Plattformen sind nur wenige politische Deepfakes aufgetaucht. Die Anzahl der gefälschten pornografischen Videos gibt jedoch Anlass zur Sorge.

Jeder kann ausgefeilte Deepfakes erstellen, die die Messlatte der Glaubwürdigkeit sprengen. 

Realität: Während unterstützende Software wie FakeApp es mehr Menschen ermöglicht hat, sich mit Deepfakes zu beschäftigen, erfordert die hochqualitative Audio- und Bildsynthese immer noch beträchtliches Fachwissen.

Die beste Methode zum Erkennen von Deepfakes besteht in physiologischen Tests (dem “Eye Blinking”-Test).

Realität: Die physiologische Untersuchung von Videos kann langsam und unzuverlässig sein. Für ein systematisches Screening von Deepfakes sind AI-basierte Tools erforderlich, mit denen die Erkennung gefälschter Inhalte teilweise automatisiert werden kann. Die Tools müssen außerdem regelmäßig aktualisiert werden.

Neue Gesetze sind eine schnelle Lösung für den Umgang mit Deepfakes. 

Realität: Versuche, Gesetze gegen Deepfakes zu erlassen, können sich als wirkungslos erweisen, da es sehr schwierig ist, die Herkunft der behandelten Inhalte zu bestimmen. Die Gesetzgebung könnte auch den nützlichen Einsatz visueller und akustischer Manipulationen gefährden.

Deepfakes sind wie mit Photoshop erstellte Bilder. Die Menschen werden sich an sie gewöhnen. 

Realität: Dies ist eine Annahme, keine Tatsache. Es gibt nur unzureichende Untersuchungen darüber, wie Deepfakes das Verhalten und die Überzeugungen der Zuschauer beeinflussen.

Machine Learning für Manager

Machine Learning kann für Nicht-Techies, Anfänger und Manager oft eine harte Nuss sein. In unserer neuen Tour wollen wir deshalb dabei helfen, diese Nuss zu knacken. Oftmals sind Management-Entscheidungen zu treffen, bei denen Manager zumindest eine Ahnung von den Abläufen und Prozessen haben wollen.

In 6 kurzen Kapiteln werden die grundlegendsten Begriffe angesprochen und in verständlicher Sprache erklärt. Diese Kapitel beinhalten alles, was man wissen muss, um mit Engineers und Datenspezialisten zu diskutieren.

  • Entscheidung für den Typ der Anwendung
  • Das besorgen der Daten
  • Das Erstellen der Feature-Repräsentation
  • Prototyping des Feature-Vektors
  • Auswahl eines Verfahrens für die Implementation
  • Anschließendes Messen der Ergebnisse

Hier geht es zur Tour Machine Learning für Manager.

Human Digitale Teams in der Wirtschaft

Von Human-digitalen Teams spricht man, wenn man Teams meint, die einen oder mehrere digitale “Kollegen” haben. Das sind in der Regel Helfer mit Künstlicher Intelligenz, die eine spezielle Aufgabe effizienter lösen können, als ihre menschlichen Kollegen. Oftmals sind diese Aufgaben dann entweder datenintensiv oder sehr komplex.

Digitale intelligente Helfer geben dabei meistens Empfehlungen oder zeigen die Implikationen von bestimmten Entscheidungen auf. In der heutigen Industrie sind immer mehr solcher Helfer aktiv in den Arbeitsprozessen dabei.

Beispiele für Digitale Helfer

  • Risikoabschätzung bei Investment-Entscheidungen
  • Bildgebende Verfahren im OP-Saal
  • Digitale Assistenzsysteme (Siri, Cortana, etc.) für Termine und Erinnerungen
  • Intelligente Suchsysteme auf großen Datenmengen
  • Entscheidungen im Bereich Business Analytics
  • Assistenten zur optimierten Planung von Arbeitsaufwänden

Wie spricht man Digitale Helfer an?

Digitale Helfer spricht man beispielsweise über ein Text-Interface (Chatbot), über eine grafische Oberfläche oder ein Sprach-Interface an. Aktuell arbeitet man dabei meist in der Befehlsform, um schnell an eine Antwort oder eine Empfehlung zu gelangen.

Entwicklung von Digitalen Kollegen

Immer mehr Firmen in der Industrie und im Dienstleistungsbereich nutzen Digitale Assistenten / Helfer dafür, um sich auf die wichtigen Aufgaben und ihr Kerngeschäft zu fokussieren. Durch das Erfassen von Daten und Machine Learning werden immer mehr Aufgabenfelder gefunden, in denen sich der Einsatz dieser Assistenten lohnt.

