KÜNSTLICHE INTELLIGENZ vs. MACHINE LEARNING vs. DEEP LEARNING
Florian Dalwigk
https://www.youtube.com/watch?v=Ip1a2JHdt3E

Transkript (automatisch erstellt)

0:00 künstliche intelligenz würde unsere gesellschaft verändern ist schon heute aus unserem alltag kaum mehr wegzudenken seines sprachassistenten einparkhilfen
0:07 oder der umstand dass der youtube dieses video hier vorgeschlagen hat überall dort steckt mehr oder weniger katrin oder ii oder doch neuronale netze und
0:16 was hat das eigentlich alles mit die burning zu tun nun diese buzzwords werden in letzter zeit immer häufiger verwendet um entweder sein eigenes
0:22 produkt von der konkurrenz abzuheben oder um fachlich dünne bücher besser verkaufen zu können oft stecke in den entsprechenden
0:27 produkten gar nicht wirklich ki drin und den aggressiv beworbenen büchern werden die begriffe mehr schlecht als recht miteinander vermischt in der praxis
0:34 werden die begriffe machine learning und kam oft synonym verwendet um super weil sloning zu bezeichnen was das ist besprechen wir noch in diesem video
0:42 möchte ich dir einen einfachen worten erklären was tatsächlich hinter den buzzwords ki bzw ii machine learning die learning und neuronalen netzen steckt
0:50 das duo setzt sich außerdem in die lage dampfplauderer zukünftiger hat solche zu erkennen aber nun genug der langen vorrede was versteht man unter ki bzw
0:58 die abkürzung steht für künstliche intelligenz und es steht für alte fischer intelligence zu ähnlich wie bei den abkürzungen dna und dns ist einfach
1:06 das englische portal zu ki künstliche intelligenz ist ein teilgebiet der informatik dass ich mit automatisierung von intelligenten verhalten und den
1:13 maschinellen lernens befasst nun das sagt zumindest wikipedia direkt im nächsten satz wird davon gesprochen dass sich dieser begriff nicht eindeutig
1:20 abgrenzen lässt das bereits an einer genauen definition von intelligenz fehlt und wenn wir intelligenz schon nicht definieren können was soll dann
1:26 künstliche intelligenz sein im grunde handelt es sich um eine disziplin in die viele wissenschaften einzahlen
1:31 man kann sagen dass künstliche intelligenz der versuch ist bestimmte entscheidungsstrukturen des menschen nachzubilden
1:37 man denke zum beispiel an den schachcomputer deep blue der 1996 erstmals den damals amtierenden schachweltmeister garri kasparow
1:43 geschlagen hat da algorithmen hierbei intelligentes verhalten simulieren spricht man dabei auch von nachgaben intelligenz dieser schachcomputer ist
1:50 zum beispiel nicht in der lage ein sudoku zu lösen seine leistung beschränkt sich nur auf ein bestimmtes problem auch das computerprogramm alfaro
1:57 kann nur in einem spiel glänzen nämlich dem lieblingsspiel von onkel you go der begriff künstliche intelligenz beziehungsweise artificial intelligence
2:03 wurde erstmals 1955 von john mccarthy definiert er hat gesagt cdk erstes maschinen zu entwickeln die sich für als verfügten sie über intelligenz nach
2:13 dieser definition ist bereits eine einfache maschine die mit hilfe von aktoren und sensoren einen riegel mechanismus umsetzt ein intelligentes
2:19 system da sie dem schein nach intelligent auf ihre umwelt reagieren können doch in wahrheit handelt sie lediglich mit vordefinierten regeln im
2:26 zusammenhang mit künstlicher intelligenz wird immer die unterscheidung zwischen starker und schwacher künstlicher intelligenz getroffen starke künstliche
2:33 intelligenz selbst nach dem aktuellen stand der forschung nach wie vor science fiction hier würde sich um computersysteme
2:37 handeln die die arbeit zum erledigen schwierige aufgaben auf augenhöhe mit den menschen übernehmen könnten schwache künstliche intelligenz ist demgegenüber
