quo vadis informatik? bindestrichinformatik – zerreißprobe maschinelles lernen / pattern...
TRANSCRIPT
Quo vadis Informatik?Bindestrichinformatik – ZerreißprobeMaschinelles Lernen / Pattern RecognitionBarbara Hammer, Institute of Informatics, Clausthal University of Technology
Barbara HammerInstitut of Informatics 2Quo vadis Informatik?
Clausthal
- ZellerfeldBrocken
Barbara HammerInstitut of Informatics 3Quo vadis Informatik?
GS-Z-12
???
GS-Z-13 GS-Z-14
Barbara HammerInstitut of Informatics 4Quo vadis Informatik?
GS-H-99
GS-CT-4 GS-Z-14 GS-G-42
GS-A-11 GS-K-11
Ein Fall für maschinelles Lernen / Pattern Recognition: Schnee-gestörte Nummernschildern lesen.
Barbara HammerInstitut of Informatics 5Quo vadis Informatik?
Maschinelles Lernen / Pattern Recognition
machine learning = teach your computer/machine to improve its performance based on experience (Mitchell)
pattern recognition = ‚low level KI‘, neuronale Netze/statistische Methoden auf der Basis von verteilter Information
schmutzige KI
Barbara HammerInstitut of Informatics 6Quo vadis Informatik?
Eigenschaften
ML ermöglicht- allgemeine Lösungen: entwickelt Lernmethoden für technische Systeme, sich Information und geeignete Darstellungen anzueignen
- adaptive Lösungen: entwickelt Lernmethoden, um aus problemspezifischen Beispielen problemspezifische Information zu generieren
- selbst adaptierende Lösungen: lebenslanges automatisiertes Lernen
- robuste Lösungen: basierend auf verteilter Informationsdarstellung, redundant, parallel
- effiziente Lösungen: neue Lösungen benötigen nur Trainingsbeispiele und Lernalgorithmus, skalierbar
dieses ist zentral / natürlich in ML realisiert
ML ist zentral für die junge Informatik
Barbara HammerInstitut of Informatics 7Quo vadis Informatik?
Zerreißprobe
ML
klassische KI
Mathematik
Anwendungen in der Informatik
BiologieGesellschaft
Anwendungen außerhalb der Informatik
Barbara HammerInstitut of Informatics 8Quo vadis Informatik?
Biologie
biologische neuronale Netze künstliche neuronale Netze- Perzeptron, MLP Ratenkodierung der Signale- spikende Netze Pulskodierung- SOM Selbstorganisation, winner-takes-all
biologische Lernprinzipien: Hebbsches Lernen, vielfach mathematisch ‚nachgebildet‘
Lernen aus der Biologie mithilfe der richtigen Abstraktion
Bsp: SVM RNNs – klassisches Backpropagation bis heute erfolglos,
biologische Alternative: festes rekurrentes Reservoir
Barbara HammerInstitut of Informatics 9Quo vadis Informatik?
Mathematik
statistische Lerntheorie Verifikation/Validierung von Modellen als Black-Box
Algorithmen
Lücke Theorie-Praxis: verschiedene Tagungen, verschiedene betrachtete Modelle, irrelevante Schranken
Kapazität (insbesondere rekurrenter) neuronaler Netze gliedert sich nicht in klassische Theorien (wie Chomsky) ein, Lernbias unklar, Bedeutung für konkrete Anwendungen unklar ( non-uniform-boolean-circuits, Blum-Shub-Smale Modell, definite memory machines, …)
formale Modelle in Bezug auf kognitive Fähigkeiten sind nötig
Barbara HammerInstitut of Informatics 10Quo vadis Informatik?
Anwendungen in der Informatik
Erkennung handgeschriebener Ziffern (>97%) Spam Filter (meiner ist klasse ;-) Robotik und Computer Vision (inverse Kinematik,
Repräsentation kontinuierlicher Umgebung, Bildinterpretation, …)
Computergrafik (Szenenanalyse, …) Data Mining (WebSOM, …) Computerlinguistik (Erkennen gesprochener Sprache, …) Neuroscience (Erklärung kognitiver Fähigkeiten) Bioinformatik (Interpretation von Daten aus High-throughput
Verfahren wie Microarrays / Spektren, …) Medizininformatik (Medizinische Bildverarbeitung, …) Wirtschaftsinformatik (Prognose von wasauchimmer ,…) …
Barbara HammerInstitut of Informatics 11Quo vadis Informatik?
Anwendungen außerhalb der Informatik
Prognose: Wetterdaten, Abverkäufe, Börsendaten, … Überwachung/Steuerung industrieller Anlagen Auswertung von Messdaten (Sonden für Landminen, …) Bilderkennung (militärischer Bereich, Umweltbereich, …) …
Pattern Recognition in der Regel ein kleiner, aber vitaler Anteil oft eher einfache (veraltete) Technologie verwandt häufig mühsame Adaptation der Eingabe (Vorverarbeitung) ‚nur‘ statistische Verifikation wird von Praktikern/Ingenieuren
oft nicht akzeptiert (zumindest nicht, wenn das Modell offensichtlich ein Black Box Mechanismus ist)
komfortablere/universelle/selbst adaptierende I/O nötig Interpretierbarkeit der Modelle nötig
Barbara HammerInstitut of Informatics 12Quo vadis Informatik?
Anwendungen innerhalb ML
eine Stelle / Leistungszulage / Drittmittel Publikationen neue Algorithmen
es existiert ein Zoo von Algorithmen (ohne adäquate Implementation)
benchmarks z.B. UCI, verschiedene contests, RoboCup, … data set selection problem
ordentliche Grundausstattung, faire Möglichkeiten für Stellen / Drittmittel, sinnvolle Leistungskriterien
Barbara HammerInstitut of Informatics 13Quo vadis Informatik?
Gesellschaft
Computers will take over? Noch nicht, aber Einsatz / Einsatzmöglichkeit von black box Mechanismen in kritischen Bereichen (Medizinische Diagnose, Kreditwürdigkeitsprognose, Biometrische Datenanalyse, Analyse von Proteom-Daten, ...)
Möglichkeit, Individuen zu überwachen / kategorisieren (market basket analysis, personalisierte Empfehlungen, einfache Analyse großer personalisierter Datenmengen durch wenauchimmer …)
Menschliches Expertenwissen wird automatisierbar
Barbara HammerInstitut of Informatics 14Quo vadis Informatik?
Klassische KI
liefert im Gegensatz zu schmutziger KI interpretierbare Modelle ist aber langsam oder funktioniert nicht in realen Umgebungen symbolisch/subsymbolische Integration nötig rekurrente neuronale Strukturen müssen verstanden werden
Barbara HammerInstitut of Informatics 15Quo vadis Informatik?
Quo vadis Informatik?
ML ist zentral für die junge InformatikLernen aus der Biologie mithilfe der richtigen AbstraktionVerifikation/Validierung von Modellen als Black-Box Algorithmen
ordentliche Grundausstattung, faire Möglichkeiten für Stellen / Drittmittel, sinnvolle Leistungskriterien
formale Modelle in Bezug auf kognitive Fähigkeiten sind nötigkomfortablere/universelle/selbst adaptierende I/O nötigInterpretierbarkeit der Modelle nötigsymbolisch/subsymbolische Integration nötigrekurrente neuronale Strukturen müssen verstanden werden
Barbara HammerInstitut of Informatics 16Quo vadis Informatik?
GS-H-99
GS-CT-4 GS-Z-14 GS-G-42
GS-H-99
GS-K-11GS-A-11