Deep Learning

Jan 31, 2020 Audio Synthese, Center for Ethics and Innovation, Deep Fake, Deep Learning, Eye Blinking Test, Photoshop

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.

Apr 2, 2019 Deep Learning, Deep Learning Buch, Deep Learning mit Python, IMDb, Keras, Machine Learning Buch, mitp Verlag, Python, Reuters

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!

Oct 8, 2018 AI Conference, Best Practices, Deep Learning, Konferenz, London, Machine Learning, O'Reilly

AI Conference (O’Reilly) 2018 London

Wie werden Sie die neuesten KI-Durchbrüche und Best Practices für Ihr Unternehmen anwenden?
Die Artificial Intelligence Conference bringt die wachsende KI-Community zusammen, um die wichtigsten Probleme und Innovationen in der angewandten KI zu erforschen.

Sep 20, 2018 Data Science, Deep Learning, London, Rework, Summit, Trends

ReWork – Deep Learning Summit London 2018

Außergewöhnliche Speaker
Entdecken Sie Fortschritte in den Bereichen tiefes Lernen und intelligente künstliche Intelligenz von den weltweit führenden Innovatoren. Lernen Sie von den Branchenexperten für Sprach- und Bilderkennung, neuronale Netze und Big Data. Erfahren Sie, wie tiefes Lernen die Kommunikation, die Herstellung, das Gesundheitswesen und den Transport beeinflusst.

Entdecken sie emerging Trends
Der Gipfel wird die Möglichkeiten aufzeigen, wie Trends im Bereich des tiefen Lernens und deren Auswirkungen auf Wirtschaft und Gesellschaft vorangetrieben werden können. Wird schlaue künstliche Intelligenz der menschlichen Intelligenz endlich Konkurrenz machen? Erfahren Sie die neuesten technologischen Fortschritte und Branchentrends von einem globalen Experten-Team.

Erweitern Sie Ihr Netzwerk
Eine einzigartige Gelegenheit, mit Geschäftsführern, einflussreichen Technologen, Datenwissenschaftlern und Unternehmern zu interagieren, die die Deep Learning Revolution führen. Lernen Sie von und verbinden Sie sich mit über 300 Brancheninnovatoren, die Best Practices teilen, um die intelligente Revolution der künstlichen Intelligenz voranzutreiben.

Wer sollte teilnehmen?

Data Scientists
Data Engineers
Machine Learning Scientists
Developers
Entrepreneurs
Director of Engineering
Big Data Experts

Sep 4, 2018 AI, Algorithmen, Bots, Deep Learning, Metriken, ML, O'Reilly, Produktmanagement, San Francisco

AI Conference (O’Reilly) 2018

Erfahren Sie, wie Sie die neuesten KI-Durchbrüche und Best Practices für Ihr Unternehmen anwenden können.
Die Artificial Intelligence Conference bringt die wachsende KI-Community zusammen, um die wichtigsten Probleme und faszinierenden Innovationen in der angewandten Künstlichen Intelligenz zu erforschen. Wir werden uns mit praktischen Geschäftsanwendungen, überzeugenden Anwendungsfällen, grundsoliden technischen Fähigkeiten, Zerreißungen erfolgreicher AI-Projekte und Dissektionen von Fehlern in diesen Schlüsselthemen befassen:

AI im Unternehmen: Executive Briefings, Fallstudien und Use Cases, branchenspezifische Anwendungen
Der Einfluss von KI auf Wirtschaft und Gesellschaft: Automatisierung, Sicherheit, Regulierung
Implementieren von AI-Projekten: Anwendungen, Tools, Architektur, Sicherheit
Interaktion mit AI: Design, Metriken, Produktmanagement, Bots
Modelle und Methoden: Algorithmen, Vision / Sprache / Emotion, Deep Learning, Daten, Training
Sind Sie ein Entwickler, Konstrukteur, Designer oder Produktmanager, der die KI nutzt, um das nächste großartige Produkt oder den nächsten Service Ihres Unternehmens zu entwickeln? Oder eine Führungskraft, ein Unternehmer oder Innovator, die vor schwierigen strategischen Entscheidungen stehen, um die Auswirkungen von KI auf Ihre Organisation zu steuern? Begleiten Sie uns bei Artificial Intelligence und erleben Sie eine unübertroffene Tiefe und Breite an technischen Inhalten – mit einem laserscharfen Fokus auf die wichtigsten KI-Entwicklungen für Unternehmen.

Jan 2, 2018 Amazon AWS, Caffe, Caffe2, Deep Learning, Deep Learning Frameworks, Facebook, Google, Indra den Bakker, Keras, Microsoft, Microsoft CNTK, mxnet, Pytorch, Tensorflow, theano, Torch

Welche Deep Learning Frameworks gibt es?

Stand Deep Learning Frameworks 2017. Credits: Indra den Bakker

Wie sah die Landschaft der Deep Learning Frameworks im abgelaufenen Jahr 2017 aus? Die 5 großen Player Google, Microsoft, Amazon und Facebook stecken hinter den bekanntesten und meist benutzten Frameworks.

Was wird das Jahr 2018 bringen? Einige Zeichen stehen auf Konsolidierung der Frameworks, Entwicklerteams von einigen Frameworks wollen sich sogar anderen Entwicklern anschließen, um ein neues Framework zu bauen.

Mehr dazu lest ihr im Artikel von Indra den Bakker

Dec 18, 2017 Audio Signale, Collaborative Filtering, Deep Learning, Empfehlung, Empfehlungssysteme, Machine Learning, Musikempfehlung, Recommendation, Spotify

So funktioniert Recommendation bei Spotify

Rot markiert. Recommendation bei Spotify (Credit: Chris Johnson, Spotify)

Empfehlungssystemen begegnet man überall im Internet. Auch bei Spotify arbeitet man mit State-of-the-Art Systemen im Bereich Recommendation.

