Tag: Machine Learning

DecompileD 2020

DecompileD ist eine Plattform fu╠łr Techies im Osten Deutschlands, die sich aktuellen Entwicklungen und Trends im Tech-Bereich widmet. Auch im kommenden Jahr befassen wir uns mit den Themen Mobile Development, Cloud und Machine Learning.
Auf der DecompileD treffen Professionals und Studierende der Region hochkara╠łtige Speaker, lernen interessante Menschen kennen und nehmen an zahlreichen Workshops teil.

Lokale Unternehmen erhalten hier die Mo╠łglichkeit, ihre Mitarbeiter*innen zu einer Konferenz in der Umgebung zu schicken und damit auf dem neuesten Stand zu halten.

Auf der DecompileD erwartet die Teilnehmenden ein spannendes Programm mit internationalen Speakern.

Vortra╠łge zu Themen wie Machine Learning, Mobile Development, Cloud Migration und weitere aktuelle sowie kommende Trends werden pra╠łsentiert.

Travis Bott – K├╝nstliche Intelligenz meets Hip Hop

Travis Scott (ein HipHop-K├╝nstler) hat zusammen mit seiner Agentur einen Song von einem Deep Learning Netz generieren lassen. Dabei wurde das Netz mit Texten und Videos von Travis Scott trainiert. Die generierten Lyrics h├Âren sich zwar nach Travis Scott an, besitzen aber an einigen Stellen keinen Zusammenhang und sind Unsinn. Der Songtitel lautet: “Jack Park Canny Dope Man“.

Trotzdem fand das Netz einen Weg, den Stil von Travis Scott identisch zu kopieren. Am Ende des Tages bleibt TravisBott ein cooler PR-Coup der Agentur space150. Aber der PR-Coup bringt die Diskussion wieder auf, wie gut KI heutzutage schon menschliche Kunst adaptieren beziehungsweise imitieren kann.

Unter Music Processing Data Sets haben wir Datensets für euch vorbereitet, falls auch ihr einen Travis Bott bauen wollt.

 

 

AI, Machine Learning and Sentiment Analysis Applied to Finance

K├╝nstliche Intelligenz gilt als Hauptantrieb der 4. Industriellen Revolution. Die Investitionen in KI sind mit einer ph├Ąnomenalen Rate gewachsen, wobei Unternehmen 2016 26-39 Mrd. USD investieren. Die Annahme im Jahr 2017 bleibt jedoch gering. Dies hat dazu gef├╝hrt, dass Unternehmen aus allen Branchen den Trend und die Innovationen nutzen konnten – von virtuellen Assistenten ├╝ber Cyber-Sicherheit bis hin zur Betrugserkennung und vielem mehr. Die Mehrheit der C-Level-F├╝hrungskr├Ąfte hat erkannt und ist damit einverstanden, dass AI sich auf ihre Branche auswirken wird. Laut einer von McKinsey durchgef├╝hrten Studie geben jedoch nur 20% der C-F├╝hrungskr├Ąfte zu, dass sie bereits KI-Technologie in ihren Unternehmen eingef├╝hrt haben. Es gibt also viel Spielraum f├╝r Ver├Ąnderungen und Verbesserungen. Es wird erwartet, dass die Finanzindustrie bei der Einf├╝hrung von KI mit einem signifikanten prognostizierten Anstieg der Ausgaben in den n├Ąchsten drei Jahren eine Vorreiterrolle einnehmen wird.

ML Conference 2018 in M├╝nchen ÔÇô Das Programm ist online

Vom 18 bis 20. Juni geben international f├╝hrende IT-Experten bei der zweiten Machine Learning Conference im M├╝nchener Sheraton Arabellapark Hotel einen umfassenden Einblick in die Welt des Maschinellen Lernens und der K├╝nstlichen Intelligenz. Die Konferenz bietet insgesamt ├╝ber 35 Sessions, Keynotes und Workshops mit den drei parallelen Tracks ÔÇťBusiness & StrategyÔÇŁ, ÔÇťMachine Learning Tools & PrinciplesÔÇŁ und ÔÇťMachine Learning Advanced DevelopmentÔÇŁ. ├ťber 35 Speaker, u.a. Canburak T├╝mer (Turkcell), Constantin Gonzalez (Amazon Web Services Germany), Marisa Tschopp (SCIP AG), Laurent Picard (Google), Daniel Wrigley (SHI) und Alison Lowndes (NVIDIA) pr├Ąsentieren die neusten technologischen Entwicklungen aus Forschung und Industrie.

