GANs ermöglichen ohne die Vorgabe von Regeln oder anderem Expertenwissen, allein aus großen Datenmengen neue, domänenspezifische Beispiele zu erzeugen. In diesem Beitrag erklären wir, wie GANs für die Übersetzung genutzt werden.
Nachvollziehbarkeit algorithmischer Entscheidungen ist längst auch über die Forschung hinaus relevant. Wir analysieren, wie Erklärbarkeitsmethoden und externes Wissen zusammenwirken können, um Maschinelles Lernen an gesellschaftliche Anforderungen anzupassen und zu verbessern.
Feindliche Angriffe auf Vorhersagemodelle des Maschinellen Lernens, zum Beispiel beim autonomen Fahren, könnten zu großem (Personen-)Schaden führen. Mit Hilfe von Abwehrmechanismen können ML-Modelle geschützt und ihre Robustheit gegenüber Angriffen erhöht werden.
Software für Maschinelles Lernen ist für bestimmte Angriffe anfällig: So können künstlich veränderte Eingabedaten zum Versagen des zugrunde liegenden Modells führen. Wir stellen Techniken zur Entwicklung von adversarialer Robustheit vor.
Feindliche Angriffe beim maschinellen Lernen zielen darauf ab, Ausfälle in der Funktionalität der Modelle zu verursachen. Dieser Blogpost beschreibt die sogenannten „Adversarial Examples“, die fehlerhafte Vorhersagen neuronaler Netze verursachen.
Klinische Studien enthalten neben objektiven Indikatoren der Patient*innen oftmals subjektive Experteneinschätzungen zum Krankheitsstatus. Um Schwankungen von Expertenwissen zu reduzieren, wird die bestehenden Einschätzungen mit gemessenen Indikatoren anhand einer Ranking SVM kombiniert.
Bei der Anwendung von ML-Lösungen im operativen Betrieb stehen Anwender vor diversen technischen und organisatorischen Herausforderungen. MLOps beschreibt einen ganzheitlichen Prozessansatz, der diese Herausforderungen mit geeigneten Methoden und Werkzeugen löst.
In diesem Beitrag erklären wir den Ansatz der generativen neuronalen Modelle. Diese haben in Anwendungsbereichen, in denen handkuratierte Daten für überwachtes Lernen schwer oder nicht erhältlich sind, gute Erfolge erzielt.
Finanzdokumente enthalten sensible Informationen, die die Nutzung und Verarbeitung der Daten nur für autorisierte Personen zulässt. Das Anonymizer-Tool schwärzt diese Informationen durch natürliche Sprachverarbeitungs- und Deep Learning-Techniken sowie einer regelbasierten Nachbearbeitung.
Wie einfach KI-Algorithmen angegriffen werden können, hängt von der Form der Grenzen ab, mit der das neuronale Netz die Entscheidungen voneinander trennt. Diese kann durch das Erhitzen der Entscheidungsgrenzen bestimmt werden.
Die Lokalisierung von autonom fahrenden Robotern ist essentiell für ihre Navigation im Raum. ML2R-Wissenschaftler*innen entwickelten eine Methode, welche es Robotern ohne Vorwissen und mittels Bodenkamera ermöglicht, ihre räumliche Position zu bestimmen.
Künstliche Intelligenz braucht viele Daten. Aber wie viele Daten brauche ich mindestens für ein gutes Modell? Der „Curse of Dimensionality“ und das “Nyquist-Shannon-Theorem” geben Antworten.
Die Evolutionäre Optimierung ist eine echte Alternative zu gradientenbasierten Verfahren, da sie flexibler in verschiedenen Anwendungsszenarien eingesetzt werden kann. ML2R-Forschende nutzten evolutionäre Algorithmen, um Schaltkreise von Quantencomputern zu optimieren.
Quantencomputer haben das Potenzial, Informationen schneller zu verarbeiten und komplexere Aufgaben zu bewältigen als klassische Computer. Sie werden Künstliche Intelligenz und Maschinelles Lernen tiefgreifend verändern und neue Anwendungsmöglichkeiten für ML-Verfahren erschließen.
Die aktuelle Corona-Pandemie stellt die Gesundheitsämter in Deutschland vor große Herausforderungen. In einer Studie mit dem Gesundheitsamt Köln konnten Wissenschaftler*innen mittels Datenanalysetechniken das Infektionsgeschehen nachvollziehen und Ansteckungsmuster erkennen.
Deep Learning nutzt tiefe neuronale Netze, um Bilder zu erkennen, Texte zu verstehen und Entscheidungen genauer zu treffen. Zur Analyse großer Datensätze verwendet das „mehrschichtige Lernen“ mehrere versteckte Ebenen im Netz.
Word-Embeddings bilden den Grundbaustein für die algorithmische Analyse und Verarbeitung von Texten, wie Textklassifizierung, Übersetzung und Textgenerierung. Interpretierbare Vektorrepräsentation von Wörtern kodieren semantische Zusammenhänge verständlich und ermöglichen Analyse von wort-übergreifenden Themen.
Edge Deployment ermöglicht die sichere und ressourcenschonende Verarbeitung großer Datenströme in Echtzeit sowie ein dezentrales Datenmanagement und Training im Maschinellen Lernen. KI-basierte Anwendungen können so in die Produktion gebracht werden.