Drei verschiedene Systeme werden bei Spotify dazu benutzt, um euch die Musik vorzuschlagen, die euch sehr wahrscheinlich gefallen könnte.

Dabei bedient sich Spotify an Metadaten der Tracks, liest die Logs der gespielten Musik und durchsucht sogar Blogs und News nach verschiedenen Artikeln. Diese Informationen werden dann benutzt, um euch einen neuen Track zu empfehlen.

Diese 3 Methoden benutzt Spotify

Kollaboratives Filtern – “Wer X gehört hat, hat auch Y gehört.” Amazon nutzt beispielsweise Kollaboratives Filtern, um euch zu zeigen, welche Produkte jemand noch gekauft hat, der ähnliche Produkte wie ihr kaufte. Das funktioniert zum Beispiel über Matrixfaktorisierung.

Natural Language Processing – Die Songtexte und Beschreibungen werden mit Natural Language Processing durchsucht und nach Schlüsselwörtern sortiert. Ähnliche Textpassagen und Phrasen sprechen für eine Ähnlichkeit. Schwierig wird es, wenn der Track sehr wenige bis garkeine Lyrics enthält. Dafür gibt es noch eine dritte Form der Recommendation.

Audio Material – Auf den reinen Audiosignalen wird ein neuronales Netz (Deep Learning) angewandt. Dieses Netz erkennt Ähnlichkeiten in den Frequenenzen. Es nutzt auch weitere Features, um die Ähnlichkeit eines Songs zu bestimmen. So kann man vor allem Songs bewerten, die über keine Lyrics verfügen und bisher selten gehört wurden (also keine Chance für Kollaboratives Filtern hätten).

Ihr findet das Thema spannend? Hier gibt es den längeren Artikel dazu.

Aug 24, 2017 Autonomes Fahren, Deep Learning, Deep Reinforcement Learning, Diverse Architectures, Joint Learning, Neural Language Models, Paper Review, Recurrent Neural Networks, Self-driving Cars, Sentiment Analysis, Word Embeddings

Paper Review – Language Modeling, Deep vs. Diverse Architecture und Sentiment Analysis

Wir sind im Sommermodus. Aktuell basteln wir an einem Plan, wie wir euch ab Herbst weiter mit spannenden Artikeln aus der Machine Learning Szene begeistern können.

In unserer Rubrik Paper Review stellen wir euch aktuelle Paper aus dem Bereich Machine Learning vor. Wir fassen für euch das Wesentliche zusammen und ihr entscheidet selbst, ob ihr das Paper lesen wollt oder nicht. Viel Spaß!

In Neural Networks Compression for Language Modeling werden RNNs komprimiert. Hier handelt es sich um RNNs, die verschiedene Text-Klassifizierungen durchführen. Das ist besonders wichtig für Mobile Devices, die dadurch mehrschichtige Netze effizienter abspeichern können. Bereits im Juli haben wir euch im Paper Reivew das Paper Towards Evolutional Compression vorgestellt – dort werden ähnliche Algorithmen verwendet. Hier gehts zum Paper.

Der Autor von Deep vs. Diverse Architectures for Classification Problems vergleicht verschiedene Netz-Architekturen für verschiedene Aufgaben. Es stellt sich heraus, dass sich für einige Aufgaben Deep-Learning-Architekturen besonders eignen. Allerdings lassen sich auch Aufgaben finden, die mit kleineren (unkomplexeren) Architekturen lösen lassen. Deep-Learning ist also nicht die sofort die Allzweckwaffe. Wofür ihr welche Algorithmen benutzen solltet, lest hier hier. Hier gehts zum Paper.

In Sentiment Analysis by Joint Learning of Word Embeddings and Classifier von Prathusha Kameswara Sarma und Bill Sethares wird Supervised Word Embeddings for Sentiment Analysis vorgestellt. Mit dieser Struktur erreichen sie auf verschiedenen Datenbanken in ihren Experiments den State-of-the-Art bezüglich AUC. In einigen Fällen sind sie damit sogar genauer als die aktuell bekannten Ergebnisse. SWESA ist dabei ein sehr flexibles Konstrukt. Hier gehts zum Paper.

Am Rand erwähnt

On a Formal Model of Safe and Scalable Self-driving Cars – Was sind die wichtigsten Messgrößen für eine Welt mit autonomen Fahrzeugen.
A Brief Survey of Deep Reinforcement Learning – Ein Survey zum Thema Deep Reinforcement Learning mit einigen Bespielen und Kategorisierungen

Jun 1, 2017 Bag of Words, Deep Learning, IMDb, Long Short Term Memory, LSTM, N-Grams, Rhetoric Structure Theory, Rotten Tomato Data Set, Sentiment Analysis

Semantic Analysis mit Rhetoric Structure Theory

Takeaways – Was ist neu

Bisherige Ansätze für Sentiment-Analyse nutzten entweder klassische Maschine-Learning-Verfahren oder aber Deep Learning mit regulären LSTM (Long Short Term Memory) Komponenten. Dieser Ansatz tauscht herkömmliche LSTMs mit, auf Rhetoric Structure Theory basierenden, RST-LSTM. Dadurch kann ein Uplift in der Genauigkeit erzielt werden. Hier gehts zum Paper.

Takeaways

Durch die Rhetoric Structure Theory ist es möglich, das Netz noch besser zu machen.
RST-LSTM werden anstatt linear in eine Baumstruktur geschalten. Dadurch können sie auch komplexere Texte verarbeiten.