Unter anderem k├Ânnen die Teilnehmer aus den folgenden Sessions w├Ąhlen:┬á

  • ÔÇ×Deep Learning in TelecommunicationÔÇť (Burak Isikli, Turkcell)
  • ÔÇ×Deep Learning Dive into the Graphics WorldÔÇť (Muzahid Hussain, Dassault Systems 3d Excite)
  • ÔÇ×Boost your app with Machine Learning APIsÔÇť Laurent Picard (Google)
  • ÔÇ×AI really is all that!ÔÇť Alison Lowndes (NVIDIA)
  • ÔÇ×Amazon SageMaker: Building, Training and Deploying Machine Learning Models Efficiently and at ScaleÔÇť Constantin Gonzalez (Amazon Web Servives Germany)
  • ÔÇ×Natural Language Support with LUISÔÇť Rainer Stropek (software architects / www.IT-Visions.de)

Am ersten Tag haben die Teilnehmer die M├Âglichkeit, drei ganzt├Ągige Praxis-Workshops zu besuchen. Im ÔÇ×AI Product WorkshopÔÇť wird Luis Rodriguez (Teknolog IO) mithilfe von realen Fallstudien eine Reihe von Techniken zur Gestaltung mit maschinellen Lerntechnologien veranschaulichen. Xander Steenbrugge (ML6) f├╝hrt in seinem Workshop ÔÇ×Deep Learning with TensorFlowÔÇť in die Grundlagen von Googles Deep Learning Bibliothek ein wird anhand von praktischen Beispielen den Umgang mit diesem Tool ├╝ben.

Abgerundet wird das Programm von drei Keynotes, u.a. zu dem Thema ÔÇ×Cracking open the Black Box of Neural NetworksÔÇť von Xander Steenbrugge (ML6), und dem Get-together, bei dem die Teilnehmer bei Freigetr├Ąnken und Snacks die M├Âglichkeit zur Vernetzung und zum Austausch haben.

 Das ganze Programm kann ab sofort online eingesehen werden unter: https://mlconference.ai/program. Weitere Informationen und Tickets finden Interessenten unter: https://mlconference.ai/

(PM von sandsmedia)

Der 34C3 – Spannende Machine Learning Videos

Der 34. Chaos Communication Congress des CCC fand in Leipzig statt. Wir haben f├╝r euch alle wichtigen Vortr├Ąge gesehen und euch die 3 relevantesten Machine Learning Talks hier verlinkt. Viel Spa├č!

 

Beeinflussung durch K├╝nstliche Intelligenz

Social Bots, Fake News und Filterblasen

Deep Learning Blind Spots

So funktioniert Recommendation bei Spotify

Rot markiert. Recommendation bei Spotify (Credit: Chris Johnson, 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 k├Ânnte.

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 geh├Ârt hat, hat auch Y geh├Ârt.” Amazon nutzt beispielsweise Kollaboratives Filtern, um euch zu zeigen, welche Produkte jemand noch gekauft hat, der ├Ąhnliche Produkte wie ihr kaufte. Das funktioniert zum Beispiel ├╝ber Matrixfaktorisierung.

Natural Language Processing – Die Songtexte und Beschreibungen werden mit Natural Language Processing durchsucht und nach Schl├╝sselw├Ârtern sortiert. ├ähnliche Textpassagen und Phrasen sprechen f├╝r eine ├ähnlichkeit. Schwierig wird es, wenn der Track sehr wenige bis garkeine Lyrics enth├Ąlt. Daf├╝r 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 ├╝ber keine Lyrics verf├╝gen und bisher selten geh├Ârt wurden (also keine Chance f├╝r Kollaboratives Filtern h├Ątten).

Ihr findet das Thema spannend? Hier gibt es den l├Ąngeren Artikel dazu.

Was passiert in Unternehmen die KI einsetzen?

Wir h├Âren oft grausame Dinge, ├╝ber die Unternehmen die sich mit K├╝nstlicher Intelligenz befassen oder sie einsetzen wollen. Eine Studie von Capgemini Consulting zeigt jetzt, was sich f├╝r diese Unternehmen ge├Ąndert hat.




Figure 1: Was hat sich verbessert? Credits: Capgemini Consulting

In einer Studie, die Capgemini Consulting zusammen mit dem Digital Transformation Institute durchgef├╝hrte, wird gezeigt, wie es den Unternehmen geht, die bereits K├╝nstliche Intelligenz (AI) einsetzen. F├╝r diese Studie wurden rund 1000 Firmen weltweit interviewt. 75% der Unternehmen verzeichneten einen Uplift von mindestens 10% ihrer Vertriebs. Operationale Kosten konnten gesenkt werden, wobei die operationale Effektivit├Ąt signifikant stieg. Mit dem Net Promoter Score (NPS) wird die Kundenzufriedenheit gemessen. In 3 aus 4 Unternehmen stieg sogar der NPS signifikant an. Das konnte auf eine effizientere Kontaktaufnahme der Kunden und einer verbesserten Auswertung von Kundendaten zur├╝ckgef├╝hrt werden (Figure 1).