2:44 nur in der lage konkrete anwendungsprobleme wie zum beispiel schach oder gut zu bewältigen und eben nicht fähig mit der allgemeinen
2:50 menschliche intelligenz zu konkurrieren in meinem video zu starker und schwacher künstlichen intelligenz gehe ich hier auf noch genauer ein
2:56 in einer studie von mckinsey dich hier unten in der video beschreibung verlinkt haben wurden acht verschiedene bereiche identifiziert in denen besonders hohe
3:03 potenziale aufweist nämlich autonomes fahren automatisierte unterstützungs prozesse automatisierte qualitätsprüfung automatisierte qualitätsoptimierung
3:12 supply chain management also die planung und steuerung der waren informations und geldflüsse entlang der gesamten lieferkette productive maintenance also
3:20 die proaktive maschinen wartung mensch maschine und maschine maschine interaktion sowie forschung und entwicklung wenn wir in diesem video und
3:28 auch nahe zukunft von künstlicher intelligenz sprechen dann meinen wir damit in der regel schwache künstliche intelligenz um von einer schwachen
3:34 künstlichen intelligenz zu einer starken künstlichen intelligenz zu kommen muss die maschine schritt für schritt lernen wie ein mensch zu denken die techniken
3:41 und prozesse die dazu verwendet werden fasst man unter dem begriff machine learning zusammen machine learning ist ein teilgebiet der künstlichen
3:47 intelligenz es basiert auf der idee wie der mensch aus beispiele und erfahrungen zu lernen ohne explizit für das problem
3:53 programmiert zu sein das heißt anstatt code zu schreiben also einen konkreten problemlösungs algorithmus zum präsentieren werden daten an einen
3:59 generischen algorithmus weitergegeben es gibt verschiedene möglichkeiten wie der lernvorgang erfolgen haben mit super weiß learning an super weist learning
4:07 und riehen fonds mit learning überwachtes lernen beziehungsweise super weist learning verwendet trainings und testdaten für den lernprozess diese
4:14 daten erhalten nicht nur eingangs werte zum beispiel objekt kennzahlen sondern auch das gewünschte ergebnis zum beispiel die klassifikation der
4:20 entsprechenden objekt es werden also beispielsweise bilder von katzen verwendet die auch als solche gelandet sind der machine learning
4:26 algorithmus soll dann anhand der gelieferten trainingsdaten eine funktion finden mit der die eingangsdaten geeignet auf das ergebnis abgebildet
4:32 werden diese funktion wird im laufe des lernprozesses selbstständige von dem machine learning algorithmus angepasst wenn eine bestimmte erfolgsquote mit den
4:39 trainings daten erreicht wurde wie dell am prozess unter zuhilfenahme der testdaten verifiziert diese technik wird beispielsweise bei
4:45 clustering verfahren eingesetzt bei denen die cluster zuvor bekannt sind beim unbewachten lernen bzw mann zuweist learning werden für den lernprozess
4:53 diesmal nur eingangsdaten verwendet bei denen das ergebnis noch nicht feststeht das heißt ihr bilder ohne label der machine learning algorithmus sondern
5:00 anhand von merkmalen in den eingangsdaten muster erkennen diese technik kann zum klassen von daten eingesetzt werden bei denen die klasse
5:06 zuvor allerdings nicht bekannt sind als beispiel könnten wir datensätze über das gewicht und die größe von männern und frauen bekommen doch wir wissen nicht
5:13 von wem welche daten kommen bzw wann ein mensch aufgrund der körpergröße und des gewichts als mann oder erz frau klassifiziert werden soll
5:20 fragen wir diese daten in ein koordinatensystem ein dann sehen wir als menschen dass sich cluster gebildet haben und die aufgabe des maschinenring
5:27 algorithmus ist es nun diese cluster zu finden und für zukünftige datensätze zu entscheiden ob diese von männern oder von frauen kommen das verstärkte lernen
