Blog

Das *umBlog – Wissenswertes aus der Welt der Daten, Tech-Trends, Termine und Einblicke in unsere unglaubliche Company.

Demystifying AI @ AAIC – *um macht Künstliche Intelligenz nachvollziehbar

Verfasst am 15.06.2018 von The unbelievable Machine Company

Demystifying AI @ AAIC – *um macht Künstliche Intelligenz nachvollziehbar #DeepLearning #KI

Ende Mai fand in Wien die erste Applied Artificial Intelligence Conference (AAIC) statt. Lösungsentwickler und Anwender aus unterschiedlichen Branchen kamen zusammen, um sich fachlich realistisch über die Anwendung von Künstlicher Intelligenz (KI) auszutauschen. Unbelievable Machine war als Partner und Aussteller dabei. Mit welch weitreichendem Beitrag für die Versteh- und Anwendbarkeit der Technologie, erläutern die *um Data Scientists Ingo Nader und Clemens Zauchner im Gespräch.

Ingo und Clemens, wie beurteilt Ihr die Ausgangssituation zum Thema KI in Österreich?

Das Interesse an Künstlicher Intelligenz nimmt in Österreich stetig zu, jedoch fehlt vielen Firmen, bis auf wenige Ausnahmen, der Fahrplan zur konkreten Umsetzung oder aber das Vertrauen in KI. Die Firmen müssen aber jetzt aktiv werden, sonst verlieren sie den internationalen Anschluss. Um hier gegenzusteuern, hat die Außenwirtschaftskammer Österreich die AAIC initiiert. Wir haben bei der Panel-Diskussion das Thema Clustering beleuchtet und an unserem Stand aufgezeigt, wie Bilderkennung mittels Deep Learning funktioniert und auch nachvollziehbar gemacht werden kann.

Was unterscheidet Künstliche Intelligenz von Deep Learning?

Deep Learning ist eine Form von Künstlicher Intelligenz, die in den letzten Jahren stark an Popularität gewonnen und den KI-Begriff, der schon seit Jahrzehnten existiert, wieder ins Gespräch gebracht hat. Die Verfügbarkeit großer Datenmengen und die stark gestiegene Rechenleistung haben es ermöglicht, die Komplexität Neuronaler Netze – also den Kern des Deep Learnings – um ein Vielfaches zu erhöhen. Man spricht hier von Deep Learning. Das Erkennen von komplexen Strukturen in Bildern und Sprache zählt zu dessen Stärken. Daher wird das Deep Learning vor allem bei Spracherkennung, automatisierter Übersetzung und auch beim autonomen Fahren eingesetzt. Im Prinzip lernt der Algorithmus eine Funktion – eine Art Übersetzung bzw. das eigentliche Modell –, die Eingangsdaten wie Bilder oder Audioclips in ein Ergebnis übersetzt. Dieses Ergebnis kann dann etwa die Beschreibung eines Bildes, erkannter Text oder eine Klassifizierung eines Bildes sein.

Ist dieses Lernen mit menschlichem Lernen vergleichbar?

Nein. Zwar sind Neuronale Netze von Neuronen im menschlichen Gehirn inspiriert, haben aber in der Praxis nichts damit zu tun. Während der Mensch nur wenige Eindrücke benötigt, um daraus zu lernen, basiert Deep Learning auf einer sehr großen Anzahl von Beispielen. Außerdem ist Deep Learning nicht in der Lage, zu generalisieren oder zu abstrahieren. Beispielsweise würde ein Modell, das auf Fotos von Sesseln trainiert wurde, die Zeichnung eines Sessels vermutlich nicht als solchen erkennen.

Ein weiterer Punkt ist die Nachvollziehbarkeit. Ohne zusätzliche Maßnahmen ist es schwierig zu verstehen, warum das Modell zu einer speziellen Entscheidung kommt – man spricht von einer Black Box. Für viele unternehmenskritische Prozesse ist diese Nachvollziehbarkeit unerlässlich. Wenn man diese Limitierungen kennt und bedenkt, ist Deep Learning allerdings ein mächtiges Werkzeug für eine Vielzahl an Unternehmensaufgaben.

Was wurde an Eurem Stand auf der AAIC präsentiert?

Wir haben aufgezeigt, wie man Bilderkennung verstehen kann. Wir haben zur Identifizierung der Bilder ein vortrainiertes Neuronales Netz verwendet und zur Interpretation eine so genannte Heatmap verwendet. Anhand der Heatmap kann man erkennen, welche Teile des Bildes das Neuronale Netzwerk zur Identifizierung genutzt hat.

In unserem Beispiel mit dem Elefanten ist gut zu erkennen, wie besonders die Region um das Ohr dazu beigetragen hat, dass das Modell zum Schluss kam, dass es sich wohl um einen afrikanischen Elefanten handeln muss. Auf diese Weise wird nachvollziehbar, warum eine Identifikation erfolgreich oder fehlerhaft war. Mit den entsprechenden Werkzeugen muss ein Neuronales Netzwerk also keine Black Box sein, sondern wird erklärbar und seine Entscheidungen werden nachvollziehbar. Wir sprechen dann von „Whitebox AI".