 

Figure 2: Welche Bereiche k├Ânnen einen signifikanten Uplift verzeichnen? Credits: Capgemini Consulting

Au├čerdem berichteten die Unternehmen, dass die Produktivit├Ąt ihrer Mitarbeiter stieg, da sie nun in der Lage waren, sich um wichtige Aufgaben zu k├╝mmern. Die meiste Zeit wird in vielen Betrieben noch mit repetitiven Aufgaben verschwendet, die sich eigentlich sehr gut automatisieren lassen. Ein weiterer Pluspunkt geht an die Aufbereitung und Darstellung von gro├čen Datenmengen. Dort leistet die KI (oder eigentlich Business Intelligence / Analytics) eine wichtige Arbeit. Anhand von Zahlen (data-driven) kann man am besten ├╝ber sein Business entscheiden. Das veranschaulicht Figure 2.

Figure 3: Wurden im Unternehme neue Jobs geschaffen? Wenn ja, welche Rollen wurden geschaffen? Credits: Capgemini Consulting

Oftmals wird die steigende Arbeitslosigkeit mit dem Einsatz von K├╝nstlicher Intelligenz in Unternehmen in Verbindung gebracht. Ganz unberechtigt ist dieses Argument nicht, allerdings schafft der Einsatz von K├╝nstlicher Intelligenz auch in vielen Bereichen neue Jobs. In 83% der Firmen sind neue Jobs entstanden. Haupts├Ąchlich sind nat├╝rlich neue Managerrollen entstanden. Auch Direktoren- und Koordinatoren-Jobs sind entstanden. Maschinen und Technik muss n├Ąmlich gewartet und verwaltet werden. Alles in allem ist die Verteilung der neu entstandenen Jobs aber sehr heterogen, wie Figure 3 zeigt.

Figure 4: In welchen Bereichen/Sektoren der Wirtschaft wird bereits K├╝nstliche Intelligenz eingesetzt? Credits: Capgemini Consulting

 

In dieser Studie konnten wir erstmals sehen, wie sich die Anwendung von K├╝nstlicher Intelligenz auf ein Unternehmen auswirken kann. Viele Positionen von Experten waren dabei oft sehr extrem. Hier k├Ânenn wir nun erste Zahlen sehen. In Figure 4 illustriert, die Verteilung von KI-gest├╝tzten Unternehmen je Sektor.

 




 

 

Apples Machine Learning Journal ist da!

Das Refiner Network. Quelle: Apples Machine Learning Journal / machinelearning.apple.com

Vor einiger Zeit hatte Apple angek├╝ndigt, mehr eigene Entwicklungen im Bereich Machine Learning publik zu machen. Jetzt scheint es so weit zu sein! Apple hat das Machine Learning Journal gelauncht. Sogar der erste Beitrag ist schon da. Der besch├Ąftigt sich mit einem Refiner Network genanntem Modul. Dieses Modul hilft dabei, synthetische Datens├Ątze realistischer zu machen, um damit gro├če Datenmengen zu erzeugen. Diese werden zum Training von Machine Learning Anwendungen gebraucht.




Warum ist das n├Âtig?┬áMeist ist es sehr kostenintensiv, gro├če Datenmengen mit Labeln zu erstellen. Daher kommt die Motivation auf synthetische (durch die Erstellung bereits gelabelt) Daten zur├╝ckzugreifen.

Hier geht es zur Leseempfehlung!

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 vern├╝nftiger Schritt, denn die meisten Service-Anfragen sind schnell beantwortet und fast immer identisch. Menschen sollten sich auf die schwerl├Âsbaren 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 k├╝nstliche 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 ├╝ber IntelligentX.

ApplyMagicSauce – was verr├Ąt┬áFacebook dem Politiker?┬áDer Dezember war auch der Monat, in dem die Nachwehen der U.S.-Pr├Ąsidentschaftswahlen zu sp├╝ren waren – n├Ąmlich in Form von Marketing. Alexander Nix von Cambridge Analytica berichtete dar├╝ber, wie seine Firma Donald Trump dazu verholfen haben soll, Pr├Ąsident zu werden. Auch viele Firmenkunden soll Cambridge Analytica bereits┬áhaben. Auf der Seite ApplyMagicSauce kann man sich selbst screenen. Viel Spa├č dabei!