Buch-Tipps für das Thema “Human-digitale Teams”

Wann überholt die Maschine den Mensch?

Katja Grace, John Salvatier, Allan Dafoe, Baobao Zhang und Owain Evans haben in ihrer Arbeit: “When Will AI Exceed Human Performance? Evidence from AI Experts” verschiedene KI Experten auf dem gesamten Globus um Schätzungen zu verschiedenen Fragestellungen gebeten. Die Hauptfrage dabei war:

Wann wird die KI stärker sein als der Mensch?

oder auf englisch:

When will AI exceed human performance?

Figure 1: Wann wird die Künstliche Intelligenz stärker sein als der Mensch?

Die Wissenschaftler sollten das Jahr 2016 als Anfangspunkt nehmen und versuchen, für die kommenden 100 Jahre jeweils eine Wahrscheinlichkeit abzugeben, wann sie damit rechnen.

Die grauen Linien in Figure 1 zeigen alle Messpunkte der verschiedenen Forscher. Die aggregierte Vorhersage überschreitet in circa 50 Jahren die “50% wahrscheinlich, das die KI den Menschen überholt” Marke. In 100 Jahren ist die Wahrscheinlichkeit bei knapp 75%.

Figure 2: Hat die optimistische/pessimistische Schätzung eventuell kulturelle Hintergründe?

Sehr spannend sind die “Ausreißer” – die sehr optimistischen und sehr pessimistischen Schätzer. Figure 2 illustriert, das asiatische Forscher sehr optimistisch geschätzt haben. Nordamerikanische Forscher hingegen schätzen sehr pessimistisch. Welche Einflüsse die Autoren der Studie dafür verantwortlich machen, wird nicht genannt.

 

Wir können allerdings festhalten, dass wir in 50 Jahren eine 50% Chance und in 100 Jahren eine 75% Chance haben, das eine KI stärker sein wird, als ein Mensch.

Figure 3: Berufe, Kreativität und Computerspiele. Wann wird eine Maschine das beherrschen?

 

Diese Aussage ist natürlich sehr wage. Aktuell existieren Systeme, die effizienter arbeiten als der Mensch – beim Verpacken von Kisten, beim Schweißen von großen Metallflächen und weiterem mehr. In der Frage, welche die Autoren stellten, ging es um eine komplette Intelligenz, die mit HLMI (Human Level Machine Intelligence) bezeichnet wird.

Die Umfrage beschäftigte sich aber auch mit weiteren Fragestellungen. Unter anderem wurden die Forscher danach gefragt, wann eine Intelligenz spezifische Sachen besser kann als ein Mensch.

Figure 3 zeigt verschiedene Aufgaben mit den Schätzungen in Jahren, die es noch dauern könnte, bis eine Intelligenz diese Aufgabe, besser als ein Mensch, erledigen kann. Bis eine Intelligenz eine bessere Vertriebsperson ist, soll es im Mittel noch 14 Jahre dauern (die Linie zeigt die Abweichung aller Schätzungen an, es handelt sich hier nicht um einen Roboter, sondern um eine Software).

Sogar mathematische Forschung soll eine Intelligenz irgendwann besser können als der Mensch. Mit diesen schwereren Tasks beschäftigt sich Figure 4.

Figure 4: Nichts ist unmöglich. Etwas kompliziertere Aufgaben brauchen länger, bis sie automatisiert sind.

Dank dieser Studie von Katja Grace et al. haben wir nun eine ungefähre Vorstellung, wann uns die Künstlichen Intelligenzen gefährlich werden können. Allerdings wird sich unser Bild auf die Menschheit, auf Roboter und der Welt in der wir leben in diesen vielen Jahren auch grundsätzlich verändert haben.

Hier gehts zur Studie

 

Buch-Tipps zum Thema

5 Wege wie Roboter den Mainstream erreichen

In diesem Artikel von PWC werden 5 Wege gezeigt, die die nächste Generation der Roboter auszeichnet und ihnen helfen wird, in den Mainstream zu gelangen. Diese 5 Wege sind hauptsächlich:

  1. Aus einer starren Umgebung in eine Dynamische – Roboter und ihre Ingenieure lernen zunehmend, wie das Verhalten von Robotern in dynamischen Umgebungen aussehen muss.
  2. Von der Isolation zu Cobots – Collaborating Robots ist aktuell das Schlagwort, wenn man von Robotern spricht, die mit dem Menschen zusammen arbeiten sollen.
  3. Vom programmierten zum gelernten Verhalten – Forschungen im Bereich des Machine Learning machen es möglich, dass Roboter out-of-the-box ihr gewünschtes Verhalten lernen. Das macht sie sehr flexibel.
  4. Von der Einzelfertigung zum flexiblen Einsatz – Besseres Verständnis der Prozesse in Wirtschaft und Industrie haben dazu geführt, dass Roboter nicht nur für einzelne Kunden spannend sind, sondern auf diverse Prozesse (in langen Prozessketten) eingesetzt werden können.
  5. Vom Back-Office zum Front-Office – Früher wurden Roboter in Fabrikhallen hinter Glasscheiben betrieben. Es ist aber nun auch möglich, bestimmte Typen von Robotern dafür zu nutzen, mit dem Kunden zu kommunizieren. Beispielsweise werden Roboter nicht nur für die Fertigung, sondern auch zur Auslieferung benutzt.

Den Artikel von PWC gibt es hier in ganzer Länge. Viel Spaß beim Lesen.

Kraken Robotics – The sky is the seabed

In der Rubrik Startups & Unternehmen stellen wir neue innovative Firmen aus dem Bereich der Künstlichen Intelligenz vor. Diesmal: Kraken Robotics aus Neufundland.

Kraken Robotics ein Unternehmen aus Neufundland (Kanada) arbeitet an autonomen Unterseebooten. Das Unternehmen an sich verfolge ich nun schon seit knapp 3 Jahren. Damals etablierte Kraken eine Tochterfirma in Deutschland. Das erklärte Ziel von Kraken ist es, den Boden des Ozeans zu kartieren. Das klingt erstmal nach einer typischen Aufgabe für ein Forschungsinstitut und nicht nach einer kommerziellen Idee, hinter der eine Firma steht. Allerdings ergeben sich daraus diverse Geschäftsfelder, die nicht sofort ersichtlich sind.

Aber was bietet Kraken eigentlich:

  • AquaPix(TM) Sensoren – Diese Sonar-Sensoren bieten eine Weltneuheit, was ihre Genauigkeit und Präzision angeht.
  • Diverse Sensoren – Zum Messen von Geschwindigkeit bzw. anderen Parametern unter der Wasseroberfläche.
  •  KatFish(TM) und ThunderFish(TM) – Zwei autonome Unterseeboote, die mit Kraken-Sensoren ausgestattet sind und damit Gewässer kartieren können.
  • SeaVision(TM) – Ein Sensorsystem mit dem man Oberflächeninspektion an Objekten in Gewässern durchführen kann.
  • Diverse andere Komponenten –  die druckresistent arbeiten können, darunter auch einen Datenspeicher

Erstaunlich dabei ist die Genauigkeit der Sensoren. Dadurch lassen sich selbst komplizierte Strukturen am Meeresboden visualisieren und inspizieren. Wie im Bild zu sehen, gelingt es den Kraken Sensoren sogar, die SS Ferrando ein ehemaliges Transportschiff des Britischen Empires sehr genau zu aufzulösen.

Kraken hat erst kürzlich wieder ein Funding des Kanadischen Ministeriums für Innovation in Höhe von $5.9M bekommen. Dabei ist Kraken Teil des Ocean Superclusters, einer Initiative des Ministeriums, die sich an Technologien rund um die Themen Ozeane, autonome Systeme und Robotik drehen. Typische Anwendungsfelder für die Technologie von Kraken sind:

  • Generelle Erkundung von Ozeanen, um seine Mechanismen besser zu verstehen
  • Maintenance von Öl- und Gasleitungen bzw. von Systemen die auf oder in Gewässern betrieben werden
  • Militärische Aktionen wie Aufklärung oder Überwachung von Gewässern
  • Und natürlich die Suche nach verborgen liegenden Schätzen 😉

Aktuell arbeitet man bei Kraken daran, Sensoren und Experimentierplattformen zu verbessern. Allerdings hat man bereits schon diverse Deals mit privaten Forschungsinstituten und Militärs unterschrieben. Es existiert also schon eine Form von Cashflow für Kraken.

Es bleibt also spannend bei Kraken Robotics. Man spekuliert von einer $250M+ Pipeline, die das Unternehmen bereits haben soll. Wer also an der Börse aktiv ist, sollte mal einen Blick auf Kraken Robotics (PNG.V, 2KQ.F) werfen.

Das nachfolgende Video von der CannTech2019 zeigt nochmals das Potential, welches Kraken in der Zukunft mitbringen kann.

