wir sind machine learning chancen und herausforderungen · training fine tuning. imagenet. your...
TRANSCRIPT
![Page 1: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/1.jpg)
Wir sind
Prof. Dr. Stephan Trahasch
Machine LearningChancen und Herausforderungen
https://imla.hs-offenburg.de
![Page 2: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/2.jpg)
Hochschule OffenburgKompetenz in Technik, Wirtschaft und Medien
4400+ Studierende; 12 % International Studierende
45 Studiengänge Bachelor und Master
Fakultäten
1. Betriebswirtschaft und Wirtschaftsingenieurwesen
2. Elektrotechnik, Medizintechnik und Informatik
3. Maschinenbau und Verfahrenstechnik
4. Medien und Informationswesen
2
![Page 3: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/3.jpg)
Die Hochschule Offenburg zählt zu den forschungsstärksten HAWs in Baden-Württemberg.
3
Institute for Unmanned Aerial SystemsInstitut für Energiesystemtechnik
Affective and Cognitive Institute
Peter Osypka Institut
Institut für verlässlicheEmbedded Systems und
Kommunikationselektronik
Institute for Trade and Innovation
![Page 4: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/4.jpg)
Institute for Machine Learning and Analytics
K. DorerDeep Learning, Autonome Systeme
H. GrabowskiSmart Mobile Systems
T. HagenBusiness Analytics, Data Warehousing
S. HenselMaschinelles Sehen,
mobile autonome Systeme
J. KeuperLarge Scale Machine Learning,
Deep Learning
J. MünchenbergBusiness Analytics, Digitalisierung
J. ReiterData Mining, Predictive Analytics
V. SängerData Mining, Web Mining, Learning Analytics, Multimedia Datenbanken
S. TrahaschMachine Learning, Big Data
T. LauerParallel Computing, Data Clustering
G. MeierEthics (external member)
R. GasperGrey Box Modeling
4
![Page 5: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/5.jpg)
− Predictive Maintenance (Carl-Zeiss-Stiftung)in Zusammenarbeit mit zwei Industriepartnern
− Menschen Lernen Maschinelles Lernen (BMBF)Weiterbildung für Unternehmensmitarbeiter
− Abverkaufsanalysenmit Apache Hadoop, Spark und SAP HANA
− Production Intelligence (BMWI)Datengetriebene Echtzeitanalyse automatisierter Produktion
− HyParHybride CPU/GPU-Parallelisierung zur Beschleunigung von Clustering-Verfahren
− Vizeweltmeister RoboCup - Sweaty und Magma
Ausgewählte Forschungsprojekte
5
![Page 6: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/6.jpg)
Data Mining / Advanced Analytics als Modul in vielen Masterstudiengängen
Vertiefung Data Science und Analytics im Informatik-Master
NEUAb WS20/21 Bachelor-Studiengang Angewandte Künstliche Intelligenz
Lehre
6
![Page 7: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/7.jpg)
Gliederung
Machine Learning 101
Trends
Herausforderungen
![Page 8: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/8.jpg)
Aktuelle Meldungen zu Künstlicher Intelligenz
8
![Page 9: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/9.jpg)
Künstliche Intelligenz – Wunsch und Realität
KI in Filmen KI in der Realität
10
![Page 10: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/10.jpg)
KI ist ein Oberbegriff, der mehr als Machine Learning und Deep Learning umfasst.
ArtificialIntelligence
MachineLearning
Deep Learning
Big Data
11
![Page 11: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/11.jpg)
Machine Learning
[Machine Learning is the] field of study that gives the computer the ability to learn without being explicitly programmed.
Arthur Samuel, 1959
Problem Analysis
Write Programm
IF x THEN do …IF y THEN do …
Evaluate
Analyze Errors
RunProblem Analysis
Train ML Algorithm
Evaluate
Analyze Errors
Run
Data
12
![Page 12: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/12.jpg)
Arten des Maschinellen Lernens
Überwachtes Lernen (Supervised Learning)1. Ziel: Vorhersage einer Klasse2. Trainigsdaten mit Features und einem “Label” (Target Feature)3. Label kann eine Klasse oder ein numerischer Wert (Regression) sein.4. Modell soll möglichst gut die tatsächliche Klasse vorhersagen.