5:35 beziehungsweise reinforcement learning das sieht auf einen belohnungsprinzip am anfang befindet man sich in einem ausgangszustand ohne informationen über
5:42 das umfeld und ohne kenntnisse über die auswirkungen bestimmter aktion nach dem ausfüllen einer aktion wechselt man in einen neuen zustandes findet eine
5:49 positive oder negative rückmeldung statt dieser prozesse solange durchgeführt bis eine bestimmte and bedingung eingetreten ist
5:55 danach kann man den lernprozess natürlich wiederholen um den ort kaum noch weiter zu optimieren machine learning ist also ein verfahren das
6:00 einen algorithmus nutzen und daten zu analysieren von ihnen zu lernen und darüber eine aus oder vorhersage zu treffen
6:06 im gegensatz zu software die ein algorithmus implementiert hatten durch spezielle anweisungen aufgaben erfüllt wird die maschine durch die verwendung
6:13 von sehr großen datenmengen anführungsstrichen trainiert beispiele für machine learning sind die gesichtserkennung margit action die
6:20 analyse von röntgenbildern spamfilter und die wettervorhersage dazu werden übrigens auch große mengen an echten zufalls daten benötigt ein
6:27 video zum programmieren eines quanten zufallszahlengenerator sind python hab ich dir unten in die video beschreibung kommen wir nun zu dem von den begriffen
6:34 wohl am häufigsten verwendeten die learning die burning oder tiefes lernen ist wiederum ein teilgebiet des maschinellen lernens
6:40 dabei kommen übrigens die oft zitierten künstlichen neuronalen netze zur abbildung des lernprozesses zum einsatz diese repräsentieren ein modell des
6:47 menschlichen gehirns und der neuronalen prozesse die neben ablaufen die learnings also eine möglichkeit umsetzung maschinellen lernens und
6:53 neuronale netze werden zur konkreten implementierungen verwendet das modell besteht aus verschiedenen elementen input neuronen sind die neuronen mit
7:00 denen signale von der außenwelt empfangen werden für jede art von input also jedes merkmal bzw feature gibt es ein neuron
7:06 hinten neuronen sind neuronen die den eigentlichen lernprozess repräsentieren diese bilden sogenannte aktivitäts schichten beziehungsweise hinten lehrer
7:13 von denen es in einem künstlichen neuronalen netz auch mehrere geben kann output neuronen sind die signale an die außenwelt abgeben
7:20 auch hier gibt es für jede art von output also merkmal der feature ein neuron die neuronen der jeweiligen kategorien werden zu schichten
7:26 zusammengefasst es gibt neben euro in ein netz also ein input lehrer mit den input baron mindestens einen händler mit den händen und ein auto und lehrer mit
7:35 den output neuronen wenn ein künstliches neuronales netz mehr als ein händler besitzt wird es als dieb norén attraktives neuronales netz bezeichnet
7:43 daher auch der name die turning die verbindungen zwischen den einzelnen lehrern beziehungsweise den darin eingefassten werden dem beispiel des
7:50 menschlichen gehirns folgen zu lassen genannt diese enthalten eine gewichtung die mit den signalen der input multipliziert werden die so entstandenen
7:57 gewichte werden während des lernprozesses auf basis von funktionen angepasst fassen wir die inhalte des videos noch einmal kurz zusammen
8:03 da ist nun ein großes gefühl dafür bekommen was man unter den verschiedenen buzzwords versteht und wie sie zueinander in beziehung stehen
8:09 künstliche intelligenz ist ein sammelbegriff für die automatisierung von intelligenten verhalten davon ist machine learning ein teilgebiet eine
8:16 ausprägung des maschinenrings ist dass die planung das wiederum durch neuronale netz realisiert wird vielen dank fürs zuhören solltest du
8:22 weitere fragen haben kannst du sie gerne unten in den kommentaren posten bis zum nächsten video