Worum geht es

Der Aufbau der Experimentation-Pipeline. Auch die Optimierungsschritte “Leaf insertion” und “Node reordering” sind zu sehen. Quelle: Figure 3 of Sentiment analysis based on rhetorical structure theory: Learning deep neural networks from discourse trees

Im Gegensatz zu vielen herkömmlichen Ansätzen wie N-Grams oder Bag-of-Words im Bereich der Sentiment Analysis (Stimmungsanalyse, Emotionsanalyse) benutzen die Autoren sogenannte “Discourse Trees”. Das bedeutet, es werden Phrasen nach semantischen Gesichtspunkten in einen Entscheidungsbaum gehangen und dann mit emotionalen Werten und Polarität versehen. Die Struktur nennen die Autoren RST-LSTM (Rhetoric Structure Theory – Long Short Term Memory). Dabei wird die natürliche Sprache in sogenannte EDUs (Elementary Discourse Units) hierarchisch eingeteilt. Solche Strukturen haben sich bereits beim Zusammenfassen von Zeitungsartikeln bewährt.

Links sieht man eine herkömmliche LSTM-Struktur. Rechts sieht man die hierachische Struktur wie sie in diesem Ansatz genutzt wird. Quelle: Figure 7 of Sentiment analysis based on rhetorical structure theory: Learning deep neural networks from discourse trees

Es wird ein neuronales Netz benutzt, das diese Abwandlung dieser LSTM-Struktur beherbergt und das somit mehr Kapazität für komplexe Discourse hat als herkömmliche Netze.

Experimente & Daten

Es wurden zur Evaluation zwei Datensets herangezogen:

Der vorgestellte Ansatz wurde mit den aktuellen State-of-the-Art-Methoden verglichen. Durch verschiedene Veränderungen an Parametern sowie der Struktur der Discourse Trees konnte ein besseres Ergebnis erzielt werden. Auf dem IMDb Datenset erreicht der Ansatz lt. F1-Score: 84.9 % sowie auf dem Rotten Tomato Set: 79,6 % F1-Score. Das bedeutet ein Uplift zur Baseline von 4.33 % und 3.16 %.

Fortführend

Aktuell werden die Trees noch manuell angepasst. Zukünftig könnte man die Autoencoder der EDUs viel spezifischer nach verschiedenen Trainingsepochen anpassen und somit eine bessere Codierung erreichen.

Lust zu lesen? Hier gehts zum Paper.

PatternNet & PatternLRP – UnBlackboxing von Neuronalen Netzen

Main Takeaway – Was ist neu

Neuronale Netze werden häufig als Black-Boxen gesehen. Man kann die Entscheidungen des Klassifikators nicht so einfach einsehen, wie man das gern möchte. Um diese Einschränkungen aufzuheben, stellen die Autoren in dem Paper die beiden Systeme PatternNet und PatternLRP vor. Hier gehts zum Paper.

Takeaways

Die Gewichte im ersten Layer zwischen Input Space und ersten Hiddenlayer sagen nicht aus, wie wichtig ein Feature ist.
Es gibt verschiedene Ansätze, um den Zusammenhang zwischen Input und Output in neuronalen Netzen sichtbar zu machen.

Worum geht es

Verschiedene Ansätze, um Zusammenhänge von Input und Output zu visualisieren. Quelle: Figure 1 – PatternNet and PatternLRP Improving the interpretability of neural networks

Um dem Thema näher zu kommen, werden zuerst lineare Modelle beleuchtet und bereits existierende Explanation-Methoden vorgestellt. Danach wird eine Objective Function zur Messung der Qualität von Neuronweisen Explanation-Methoden eingeführt. Basierend darauf werden zwei neue Systeme eingeführt.

Um Klassifikatorentscheidungen sichtbar zu machen, werden Methoden benutzt, die eine Rückprojektion in den Input-Space möglich machen u.a. saliency maps (Aktivierungsmuster), DeConvNet, Guided BackProp (GBP), Layer-wise Relevance Propagation (LRP) und Deep Taylor Decomposition (DTD).

Dafür werden die beiden Systeme PatternNet und PatternLRP vorgeschlagen. Diese unterschieden sich in der Form der Ausgabe und benutzen jeweils verschiedene Methoden, um beispielsweise Rauschen zu minimieren.

Experimente & Daten

Man sieht den Vergleich verschiedener Verfahren sowie deren Output (Experiment: Qualitative evaluation). Quelle: Figure 7 – PatternNet and PatternLRP Improving the interpretability of neural networks.

Die Autoren haben 3 verschiedene Experimente durchgeführt. Größtenteils beschränkt sich die Auswertung aber auf ein qualitative Auswertung der Daten.

Measuring the quality of signal estimators – Anhand einer Correlation-Metrik wird gemessen, wie gut die Muster wiedererkannt werden. Als Baseline dient dabei eine Zufallsschätzung.
Image degradation – Das Bild wird in 9×9 Pixel große Patches zerlegt. Danach wird die Aktivierung der der Heat-Map als Zahl gemessen und die Patches nach dem Grad der Aktivierung absteigend geordnet.
Qualitative evaluation – Existierende und die beiden vorgestellten Verfahren wurden an den selben Bildern getestet und durch Visual Inspection (Ansehen der Bilder) die Qualität entschieden.

Fortführend

Für fortführende Arbeiten und Experimente bietet das Paper keine Perspektive.

Lust zu lesen? Hier gehts zum Paper.

NeuroNER – Named Entity Recognition

Was ist neu

Die Autoren präsentieren einen Ansatz, der Deep Learning für den klassischen Named Entity Task benutzt. Dabei geht es darum, Orte, Personen und andere Entitäten in Texten zu finden. Außerdem stellen sie mit BRAT einen visuellen Annotator vor. Hier gehts zum Paper.