How to Start mit Künstliche Intelligenz

In diesem Blogartikel zeige ich dir, wie du anfangen kannst, dich mit Künstlicher Intelligenz zu beschäftigen. Das Thema ist natürlich sehr umfassend und natürlich kommt es darauf an, welches Ziel du verfolgst. Bist du beispielsweise einfach interessiert an zukünftigen Entwicklungen. Dann sind für dich andere Quellen spannend, als für jemanden der direkt im Bereich Machine Learning etwas entwickeln will. Interessierst du dich vielleicht sogar nur für die Robotik, dann wirst du anderes lesenswert finden. In diesem Artikel will ich jedoch einfach ein paar Anstöße geben, um sich mit dem Thema grundlegend zu beschäftigen.

Lesen

Grundlegende Lesetipps für alle Bereiche rund um das Thema KI habe ich hier bereits zusammengestellt. Schau dort einfach vorbei, wenn du gern liest. Dort findest du eine breite Auswahl an Büchern die sowohl technisch als auch gesellschaftlich nah am Thema Künstliche Intelligenz dran sind. Außerdem gibt es auf Machine Rockstars noch eine Liste mit Machine Learning Büchern und weiterführenden Büchern.

Meetups

Wenn du dich gern zum Thema Künstliche Intelligenz, Data Science und Robotik austauschen willst, sind Meetups natürlich ein sehr gutes Format um sich mit einer lokalen Community zu vernetzen. Eine Auflistung dieser Meetups findest du auf Machine Rockstars.

Podcasts

Ein weiterer beliebter Kanal für die Aggregation von neuem Wissen sind Podcasts. Dort reden meist Experten zu Forschungen und Neuheiten rund um das Thema Künstliche Intelligenz. Für jeden der gern zuhört und so besser lernen kann, ist die Liste der KI / ML Podcasts zu empfehlen.

Aktien und Anlagen

Was das Thema Anlagen angeht, habe ich hier bereits einige Anlageideen publiziert. Diese hab ich in langer Recherche gesammelt. Schau also mal bei Aktien & ETFs für Künstliche Intelligenz rein.

Machine Learning 101

Der Machine Learning 101 Report bringt euch auch einen schnellen Kickstart in das Thema Machine Learning. Dadurch lernt ihr, wie ihr relativ schnell ein Datenset lernen könnt und was Machine Learning bedeutet.

Lets go

Nun könnt ihr loslegen und euch tiefer in das Thema Künstliche Intelligenz graben. Viel Erfolg dabei!

5 untechnische Künstliche Intelligenz Begriffe die sie kennen sollten

Künstliche Intelligenz ist meist ein technisches Thema. Welche untechnischen Begriffe muss ich kennen, wenn ich mit meinen Kollegen, Freunden oder auf Konferenzen über das Thema diskutieren will? Wir zeigen dir 5 der wichtigsten untechnischen Begriffe, über die sich trefflich diskutieren und fachsimpeln lässt. Viel Spaß!

Human in the Loop (Buzzword!)

Human in the Loop Systeme benötigen einen menschlichen Supervisor, der ihnen in kritischen Situationen helfen kann. Die meiste Zeit versuchen diese Systeme, das gelernte selbst umzusetzen. Dies dient der Automatisierung von Prozessen. Lediglich in schwierigen oder unbekannten Situationen wird ein Mensch gefragt (in die Loop geholt), um entweder schwierige Entscheidungen zu treffen oder der Maschine neue Situationen zu erklären.

Aktuell werden viele Prozesse in der Wirtschaft und Industrie von Human in the Loop Systemen übernommen. Diese Systeme werden angelernt und benötigen dafür noch einen Supervisor.

 

Technokratie

Technokratie bezeichnet eine Regierungsform ohne Politiker. In dieser Regierungsform werden ausschließlich Wissenschaftler berufen, ein Volk zu vertreten. Technokratie würde direkt übersetzt bedeuten: Regierung der Sachverständigen. Die Probleme der Gesellschaft würden Technokraten mit ihren rationalen Modellen und Vorstellungen lösen. Ein Aspekt der vielen Technokratiekritikern missfällt.

Die Technokratie in ihrer Reinform basiert weder auf Parteien noch auf Koalitionsgedanken. Die gewählten Vertreter sind parteilos und handeln im Rahmen ihrer wissenschaftlichen Möglichkeiten.

 

Transhumanismus

Als Transhumanismus versteht man eine philosophische Denkrichtung, den Menschen durch technologische Komponenten in jeglicher Form zu erweitern oder verbessern. Der Transhumanismus hat aktuell 3 verschiedene Strömungen ausgebildet: Demokratischer Transhumanismus, Extropianismus und Singularitarianismus.