Audi pr├Ąsentiert Einpark-Algorithmen auf der NIPS. Auf einer der gr├Â├čten Fachkonferenzen hat Audi in einem Showcase verschiedene Strategien zum automatisierten Einparken vorgestellt. Dabei wurde ein Audi Q2 Modell im Ma├čstab 1:8 benutzt. Das System nennt sich zFAS (zentrales Fahrerassistenzsteuerger├Ąt) 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 ver├Âffentlicht. Nun springen Geico (gro├čer Versicherungskonzern in den USA) und weitere Mitbewerber auf diesen Zug auf und k├╝ndigen an, dass das Ausf├╝llen von Formularen zuk├╝nftig KI-assistiert verlaufen soll. Hier gehts zum Report von PWC vom M├Ąrz.

Kurz notiert.┬áAmazon mit einer weiteren Promo f├╝r die Zustellung per Drohne. Eine KI f├╝r Personaler. Apple f├Ąngt endlich auch mal an Forschungen ├Âffentlich 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 ├╝ber flyAI.

Beg├╝nstigt AI das Erstellen von Fakes? Ja, absolut. L├Ąsst man sich die Frage durch den Kopf gehen, denkt man direkt┬áan Fake-Identit├Ąten, die sich textlich mit einem Menschen auseinander setzen. Hier gehen wir aber einen Schritt weiter: Bilder! Und nicht von nur von menschlichen Identit├Ąten. Prinzipiell kann eine Intelligenz die gen├╝gend Bilder gesehen hat, um abstrakte Konzepte zu lernen, alles faken. Geht nicht? Hier geht es zum Artikel ├╝ber Fake-Images mithilfe von Deep Learning. Oder: Artikel ├╝berspringen und direkt zum Paper.

 

Notable Papers

Florian Tram├ęr et al. (Polytech Lausanne, Cornell University und University of North Carolina) haben untersucht, wie man Modelle von Anbietern ├╝ber 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┬áStealing 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 ├Ąhnlichen Methoden. Hier gehts zu┬áA 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. ├ťberzeugt euch selbst, hier gehts zu You won’t believe what happened next!

├ťber den Tellerrand

Technik ist immer ideell. Erst unsere Anwendung der Technik er├Âffnet den Raum f├╝r Wertung. Deshalb ist es wichtig, dass man sich mit der Philosophie und Ethik hinter den Maschinen besch├Ąftigt. Hier haben wir 2 Artikel gesammelt, die helfen sollen, ├╝ber den Tellerrand zu schauen.

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

Kognitionsforscher Joscha Bach dar├╝ber wie sich Menschen und Roboter entwickeln. Er sagt: Unser Geist liegt in Fesseln.

Das war der Dezember! Danke f├╝rs Lesen. Wir sind offen f├╝r Verbesserungen und Vorschl├Ąge. Kontaktiert uns auf Twitter.

Demis Hassabis – Ein Kopf hinter Google DeepMind

Demis Hassabis, einer der f├╝hrenden K├Âpfe hinter┬áGoogle DeepMind redet ├╝ber 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 f├╝r ihn wieder zur├╝ck an die Universit├Ąt, wo er in Cognitive Neuro Science promovierte.

Er unterscheidet in seinem Vortrag verschiedene Formen von K├╝nstlichen Intelligenzen:

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




Google DeepMind ist nur an Intelligenzen┬áinteressiert, die sich, wie folgt, kategorisieren lassen: ┬áfeature learning, general purpose, grounded und active learning. Doch was bedeutet dies┬áim Detail? Die gelernten Modelle sollen┬áihre Feature-Extraktoren selbst lernen (also durch Feedback relevante Merkmale finden), sie sollten keinem speziellem Zweck dienen, sondern universal einsetzbar sein. Au├čerdem basieren sie auf probabilistischen Ans├Ątzen, die biologisch motiviert werden. Als letztes Kriterium sollen sie aktiv lernen und daf├╝r 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 ├╝ber zwei Anwendungsf├Ąlle 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.




K├╝nstliche Intelligenz in den USA! Das Strategie-Papier dazu

Im Mai 2016 haben sich in den U.S.A. verschiedene KI-Spezialisten zusammengesetzt und versucht, ein Strategiepapier f├╝r die Zukunft mit der KI zu entwickeln. Das Papier wurde nun im Oktober vorgestellt. Es enth├Ąlt neben einf├╝hrenden Worten zum Thema K├╝nstliche Intelligenz┬áauch ein paar begriffliche Definitionen (darunter Autonomy, Automation, etc.).