Worum geht es

Trainingsprozess von NeuroNER. Figure 1 aus NeuroNER: an easy-to-use program for named-entity recognition based on neural networks

Named Entity Recognition ist eine Aufgabe, die meist auf Corpora beruht, die mühevoll annotiert wurden. Diese Corpora werden in Modelle umgewandelt und meist nicht mitgeliefert. Das macht eine erneute Annotation beziehungsweise eine erweiterte Annotation sowie ein darauf folgendes Re-Training der Modelle unmöglich. NeuroNER bietet diese Möglichkeit. Es besteht aus 2 Komponenten:

NeuroNER Modell – Ein Deep Learning Netz, basierend auf einer bestimmten Variante von RNNs (Recurrent Neural Networks) die sogenannten LSTM (Long Short Term Memory) mit 3 Ebenen: Character-enhanced token-embedding layer, Label prediction layer & Label sequence optimization layer.
BRAT – Ein webbasiertes Annotations-Tool für Trainingsdaten. Das Tool ermöglicht es, sehr schnell neue Annotationen zum Korpus hinzuzufügen.

Prediction und Evaluation. Figure 1 von NeuroNER: an easy-to-use program for named-entity recognition based on neural networks

Bei NeuroNER liegt der Fokus auf Usability. Durch ihr Annotationstool und die enge Verzahnung zum Modelltraining gelingt das den Autoren auch besser als den bisherigen Ansätzen.. Es existieren schon einige vortrainierte Modelle, die man nutzen kann. Die Visualisierung des Trainings kann Live eingesehen werden. Dafür bringt das Tool eigene Graphen mit. Außerdem kann TensorBoard benutzt werden – eine webbasierte Software von Tensorflow, um das Training zu kontrollieren und Insights zu erlangen.

Experimente & Daten

Die Experimente sind nicht sehr umfangreich. Es existiert ein Vergleich mit dem aktuellen State-of-the-Art Ansatz:

State of the Art [Passos et al.] – CoNLL 2003: 90.9%, i2b2: 97.9%
NeuroNER – CoNLL: 90.5%, i2b2: 97.7%

auf den zwei Datensätzen CoNLL und i2b2. Dabei schneidet NeuroNER nicht signifikant besser oder schlechter ab. Im Vergleich zu dem State of the Art von Passos et al. bietet NeuroNER allerdings eine durchsichtigere Architektur sowie das visuelle Annotations- und Trainings-Tool.

Fortführend

Für fortführende Arbeiten und Experimente bietet das Paper keine Perspektive.

Lust zu lesen? Hier gehts zum Paper.

Predictive Art – Kunst und Machine Learning

So kann jeder ein Künstler werden. Früher benötigte man viel Training und viel Zeit, um ein Bild zu malen, Musik zu komponieren und andere künstlerische Neigungen auszuleben. Mit Deep Learning kann nun theoretisch jeder zum “Künstler” werden und Kunstwerke erstellen lassen. Mit diesen Tools werdet ihr zum Künstler.

Von der Bitmap zum Kunstwerk

Darstellung wie NeuralDoodle das Bild erstellt

Credits: github/alexjc

Mit Neural Doodle ist es möglich aus einer einfachen Bitmap ein komplexes Kunstwerk zu machen. Das funktioniert mit semantischen Transfer-Learning. Das spannende ist, dass die Maschine die Bedeutung im Bild einschätzen kann und das Bild dann so komponiert, wie es passen sollte. Diese Parameter können noch einem Tuning unterzogen werden, wodurch die abstraktesten Bilder entstehen können.

Das schwarzweiße Farbbild

Bild eines schwarzweißen Leuchtturms sowie eines colorierten.

Credits: github/pavelgonchar

ColorNet hilft dabei, Schwarzweiß-Bildern wieder Leben einzuhauchen. Auch hier kommt semantisches Transfer-Learning zum Einsatz. Mit einer selbstgemalten Bleistiftskizze könnte man somit schnell ein schönes coloriertes Bild erhalten.

Semantisches Bildverständnis

Das der Algorithmus nicht nur nach einem Regelset arbeitet, sondern semantische Beziehungen lernt, ist hier besonders wichtig. Damit kann man in Zukunft durchaus spielen. Bilder könnten dann merkwürdige, surreale oder anstößige Situationen komponieren. Apropos komponieren, auch für Texte sowie Musik gibt es spannende Modelle.

Der Geschichtenerzähler

Bild das neural Storyteller nutzt, um eine Geschichte zu erzählen.

Credits: github/ryankiros

Ein einfaches Bild genügt als Input und der Neural-Storyteller erzählt dir eine Geschichte zu dem Bild. Ein gut dokumentierter Urlaub würde ausreichen, um eine spannende Geschichte zu erzählen. Vielleicht kann man dabei sogar seinen Urlaub noch einmal durch eine Maschine reflektieren. Was aber viel wichtiger ist: man kann erlebtes oder eben nicht erlebtes in Bildern ausdrücken und so den Zugang zu einer Story finden.

Klingt das nicht spannend? Filme könnten wie Bücher wahrgenommen werden, sogar für blinde Menschen ist das spannend.

Predictive Music

Credits: github/jisungk

Ein Blick in die Zukunft der Musik gibt Biaxial-RNN-Music und DeepJazz. Musik kann aus verschiedenen kleinen Patches von Musikstücken komponiert werden. Weiche Übergänge, harte Übergänge, dramatisch oder entspannt. Das alles kann der Algorithmus leisten. So könnte in Zukunft Musik komponiert werden. Musik könnte somit vom linearen Medium zum personalisierten Erleben werden. Spannend, wenn man bedenkt, dass viele Medien aktuell von linear zu personalisiert wechseln und somit immer mehr Menschen und Zielgruppen ansprechen.

Was bleibt?