Publish or Perish? Wissenschaft zum Maschinellen Lernen unterliegt einem hohen Publikationsdruck. ML-Forschung kann hier von einer Adaption des Slow Science-Ansatzes profitieren, der mehr Zeit für und Konzentration auf inhaltliche Forschungstätigkeit legt.
Sicherheitskritische Systeme, wie beispielsweise selbstfahrende Autos, stellen neue, hohe Anforderungen an KI-Modelle. Vielerorts wird hierzu an Lösungsansätzen geforscht, ein umfassender Überblick wurde jetzt durch ein Übersichtspapier des Konsortiums „KI-Absicherung“ geschaffen.
Künstliche Intelligenz ist im medizinischen Kontext nicht wegzudenken. Gerade während einer globalen Pandemie können die Digitalisierung und Verschlankung von Prozessen im Gesundheitswesen dabei unterstützen, wertvolle Ressourcen zu sparen und Überlastungen abzufedern.
BERT ermöglicht es viele Probleme der Interpretation natürlicher Sprache zu lösen. Dieser Beitrag erläutert detailliert die Architektur, die Eigenschaften und Funktionsweise des von Google entwickelten Modells.
Der Sinngehalt von Worten lässt sich durch numerische Vektoren darstellen, die auch die Nachbarschaftsworte einbeziehen. Dadurch lassen sich syntaktische und semantische Zusammenhänge der Sprache erfassen und zur Interpretation von Bedeutungen verwenden.
Um alle Typen der Syllogismen zu lernen, gibt es keine ‘perfekten Trainingsdaten’, unabhängig davon wie viele Daten vorliegen. Stattdessen ist es möglich, die Syllogismen anhand semantischer Repräsentation der Eingabe zu lernen.
Informationen in Urteilstexten liegen unstrukturiert und in großen Mengen vor. Methoden der intelligenten Informationsextraktion, logische Regeln sowie Expertenwissen können bei ihrer Analyse unterstützen und tragen zur transparenteren Strafzumessung in Deutschland bei.
Informed Machine Learning macht bestehende Wissensquellen nutzbar und integriert sie in maschinelle Lernverfahren. Damit können Modelle basierend auf Daten und Vorwissen trainiert werden. Unternehmen können so langjähriges Fachwissen gewinnbringend einsetzen.
Mit Aktivem Lernen wird das Annotieren von Daten schneller und kostengünstiger. Die Methode bindet Menschen effizient in den Prozess des Maschinellen Lernens ein und bildet damit ein Sprungbrett für vertrauenswürdige KI.
Gammastrahlung gibt Hinweise auf Vorgänge im Weltall. Erstmalig ist es einem interdisziplinären Forscherteam der Informatik und Astrophysik an der TU Dortmund gelungen, die Analyse von Gammastrahlung in Echtzeit am Teleskop durchzuführen.
Menschen können vorhandenes Wissen und logisches Denken kombinieren, um neue Probleme zu lösen. Für KI ist das nicht so einfach. Der ARC Benchmark bietet nun eine Testumgebung für solch neuartige KI-Ansätze.
Mikrochips wie ASICs sind klein, schnell und energiesparend. Vor allem FPGAs sind darüber hinaus sehr flexibel, da sie neu programmierbar sind. Damit sind sie interessante Plattformen für die Entwicklung von ML-Methoden.
Bei Daten mit Lücken ist das Lernen von Modellen oft schwierig, und in manchen Fällen sogar unmöglich. Allerdings können generative Verfahren helfen, indem sie unvollständige Daten mit möglichst sinnvollen Annäherungen auffüllen.
Um in umfangreichen Textsammlungen eine zielgerichtete Suche zu ermöglichen, ist eine Vergabe von Stichworten üblich. Wir beschreiben Methoden, wie man kurze Texte vollautomatisch mit inhaltsbezogenen Stichworten versehen kann.
Viele Entscheidungen können heutzutage effizient, genau und automatisiert mittels maschineller Lernverfahren getroffen werden. Ebenso wichtig ist allerdings, dass transparent dargestellt und erklärt wird, warum und wie diese Entscheidungen zustande kommen.
In drei Schritten beschreiben wir das Maschinelle Lernen in der Praxis: das richtige Mindset, ein Beispiel-Prozess mit System und die richtige Werkzeugwahl. Dieser Beitrag bietet einen Einstieg und Hinweise zu Ressourcen.
Optimierung ist eine Schlüsselkomponente des Maschinellen Lernens, die erlaubt, Modelle basierend auf Daten zu trainieren. Sie arbeitet meist im Hintergrund, ist jedoch gerade bei hochkomplexen Lernproblemen und schwieriger Datenlage wichtig.
Im Maschinellen Lernen gibt es verschiedene Paradigmen, nach denen Algorithmen trainiert werden. Sie unterscheiden sich in der Auswahl der Trainingsdaten und in der Art und Häufigkeit des Feedbacks während der Trainingsphase.
Maschinelles Lernen ist längst zum festen Bestandteil unserer Welt geworden, sie verändert unser Leben und die Gesellschaft. Wir erklären hier die grundlegenden Begriffe und Konzepte dieser neuartigen Technologie.
