3.3 Menschliche und maschinelle Intelligenz Flashcards
Großteil der KI Forschung und Entwicklung
konzentriert sich auf Entwicklung von Systemen, die versuchen, bestimmte Aufgaben zu lösen
Großteil der KI Forschung und Entwicklung - Beispiele
- Strategiespiele
- Identifikation von Objekten in Bildern oder Videos
- Steuerung bestimmter Arten von Robotern für gewünschte Aufgaben
- Übersetzung von geschriebenem Text
Starke Strömung der KI Forschung und Entwicklung
Konstruktion eines Systems, das der menschlichen geistigen Kapazität in ihrer ganzen Vielfalt entspricht oder sie sogar übertrifft
Unterschiede Problemlösung zwischen Mensch und Maschine
- Effizienz beim Lernen
- Verallgemeinerung und Transfer
- Vorstellungskraft
Unterschiede Problemlösung zwischen Mensch und Maschine - Effizienz beim Lernen
- KI-Modelle, welche menschliche Fähigkeiten in bestimmten Anwendungsbereich deutlich übertreffen
- aber nur durch Verarbeitung weitaus mehr Trainingsdaten
Unterschiede Problemlösung zwischen Mensch und Maschine - Effizienz beim Lernen - Beispiel
- AlphaZero von DeepMind
- Spielregeln und ausgiebig Gelegenheit zum Spielen
- Millionen von Partien gegen sich selbst gespielt
-> menschliches Gehirn scheint mit viel weniger Daten eine fast ebenso hohe Leistung zu erzielen
Unterschiede Problemlösung zwischen Mensch und Maschine - Verallgemeinerung und Transfer
- AlphaZero von DeepMind nur in der Lage, genau das Spiel zu spielen, für das es trainiert worden war
- zahlreiche Menschen, die mehr als eines dieser Spiele auf höchstem Niveau spielen
- interessante Querverbindungen zwischen den Spielen
-> Inspirationen für Strategien
Unterschiede Problemlösung zwischen Mensch und Maschine - Vorstellungskraft
- Gelegentlich überrascht die KI Profis mit Spielzügen, die zielgerichtet, aber völlig neuartig sind
- Art Kreativität aber Einfallsreichtum bisher keine Stärke von KI-Systemen
bemerkenswerte Versuche Lücken zu schließen
- Transfer-Lernen
- Meta-Lernen
- Generative Adversarial Networks (GAN)
Transfer-Lernen - Kerngedanke
bestehendes, für bestimmte Aufgabe trainiertes Modell mit geringem zusätzlichem Trainingsaufwand für andere, ähnliche Aufgabe zu nutzen
Transfer-Lernen - Anwendung
- Deep-Learning-basierte Methoden zur Objekterkennung in Bildern oder Videos
- System, das für Erkennung von Objekt „A“ trainiert wurde, für Erkennung von Objekt „B“ umfunktioniert
Transfer-Lernen - Objekterkennung
- funktioniert aufgrund der besonderen Art und Weise der Objektedarstellung in solchen tiefen Netzwerkmodellen
- Netzwerk konstruiert hierarchische Darstellungen von Bildeigenschaften
- frühe Schichten sehr allgemeine Eigenschaften (Kanten, Ecken) erkennen
- Eigenschaften für Erkennung vieler verschiedener Objektklassen relevant
Meta-Lernen
- nicht Lernen konkreter Aufgaben
- befasst sich mit dem Problem, wie Lernen selbst gelernt wird
- Versuch von einzelnen Lernszenarien zu abstrahieren, um gemeinsame Strategien und Ansätze zu finden
Generative Adversarial Networks (GAN) - Entwickler
Ian Goodfellow
Generative Adversarial Networks (GAN) - deutsche Übersetzung
Erzeugende gegnerische Netzwerke
Generative Adversarial Networks (GAN) - Ziel
Versuch sich menschlicher Vorstellungskraft und Kreativität zu nähern
Generative Adversarial Networks (GAN) - Aufbau
zwei tiefe, mehrschichtige neuronale Netze, die gegeneinander arbeiten:
* Generatorennetz
* Diskriminatornetz
Generative Adversarial Networks (GAN) - Generatorennetz
versucht, Daten aus einer bestimmten Kategorie zu generieren
Generative Adversarial Networks (GAN) - Diskriminatornetz
- wird mit künstlich erzeugten als auch realen Daten der selben Kategorie gefüttert
- entscheidet, welche Daten echt sind und welche generiert wurden
Generative Adversarial Networks (GAN) - Optimierung
- Beide Netzwerke werden synchron optimiert
- Generator muss Schritt halten mit wachsender Fähigkeit des Diskriminators -> muss kontinuierlich realistischere künstliche Daten generieren
Abb. Generative Adversarial Network (GAN) am Beispiel der Bildverarbeitung
Abb. Deep Learning als Teilgebiet der künstlichen Intelligenz
Maschinelles Lernen als Teil der KI
- Lernfähigkeit ist gefordert
- Erforschung der Mechanismen des Lernes
- Entwicklung maschineller Lernverfahren
Deep Learning als Teil des maschinellen Lernens
- Deep Learning versucht Funktionsweise des menschlichen Gehirns zu imitieren
- maschinelles Lernen mit großen neuronalen Netzen
- komplexe Architekturen der Netze - bis zu 1000 Schichten
- beeidruckende Ergenisse
- einer der leistungsfähigsten Ansätze
Deep Learning - Anwendungsbereiche
- Inhalte von Bildern erkennen
- Sprachmustererkennung
- Textinhalte auswerten
Lernstrategien im maschinellen Lernen
- symbolisches Schlussfolgern
- neuronale Netze
- evolutionäre Algorithmen
- bayessche Statistik
- Lernen durch Analogien
Lernstrategien im maschinellen Lernen - symbolisches Schlussfolgern
- hat Wurzeln in der Logik
- Wissen und Regeln werden mit Symbolen dargstellt
- Prinzipien der Deduktion und Induktion spielen wichtige Rolle
- Deduktion: allgemeine Erkenntnisse -> spezielle Fälle
- Induktion: spezieller Fall -> allgemein gültige Regel
Lernstrategien im maschinellen Lernen - neuronale Netze
- von Konnektionisten verwendet
- Idee: Funktionsweise von Hirnzellen nachzuahmen
- Modelle bestehen aus künstlichen Neuronen
- diese orientieren sich an ihren biologischen Vorbildern
- Nehmen Eingaben auf, verrechnen diese und aktivieren ggf. andere Neuronen
Lernstrategien im maschinellen Lernen - evolutionäre Algorithmen
- Am Prinzip der Evolution orientiert
- natürliche Selektion: die Individuen übeleben, die am besten angepasst sind
- auf der Suche nach der besten Lösung Entfernung der Altanativen, die nicht das gewünschte Ergebnis liefern
Lernstrategien im maschinellen Lernen - bayessche Statistik
- Nutzung statistischer Methoden
- Ausgangspunkt: Bayes Theorem
- Berechnung von Wahrscheinlichkeiten
Lernstrategien im maschinellen Lernen - Lernen durch Analogien
wenn Menschen neue Beobachtung machen -> Erinnerung an ähnliche Beobachtungen
-> was in ähnlicher Situation funktioniert hat könnte auch in neuer funktionieren
Die Lernstrategie von Alpha Go
- Deep Learning zur Bewertung von Brettstellungen
- Lernen durch Verstärkung in Spielen des Programms gegen sich selbst
- Monte Carlo Tree Search (MCTS) bei der Auswahl des nächsten Zugs