Für Künstler entstehen in diesen Tagen viele Tools, die ihnen helfen können, über ihre Kunst zu reflektieren. Was sieht der Algorithmus in meiner Kunst? Wie interpretiert er sie? Außerdem können diese Algorithmen helfen, denn richtig eingesetzt, fördern sie die Kreativität der Künstler. Kunst und Künstliche Intelligenz kann Hand in Hand gehen. Kunst könnte sich vom linearen Medium zum personalisierten Erleben verschieben und somit für verschiedene Zielgruppen viel interessanter werden. Auch in der Werbung könnten diese Algorithmen Anwendung finden: personalisierte Sounds, Bilder und Texte, die sich je nach Person und deren Einstellung sowie Emotionen verändert.
Künstliche Intelligenz ist für die Kunst ein interessantes Reflektionsmedium!

Apr 29, 2017 Deep Learning, DeepDoggo, Hunde, Image Classification, Image Processing, Inception

Na, wer ist ein guter Junge? – DeepDoggo

DeepDoggo beantwortet die Frage: “Na, wer ist ein guter Junge?” mit Deep Learning. Ben Lengerich von der Carnegie Mellon University hat DeepDoggo gebaut und ein Paper dazu veröffentlicht.

deepdoggo2 Er nutzt das Inception-v3 Modell [Szegedy et al., 2016]. Dabei wurde der Output vom letzten Pooling-Layer benutzt, um zwischen good dog und bad dog zu separieren.

Dafür wurde ein Datenset von Google benutzt. Nach einer Google Suche wurden 360 Bilder für bad dogs und 585 Bilder für good dogs benutzt.

Mit seinem Modell erreichte er eine Accuracy von 73.0%. Damit ist er 11.1% besser als eine Baseline, bei der jeder Hund als guter Junge klassifiziert wird. Bei dieser Form von Baseline handelt es sich um einen ZeroR-Klassifikator, der sich in allen Fällen für die Klasse entscheidet, die am meisten Samples im Training-Set bereitstellt.

Lengerich sieht die Anwendung für DeepDoggo vor allem im Hundetraining, argumentiert das aber eher scherzhaft. Im Allgemeinen ist die Anwendung DeepDoggo scherzhafter Natur und das bereitgestellte Paper dazu auch.

Hier gehts zum Paper von Ben Lengerich.

Referenzen

[Szegedy et al., 2016] Szegedy, Christian, Vanhoucke, Vincent, Ioffe, Sergey, Shlens, Jon, and Wojna, Zbigniew. Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2818–2826, 2016.

Mar 29, 2017 Autonomes Fahren, Bilderkennung, Bildverarbeitung, Deep Fonts, Deep Learning, Image Generation, Neural Doodle, Neural Talk, Sound Generation, Stanford University, Torch, WaveNet

5 coole Anwendungen für Deep Learning

Viele halten es für einen Hype, aber es gibt auch Anwendungen, in denen Deep Learning uns schon ernsthaft helfen kann. Egal ob im Bereich Computer Vision, Natural Language Processing oder Creation, Deep Learning Anwendungen werden in den nächsten Jahren immer häufiger auftreten. Hier ein paar Anwendungen, die aktuell schon möglich sind.

1. Bring deinem Auto bei, wie ein Mensch zu lenken

Es ist kein Problem mehr, ein eigenes Auto dazu zu bringen, zu lenken wie ein Mensch. Das einzige, was man dazu braucht, ist etwas Technik, ein Auto, ein paar Kameras und dieses Paper als Bauanleitung. Damit kann jeder ein selbstfahrendes Auto nachbauen. Das ganze läuft mit Torch 7. Eine gute Simulationsumgebung hierfür ist dann wohl Grand Theft Auto.

2. Bau dir ein intelligentes Tagging-System für deine Bilder

Resultate von Projekt deepimagesent. Credits: Stanford.edu

Bilder zu beschreiben, haben Deep Learning Netze ebenfalls gelernt. Besonders spannend wird es, wenn man eine große Bildersammlung hat und nun herausfinden will, was in diesen Bildern enthalten ist. Dazu bieten sich verschiedene Programme u.a. NeuralTalk von Andrej Karpathy an. Wie das Ganze funktioniert, lernt man hier (sogar mit passender Demo).

3. Male wie ein richtiger Künstler

Beispiel von Neural Doodle. Credits: alexjc

Neural Doodle heißt das Tool. Man kann mit den, für eine Landschaftszeichnung üblichen, Farben ein Bild malen. Danach transformiert ein Netz das simple Bild in ein Kunstwerk. Dabei nutzt das Netz die Farbkombinationen als Annotation und versucht aus diesen Annotationen das ursprüngliche Kunstwerk wieder herzustellen. Dabei kann man zwischen verschiedenen Stilen wählen. Es hängt ganz davon ab, was man dem Netzwerk zeigt.

4. Entwickle deinen eigenen Font

Eigene Fonts entwickeln mit deep-fonts. Credits: erikbern

Jeder Designer hat schonmal eine Schrift benötigt, die genau nach seinen Wünschen aussieht. Wie wäre es mit einer grafischen Oberfläche, auf der man verschiedene Regler nach links und rechts schieben kann. Was man erhält sind verschiedene Fonts, die das Neuronale Netz passend zu den Eingaben anpasst.

50.000 Schriftarten hat der Autor von deep-fonts benutzt, um das Netzwerk zu trainieren. Hier erhält man den Code und das trainierte Netz für die eigenen Spielereien.

5. Höre und komponiere klassische Musik

Neuronale Netze komponieren sogar Musik. Sie klingt bereits so, als würde jemand am Klavier sitzen und nur persönlich für uns spielen. Damit können in der Zukunft auch professionelle Komponisten und Interpreten ihre Musik von einer KI überarbeiten lassen oder sogar einem Mastering unterziehen. Das ist besonders spannend für Musiker, die noch kein Plattenlabel haben und trotzdem ein Platte in ordentlicher Qualität produzieren wollen. Vielleicht ist das sogar noch eine Marktlücke. 😉 Nachfolgend könnt ihr hören, wie das klingen kann. Mehr Infos dazu findet ihr hier.