Der Transhumanismus kann sich in der Realität sehr vielfältig äußern, durch Sportler mit Prothesen, BioArt-Akteure (wie Stelarc).

 

Posthumanismus

Der Posthumanismus ist eine philosophische Denkrichtung. Im Kern ist die Aussage: „Der Mensch hat seinen evolutionären Zenit bereits erreicht – es ist Zeit für etwas neues“. Der Mensch wird hier nur als eine Spezies unter vielen gesehen.

Dem Mensch wird im PH auch das Recht abgesprochen, die Natur zu zerstören und sich als Krone der Schöpfung zu sehen. Eins steht jedoch fest: Im Posthumanismus gibt es den Menschen unseres Zeitalters nicht mehr.

Dabei ist nicht klar, ob der Mensch als solches oder eben der Homo Sapiens im posthumanistischen Zeitalter keine Rolle mehr spielen soll.

 

Technologische Singularität

Technologische Singularität bezeichnet den Zeitpunkt, an dem Maschinen so fortschrittlich sind, dass sie sich selbst verbessern können. Damit einher geht der Punkt, dass die Zukunft der Menschheit immer schwieriger vorherzusehen ist. Bisher wurde der Zeitpunkt, an dem technologische Singularität eintritt, immer wieder in die Zukunft verschoben. Viele Experten und Forscher auf diesem Gebiet sind sich jedoch einig, dass dieser Zeitpunkt unerwartet und teilweise auch von weiten Teilen der Menschheit unbemerkt eintritt.

Damit verbunden sehen Insider auch die biologische Unsterblichkeit der Menschheit (oder zumindest einzelner Individuen).

Deep Learning mit Python und Keras

Python ist für viele Einsteiger die Sprache der Wahl, wenn sie mit neuartigen Frameworks etwas aufbauen wollen. Im Bereich des Deep-Learnings ist das ähnlich. Hier bietet sich Python in Kombination mit Keras an. Das Buch Deep Learning mit Python und Keras von François Chollet beschäftigt sich genau mit diesem Thema.

Die Beispiele sind sehr vielfältig, was auch ein sehr großes Plus dieses Buches ist.

Das Buch startet mit einer kurzen Einleitung zum Thema Deep Learning. Was bedeutet das “Deep” in Deep Learning, was kann Deep Learning leisten und welche Versprechen bringt die Künstliche Intelligenz im Generellen mit sich. Bevor das Buch sich mit Keras und Deep Learning Verfahren beschäftigt, gibt es erstmal einen Ausflug in die Welt der probabilistischen Modellierung. Was sind Kernel? Welche Verfahren wurden vor dem Deep Learning eingesetzt?

Hier liefert das Buch auch die nötigen technischen und mathematischen Grundlagen zum Verstehen des Sachverhaltes. Der Autor geht davon aus, dass sogar mathematische Anfänger die Materie durchdringen können, auch wenn sie keine tiefergreifende Ausbildung haben. Das Verständnis darüber, wie bestimmte Medien (Bilder, Video, Audio, Text) codiert sind, ist essenziell beim Deep Learning. Deshalb werden diese anfänglich erklärt. Danach folgt eine Einführung in künstliche neuronale Netze, die sozusagen die Vorgänger des heutigen Deep Learnings sind.

Nachdem sich das Buch mit einfacheren Methoden beschäftigt hat, begibt sich der Autor zu den praktischen Problemen, die er mit Deep Learning Methoden löst. Dazu verwendet er das Framework Keras (der Autor selbst ist der führende Entwickler hinter diesem Framework). Die Beispiele sind sehr vielfältig, was auch ein sehr großes Plus dieses Buches ist. Hier werden Datenbanken wie IMDb und Reuters (Nachrichten) angezapft. Das Buch beschäftigt sich also mit der Klassifizierung von Texten und Bildern.

Ein weiterer spannender Punkt im Bezug auf Deep Learning ist das Generative Deep Learning. Anfänglich wurden Sequenzen aus Daten zur klassifiziert. Beim Generativen Deep Learning werden eben solche Texte, Bilder oder Audiostücke selbst erzeugt. Nachdem man sich also mit dem praktischen Thema des Deep Learnings beschäftigt hat, lernt man noch, wie man in Zukunft verschiedene Medien selbst generieren lassen kann.

Unser Fazit: Das Buch liefert ein gelungenen praktischen Exkurs in die Welt des Machine Learnings mit der Sprache Python. Wenn ihr einen schnellen Einstieg sucht und schnell mit Hilfe von Beispielen an ein Ziel kommt, dann ist dieses Buch genau die richtige Empfehlung für euch.

Hier geht es zum Buch!