Anhand einer Heatmap wird sichtbar, welche Teile des Bildes das Neuronale Netzwerk zur Klassifizierung genutzt hat. Links oben befindet sich das zu klassifizierende Bild, rechts oben das Ergebnis der Klassifizierung (fünf Kategorien, geordnet nach der Wahrscheinlichkeit). Die Bilder darunter zeigen die Heatmaps der beiden wahrscheinlichsten Kategorien.

Worum ging es bei Eurem Panel-Vortrag zum Thema Clustering?

Ziel der Panel-Diskussion war, zu erklären, was unter Clustering verstanden wird, wie Clustering im Unternehmen einsetzbar ist, und was es dabei zu beachten gibt.

Das Clustering ist eine unüberwachte Methode des maschinellen Lernens, die verwendet wird, um Beobachtungen – etwa die von Kunden – zu gruppieren. Dabei werden die Beobachtungen nach ihrer Ähnlichkeit in verschiedenen Merkmalen zu Gruppen oder Clustern zugeteilt, die sich untereinander stark unterscheiden. Der Vorteil gegenüber überwachtem maschinellem Lernen ist, dass man die Gruppenzugehörigkeit nicht im Vorhinein kennen muss.

In welchen Bereichen kann das Clustering zum Einsatz kommen?

Die Anwendungsbereiche sind sehr vielfältig: Identifikation von Anomalien oder untypischer Datenpunkte, beispielsweise im Umfeld von Industrie 4.0 und produzierendem Gewerbe. Clustering kann auch zur Kundensegmentierung oder zur Textanalyse eingesetzt werden. Eine spannende Anwendung war ein Projekt, in dem aus einem komplexen Excel-Blatt mehrere Tabellenteile extrahiert werden sollten. Diese Tabellenteile können als Raum mit sehr hoher Informationsdichte definiert und durch eine Dichte-basierte Clustering-Methode gefunden werden. Das hat erstaunlich gut funktioniert.

Was genau passiert bei der Bilderkennung?

Die Bilderkennung funktioniert etwas anders. Ein Neuronales Netz besteht aus vielen so genannten Ebenen. Jede dieser Ebenen lernt sehr einfache mathematische Funktionen, und es werden bestimmte Filter angewandt. So lernen die ersten Ebenen des Netzes sehr einfache Dinge in Bildern zu erkennen und sprechen beispielsweise auf bestimmte Farben oder Kanten in bestimmten Winkeln an. Wir sprechen hier von gelernten Features. Die darauffolgenden Ebenen bauen auf diesen einfachen Features auf und setzen sie zu komplexeren Features zusammen. So können in tieferen Ebenen Dinge wie Ecken, Kreise und später Augen oder andere Teile von Gesichtern erkannt werden. Je tiefer die Schicht, desto spezialisierter sind die Features, die gelernt werden.

Und wo kommt diese Bilderkennung zum Einsatz?

Die Bilderkennung kann für eine Vielzahl von Anwendungsbereichen eingesetzt werden. So kann sie beispielsweise für die Bauteilerkennung genutzt werden, um von Fotos die Typenbezeichnung zu lernen, damit diese Bauteile schnell nachbestellt werden können, wenn diese durch einen Montagearbeiter ausgetauscht werden. Ebenso kann per Deep Learning anhand der Abnutzungserscheinungen eines Bauteils gelernt werden, welche Lebensdauer es voraussichtlich noch hat. Voraussetzung ist immer, dass die Daten in entsprechender Menge und Qualität vorliegen, um ein solches Modell trainieren zu können.

Wohin geht die KI-Reise bei Unbelievable Machine?

Wir wollen den Begriff Künstliche Intelligenz demystifizieren! So komplex die Modelle auch sein können, so kann man sie doch verstehen und ihre Entscheidungen nachvollziehbar machen. Wir wollen weg vom Hype und hin zur Anwendbarkeit. Unser Ziel ist es, transparent zu machen, wie KI funktioniert. Dabei sehen wir unsere Kernkompetenz darin, Unternehmen aufzuzeigen, in welchen Bereichen es bei ihnen einen sinnvollen Einsatz für diese Art der Anwendung gibt und wie dies mit heutigen Mitteln mit oder ohne Cloud realisiert werden kann.

Ingo Nader ist Senior Data Scientist, Clemens Zauchner  ist Data Scientist bei Unbelievable Machine in Wien
Ingo Nader ist Senior Data Scientist, Clemens Zauchner
ist Data Scientist bei Unbelievable Machine in Wien

 

Das könnte dich auch interessieren:
Künstliche Intelligenz als komfortabler Service – auch für Einsteiger
Positionspapier zum Thema „Whitebox-KI"
Vienna calling: Ein Gespräch über Wachstum am *um Standort Wien

Aktuelle Blogeinträge

Social Media

Kontakt

The unbelievable Machine
Company GmbH
Grolmanstr. 40
D-10623 Berlin

+49-30-889 26 56-0 +49-30-889 26 56-11 info@unbelievable-machine.com

Kostenloses Whitepaper

Data Thinking:
Erfolgsrezept für den digitalen Wandel

Zum Whitepaper