5 weitere Anwendungen für Deep Learning lest ihr in unserem zweiten Teil der Serie.

Jan 5, 2017 David Bowen, Deep Learning, flyAI, Image Recognition, Nick Bostrom, Superintelligence, Tensorflow

flyAI – Das Schicksal von Hausfliegen wird berechnet

Wir heißen eine der sinnlosesten KI powered Kunst-Installationen auf dem KI-Blog willkommen. Die Rede ist von flyAI. David Bowen heißt der Künstler. Er nutzt TensorFlow und das damit vortrainierte Image Recognition Modell, um das Schicksal von Hausfliegen zu bestimmen. Dabei müssen die Fliegen vor einer Kamera landen und von dem Tensorflow-Modell dahinter als Fliege klassifiziert werden, um Sauerstoff und Nährstoffe zu bekommen. Falls die Fliegen es nicht schaffen, sich vor der Kamera blicken zu lassen, müssen sie vorerst auf Nährstoffe verzichten.

Diese Kunst-Installation zeigt wunderbar, was passiert, wenn unreife Künstler auf Zwang mit der Zeit gehen wollen. Inspiriert wurde er von Nick Bostroms neuem Buch Superintelligence (welches ich hier echt empfehlen kann). Das Buch gibt es hier auf deutsch und hier auf englisch. Für einen Artikel auf Vice hat es dennoch für Bowen gereicht.

Dec 31, 2016 Adobe, Amazon, Audi, Bier, Cambridge Analytica, Clickbaits, Deep Learning, Drohne, Facebook, Fakes, flyAI, HR, IBM, IntelligentX, Kognition, Machine Learning, Meedia, Multiple Kernel Fusion, NIPS, NVIDIA, Personaler, Politik, Prediction, PWC, Service, Starbucks, Wirtschaft, zFAS

Monthly Summary – Das war der Dezember 2016

Was ist im Dezember passiert? Welche Schlagzeilen dominierten die News und was gibt es neues aus der Wissenschaft? Wir fassen alle relevanten Informationen zusammen und berichten über die kommenden Trends. Unser Monthly Summary ist eine Zusammenfassung für Entscheider, Management oder Entwickler aus den Bereichen Künstliche Intelligenz und Informationstechnologien. Diesen Monat haben wir aus 293 Artikeln das Relevanteste zusammengefasst.

Im Spotlight: Service, Service, Servie

In diesem Monat drehte sich alles um die Automatisierung von Service-Dienstleistungen. Eigentlich ein vernünftiger Schritt, denn die meisten Service-Anfragen sind schnell beantwortet und fast immer identisch. Menschen sollten sich auf die schwerlösbaren Probleme konzentrieren. Diese Firmen haben im Dezember vorgelegt:

Starbucks will schnelleren Service anbieten und auf Bots setzen. Hier gehts zum Artikel.
IBM hat sich auch fest vorgenommen, Service zu automatisieren, schreibt die adWeek.
Auch Meedia sieht Chat-Bots als den digitalen Trend im kommenden Jahr. Hier gehts zum Artikel.

Neues aus der Wirtschaft

Bier brauen war bisher immer in der Hand von Menschen. Nun hat sich eine künstliche Intelligenz auf den Weg gemacht, das beste Bier der Welt zu brauen. In London sitzt ein Startup, dass es sich zur Aufgabe gemacht hat, iterativ Bier zu brauen. Sie sammeln das Feedback der Kunden. Auf Basis dieser Informationen braut das Unternehmen dann Bier. Hier gehts zum Artikel über IntelligentX.

ApplyMagicSauce – was verrät Facebook dem Politiker? Der Dezember war auch der Monat, in dem die Nachwehen der U.S.-Präsidentschaftswahlen zu spüren waren – nämlich in Form von Marketing. Alexander Nix von Cambridge Analytica berichtete darüber, wie seine Firma Donald Trump dazu verholfen haben soll, Präsident zu werden. Auch viele Firmenkunden soll Cambridge Analytica bereits haben. Auf der Seite ApplyMagicSauce kann man sich selbst screenen. Viel Spaß dabei!

Audi präsentiert Einpark-Algorithmen auf der NIPS. Auf einer der größten Fachkonferenzen hat Audi in einem Showcase verschiedene Strategien zum automatisierten Einparken vorgestellt. Dabei wurde ein Audi Q2 Modell im Maßstab 1:8 benutzt. Das System nennt sich zFAS (zentrales Fahrerassistenzsteuergerät) und wurde zusammen mit NVIDIA entwickelt. Audi arbeitet schon seit einigen Jahren zusammen mit NVIDIA an dieser und anderen Technologien. Hier gehts zum Artikel.

Wie Price Waterhouse Cooper die Versicherungsbranche verunsichert. PWC hat Anfang des Jahres eine Studie plus Report zum Thema Machine Learning in der Versicherungsbranche veröffentlicht. Nun springen Geico (großer Versicherungskonzern in den USA) und weitere Mitbewerber auf diesen Zug auf und kündigen an, dass das Ausfüllen von Formularen zukünftig KI-assistiert verlaufen soll. Hier gehts zum Report von PWC vom März.

Kurz notiert. Amazon mit einer weiteren Promo für die Zustellung per Drohne. Eine KI für Personaler. Apple fängt endlich auch mal an Forschungen öffentlich zu machen: superrealistische Fotos. Adobe launcht Adobe Sensei.

Neues aus der Wissenschaft

Eine KI die eine Kolonie von Fliegen bewacht. In Minnesota hat ein Forscherteam ein Projekt namens flyAI auf die Beine gestellt. Dabei wurde eine KI installiert, die eine Kolonie von Fliegen bewacht. Sie regelt alles, was die Fliegen zum leben brauchen. Hier gehts zum Artikel über flyAI.