Das Strategiepapier gibt Handlungsempfehlung f├╝r den Pr├Ąsidenten der Vereinigten Staaten. Wer die┬áca. 50 Seiten des Reports nicht lesen will, bekommt hier die wichtigsten┬áHandlungsempfehlungen zusammengefasst:

  • Datens├Ątze der staatlichen Institutionen offenlegen, um die KI-Forschung in diesen Bereichen zu beschleunigen.
  • Institutionen und staatliche Agenturen sollten Standards festlegen, auf denen sie Informationen austauschen, gewinnen oder vorhersagen k├Ânnen.
  • Jedes Ministerium sollte Stellen f├╝r Machine Learning Engineers schaffen, damit spezifische Daten schnell ausgewertet werden k├Ânnen.

    Executive Office of the President of the United States, Quelle: Report

    Executive Office of the President of the United States, Quelle: Report

  • Das Ministerium f├╝r Verkehr soll eng mit der Wirtschaft an der Erarbeitung von Richtlinien und Gesetzen arbeiten. Dabei geht es vor allem um den Einsatz von Drohnen (UAS, unmanned aircraft systems) und autonomen Fahrzeugen (UV, automated vehicles).
  • Das Ministerium f├╝r Verkehr sollte ein skalierbares System entwickeln, dass den Luftraum der Zukunft besser ├╝berwachen kann – insbesondere individueller Personenverkehr in der Luft sowie Drohnen.
  • Die Wirtschaft soll die Ministerien zeitiger ├╝ber m├Âgliche Entwicklungen informieren, damit zeitnah Regeln und Gesetze angepasst werden k├Ânnen.
  • Sch├╝ler sollen in den Schulen mehr ├╝ber das Thema Ethik bzgl. K├╝nstlicher Intelligenz lernen. Die Kinder sollen KI-affineren Unterricht bekommen und somit f├╝r den┬ábewussten Umgang ausgebildet werden.
  • Der Pr├Ąsident sollte┬áRichtlinien┬áaufstellen, die kl├Ąren, wie die Verantwortlichkeiten bei automatischen und semi-automatischen Waffensystemen aussehen.
  • Welche Jobs und Arbeitspl├Ątze potentiell gef├Ąhrdet sind, wurde nicht untersucht, sollten aber in einem zweiten Report gekl├Ąrt werden.

Der Report kann als als eine grobe ├ťbersicht gesehen werden, die der Regierung helfen soll, sich initial mit dem Thema zu befassen. Aus dem Report geht auch hervor, dass weitere Untersuchungen notwendig sind. W├Ąhrend in den U.S.A. der KI-Ansatz eher einheitlich verstanden wird, beschr├Ąnkt sich Deutschland dort meist auf die KI in der Wirtschaft.

#science – Aktuelle Wissenschaft im Bereich der K├╝nstlichen Intelligenz

In dieser Rubrik m├Âchte ich in unregelm├Ą├čigen Abst├Ąnden aktuelle Publikationen im Bereich K├╝nstliche Ingelligenz kommentieren. Auch aus angrenzenden Bereichen und fach├╝bergreifenden Forschungsfeldern werden aktuelle Papers vorgestellt.

 

Practical Learning of Deep Gaussian Processes via Random Fourier Features

Cutajar et al. haben in ihrer Publikation versucht, Deep Gaussian Processes mit Random Fourier Features zu verheiraten und zeigen, dass sie damit praktische Klassifikations- und Regressionsaufgaben effizienter l├Âsen k├Ânnen, als einige getestete Methoden, die dem Stand der Technik entsprechen.

 

Semi-Supervised Active Learning for Support Vector Machines: A Novel Approach that Exploits Structure Information in Data

Reitmaier et al. versuchen den Prozess des Active Learning (auch Optimal Experimental Design) anhand eines┬áWeighted Mahalanobis Kernels zu verbessern. Im Active Learning geht es darum, die notwendigen Datenquellen nach Informationen abzufragen, um eine Machine-Learning-Aufgabe zu l├Âsen (semi-supervised). F├╝r ihre Experimente nutzten sie die Daten-Sets MNIST und einige weitere Datenbanken.

 

Accelerate Monte Carlo Simulations with Restricted Boltzmann Machines

Die Monte-Carlo-Simulation ist weitverbreitet und sehr bekannt. Li Huang und Lei Wang haben in ihrer Publikation einen Weg gefunden, diese Art von Simulation mittels einer Boltzmann-Maschine zu beschleunigen. In ihren Experimenten konnten die Forscher zeigen, dass ihr Ansatz um mehrere Faktoren schneller ist als der State-of-the-Art.