Begünstigt AI das Erstellen von Fakes? Ja, absolut. Lässt man sich die Frage durch den Kopf gehen, denkt man direkt an Fake-Identitäten, die sich textlich mit einem Menschen auseinander setzen. Hier gehen wir aber einen Schritt weiter: Bilder! Und nicht von nur von menschlichen Identitäten. Prinzipiell kann eine Intelligenz die genügend Bilder gesehen hat, um abstrakte Konzepte zu lernen, alles faken. Geht nicht? Hier geht es zum Artikel über Fake-Images mithilfe von Deep Learning. Oder: Artikel überspringen und direkt zum Paper.

Notable Papers

Florian Tramér et al. (Polytech Lausanne, Cornell University und University of North Carolina) haben untersucht, wie man Modelle von Anbietern über API-Calls nachbauen kann. Hierbei geht es darum, die Datenpunkte die man dem Dienstleister schickt, als eigene Trainingsdaten zu verstehen, die man nachfolgend nutzen kann, um eigene Modelle zu trainieren. Hier gehts zu Stealing Machine Learning Models via Prediction APIs.

Vıt Perzina und Jan M. Swart (Univerzita Karlova und Institute of Information Theory and Automation of the ASCR Praha) wenden das Stigler-Luckock Modell auf den Bücherverkauf sowie -lagerung an und gehen der Frage nach: How many market makers does a market need?

Huan Song et al. (Arizona State University, Lawrence Livermore National Labs und IBM T.J. Watson Research Center) experimentieren mit verschiedenen Kernel-Funktionen und gehen der Frage nach, wie man mehrere Kernels von verschiedenen oder gleichartigen Klassifikatoren miteinander verheiraten kann. Dabei legen sie das Augenmerk auf statistische Kernel- und Aggregationsfunktionen – auch mit Deep Learning ähnlichen Methoden. Hier gehts zu A Deep Learning Approach to Multiple Kernel Fusion.

Ankesh Anand, Tanmoy Chakraborty und Noseong Park (Indian Institute of Technology, University of Maryland, University of North Carolina) sind dem Thema Clickbaits nachgegangen. Sie haben ein Neuronales Netzwerk trainiert, um Clickbaits zu identifizieren. Laut ihrer Experimente arbeitet das Modell richtig gut. Überzeugt euch selbst, hier gehts zu You won’t believe what happened next!

Über den Tellerrand

Technik ist immer ideell. Erst unsere Anwendung der Technik eröffnet den Raum für Wertung. Deshalb ist es wichtig, dass man sich mit der Philosophie und Ethik hinter den Maschinen beschäftigt. Hier haben wir 2 Artikel gesammelt, die helfen sollen, über den Tellerrand zu schauen.

Sangbae Kim baut Roboter, die in Krisen eingesetzt werden können. Warum er es macht und vor allem wie, darum geht es hier.

Kognitionsforscher Joscha Bach darüber wie sich Menschen und Roboter entwickeln. Er sagt: Unser Geist liegt in Fesseln.

Das war der Dezember! Danke fürs Lesen. Wir sind offen für Verbesserungen und Vorschläge. Kontaktiert uns auf Twitter.

Dec 5, 2016 Amazon, Amazon Go, Computer Vision, Deep Learning, Supermarkt, Zukunft

Amazon Go – Der disruptive Supermarkt der Zukunft

Viele Visionäre hatten sowas erst in 4 bis 5 Jahren auf dem Zettel. Nun kann der automatisierte Supermarkt schon viel schneller Realität und konkurrenzfähig werden, als von vielen gewollt. Amazon stellte heut Amazon Go vor. Es ist der erste Supermarkt, der komplett ohne Personal im Front Office auskommt. Aber wie funktionierts? Laut Amazon werden dabei lang erprobte Deep Learning Modelle für die Verhaltensanalyse verwendet.

Nach dem Einchecken per Smartphone, kann sich der Kunde jedes Produkt aus dem Regal nehmen, was ihm gefällt. Schlaue Computer Vision Algorithmen verstehen die Aktionen der User und buchen die Artikel problemlos auf das Amazon-Konto des Users.

In Seattle soll der erste Markt im Frühling 2017 an den Start gehen. Wir sind gespannt und beobachten den Fortschritt von Amazon Go!

Nov 10, 2016 Andrej Karpathy, Ben Vigoda, Caffe, CuDNN, Deep Learning, Forschung, Hugo Larochelle, Stanford University, Tensorflow

Deep Learning – So gelingt der Einstieg!

Deep Learning ist in vielen Bereichen der KI-Forschung und der praktischen wirtschaftlichen Anwendungen von maschinellem Lernen zum State-of-the-Art geworden – vor allem bei Aufgaben mit Bildern und Texten. Es klingt wie ein komplett neues und aufregendes Verfahren, entpuppt sich aber als ein Zusammensetzen von bereits vorhandenen Komponenten des Machine Learning. Je nachdem wie tief man in die Materie einsteigen will, muss man sich vorher mit Formen der Merkmalsextraktion sowie mit künstlichen neuronalen Netzen beschäftigen. Deep Learning bedeutet nämlich im Grunde folgendes:

Ein mehrschichtiges künstliches neuronales Netz (multi layer)
Jede Schicht (Layer) hat eine bestimmte Funktion & führt verschiedene Operationen aus
Man entwirft verschiedene Architekturen dieser Netze – verschiedene Verschaltungen von Layern

Diese Layer haben verschiedene Funktionen. Die meistbenutzten Konzepte werden nachfolgend dargestellt:

INPUT [32x32x3] Funktioniert im Grunde ähnlich wie eine Retina. Die Matrix in diesem Layer besteht aus den RGB-Bildpunkten (3) und entspricht der Größe des Bildes in diesem Beispiel: 32×32 Pixel.
Quelle: Wikipedia
CONV (Convolutional Layer) Dieser Layer berechnet Features für lokale Regionen im Input. Die meistgenutzte Funktion hier ist ein Skalarprodukt der Werte in den verschiedenen Regionen berechnet. Setzt man 12 verschiedene Filter ein, erhält man 12 Ergebnismatrizen. Dieser Dieser Layer produziert also eine Matrix mit den Dimensionen: [32x32x12].
RELU (Rectified Linear Unit) In diesem Layer werden relativ simple Funktionen angewendet, ähnlich wie max(x, 0). Werte werden hier nicht verändert, dafür aber eventuell auf einen Threshold-Wert gesetzt. Wir erhalten also wieder eine Matrix mit den Dimensionen [32x32x12].
POOL (Pooling) wird genutzt, um ein Downsampling auszuführen. Für POOL gibt es verschiedene Operationen, eine davon ist Max-Pooling- Dabei wird aus einer n x n Matrix der größte Wert gewählt. Beispielsweise mit dem Output [16x16x12]. Das entspricht einem Faktor von 0.5.
FC (fully connected) In diesem Layer sind alle Neuronen einer Schicht miteinander verbunden. Hier passiert auch der meiste Lernaufwand. Für den Fall, dass ein Netz zwischen 10 Klassen entscheiden muss, wären die Dimensionen hier [1x1x10].

Eine Beispiel-Architektur wäre eine serielle Verschaltung folgender Layer: [INPUT – CONV – RELU – POOL – FC]. Hier werden zuerst verschiedene gefaltete Features aus dem Bild extrahiert. Danach wird ein bestimmtes Muster aus den extrahierten Features herausgeschnitten (entschieden nach Thresholds). Mit diesen Features wird nur ein Downsampling durchgeführt. Nach dem Downsampling der gefilterten und gefalteten Features wird nun der Layer angesprochen, der aus den Repräsentationen die verschiedenen Klassen entscheidet. Im Vergleich zu einem Ein-Layer-Netzwerk (auch shallow genannt) wird hier viel mehr Aufwand betrieben, um Features zu extrahieren.

Mehr über die Vergangenheit von Deep Learning und der Schönheit von lernenden Maschinen, erfährt man in Ben Vigoras Talk mit dem Titel “When Machines Have Ideas”. Er redet darüber, was lernen wirklich bedeutet und was das Interessante an lernenden Maschinen ist.

Hugo Larochelle redet in “The Deep End of Deep Learning” über den langen Weg, den Deep Learning gehen musste, bis es zum Buzzword wurde. Sehr interessant ist dabei auch, dass es diverse Ansätze zum Thema Deep Learning schon viel eher gab.

Um die 2 vorherigen Videos abzurunden, sollte man sich diesen Talk von Andrej Karpathy ansehen. Er ist Teil des Labs der Stanford University und war maßgeblich an der Weiterentwicklung des initialen Begriffs Deep Learning beteiligt.

Nach diesen Ausführungen zum Thema Deep Learning hat man eine Intuition für das aktuell am meisten gehypte Thema der KI-Forschung bekommen. Falls ihr euch fragt, wie es nun weiter geht oder gar Lust habt, ein Projekt mit Deep Learning Frameworks umzusetzen, dann werdet ihr hier fündig:

Nov 7, 2016 Deep Learning, DeepMind, Gaming, Go, Google, Schach, Spiele, StarCraft

DeepMind lernt jetzt StarCraft II

Nachdem Google DeepMinds AlphaGo mit Lee Sedol den weltweit besten Go-Spieler geschlagen hat, versucht das Team hinter der Google-Akquisition nun, die nächste Nuss zu knacken. Mit StarCraft II haben sie sich dabei eine besonders schwere Nuss herausgesucht. StarCraft ist nicht rundenbasiert, sondern ein sogenanntes Echtzeitspiel. Die Entscheidungen die DeepMind trifft, müssen also schnell und akkurat sein. Dennoch kann man das Gelernte aus AlphaGo wenigstens teilweise anwenden, denn beide Spiele (Go und StarCraft) haben eine Gemeinsamkeit. Betrachten wir das Spielverhalten von Schach, Go und StarCraft, wird dies deutlicher:

Schach
- Strukturen sind zum Start gegeben
- Ziel ist es, die gegnerischen Strukturen zu zerstören
Go
- Strukturen sind nicht zum Start gegeben
- Ziel ist es, eine Strukturen so aufzubauen, dass man den Gegner beherrscht
StarCraft
- Strukturen sind nicht zum Start gegeben
- Ziel ist es, gegnerische Strukturen zu zerstören und eigene Strukturen stabil zu halten

Vereinfacht gesagt: StarCraft ein Mix aus den beiden anderen vorgestellten Spielphilosophien. Ein möglicher Ansatz des DeepMind-Teams wird im Video deutlich. Der Eindruck vom Spielfeld wird in Feature Layern (Merkmalsebenen) abgebildet. Anhand dieser Darstellung kann DeepMind dann, die Strategien der Gegner abschätzen und daraus eigene Strategien entwickeln.

Tag: Deep Learning

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

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

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

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

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

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

Wer sollte teilnehmen?

Takeaways – Was ist neu

Worum geht es

Experimente & Daten

Fortführend

Ähnliche Arbeiten

Main Takeaway – Was ist neu

Worum geht es

Experimente & Daten

Fortführend

Ähnliche Arbeiten

Was ist neu

Worum geht es

Experimente & Daten

Fortführend

Ähnliche Arbeiten

Von der Bitmap zum Kunstwerk

Das schwarzweiße Farbbild

Semantisches Bildverständnis

Der Geschichtenerzähler

Predictive Music

Was bleibt?

Im Spotlight: Service, Service, Servie

Neues aus der Wirtschaft

Neues aus der Wissenschaft

Notable Papers

Über den Tellerrand