57 M 195 0 125 95 39 25 3 1 yes 0 0 1 0 0 0 178 M 160 1 130 100 37 40 4 0 no 3 1 0 1 1 1 269 F 180 0 115 85 40 22 2 0 no 0 0 1 0 0 0 018 M 165 0 110 80 41 30 0 0 yes 2 1 0 0 0 0 354 F 135 0 115 95 39 35 1 1 no 2 0 1 0 0 0 384 F 210 1 135 105 39 24 0 0 no 999 0 0 0 0 1 089 F 135 0 120 95 36 28 4 0 yes 0 0 0 0 0 0 049 M 195 0 115 85 39 32 3 0 na 1 1 0 0 0 0 140 M 205 0 115 90 37 18 2 0 yes 5 0 0 0 0 0 074 M 250 1 130 100 38 26 5 1 no 4 0 1 1 0 0 077 F 140 0 125 100 40 30 1 1 ni 0 0 0 0 0 0 2
13
![Page 13: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/13.jpg)
Arten des Maschinellen Lernens
Überwachtes Lernen (Supervised Learning)
Unüberwachtes Lernen (Unsupervised Learning)1. Ziel: Ähnlichkeiten zwischen Daten ermitteln2. Trainigsdaten mit Features, jedoch keinem “Label”3. Modell soll möglichst gut Ähnlichkeiten identifizieren.
57 M 195 0 125 95 39 25 3 1 yes 0 0 1 0 0 078 M 160 1 130 100 37 40 4 0 no 3 1 0 1 1 169 F 180 0 115 85 40 22 2 0 no 0 0 1 0 0 018 M 165 0 110 80 41 30 0 0 yes 2 1 0 0 0 054 F 135 0 115 95 39 35 1 1 no 2 0 1 0 0 084 F 210 1 135 105 39 24 0 0 no 999 0 0 0 0 189 F 135 0 120 95 36 28 4 0 yes 0 0 0 0 0 049 M 195 0 115 85 39 32 3 0 na 1 1 0 0 0 040 M 205 0 115 90 37 18 2 0 yes 5 0 0 0 0 074 M 250 1 130 100 38 26 5 1 no 4 0 1 1 0 077 F 140 0 125 100 40 30 1 1 ni 0 0 0 0 0 0
14
![Page 14: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/14.jpg)
Arten des Maschinellen Lernens
Überwachtes Lernen (Supervised Learning)
Unüberwachtes Lernen (Unsupervised Learning)
Bestärkendes Lernen (Reinforcement Learning)1. Ziel: Lerne Strategie, um erhaltene Belohnungen zu maximieren.2. Indirektes Feedback für die Qualität einer Folge von Aktionen3. Keine direkte Antwort, sondern nur besser oder schlechter4. Feedback erfolgt zeitlich verzögert.
15
![Page 15: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/15.jpg)
Welche Funktion trennt die Bereiche am Besten?
16x
y
![Page 16: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/16.jpg)
Gliederung
Machine Learning 101
Trends
Herausforderungen
![Page 17: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/17.jpg)
Deep Learning Revolution
https://devblogs.nvidia.com/wp-content/uploads/2017/05/SXM2-VoltaChipDetails.png
18
![Page 18: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/18.jpg)
Generative adversarial networks (GANs)
19
![Page 19: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/19.jpg)
GANs: From faces to (small) full-body synthesis
20
![Page 20: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/20.jpg)
Gruppen sind klüger als Einzelne!?Gradient Boosted Decision Trees
https://arogozhnikov.github.io/2016/07/05/gradient_boosting_playground.html21
![Page 21: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/21.jpg)
Gradient Boosted Decision Trees
The most frequently used tool by data science competition winners: XGBoost
Ron Bekkerman: “Something dramatic happened in Machine Learning over the past couple of years. It is called XGBoost – a package implementing Gradient Boosted Decision Trees that works wonders in data classification. Apparently, every winning team used XGBoost, mostly in ensembles with other classifiers. Most surprisingly, the winning teams report very minor improvements that ensembles bring over a single well-configured XGBoost.”
22
![Page 22: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/22.jpg)
Unstruktrierte Daten: Deep LearningStrukturierte Daten: Gradient Boosting Trees und weitere
23
57 M 195 0 125 95 39 25 3 1 yes 0 0 1 0 0 0 178 M 160 1 130 100 37 40 4 0 no 3 1 0 1 1 1 269 F 180 0 115 85 40 22 2 0 no 0 0 1 0 0 0 018 M 165 0 110 80 41 30 0 0 yes 2 1 0 0 0 0 554 F 135 0 115 95 39 35 1 1 no 2 0 1 0 0 0 384 F 210 1 135 105 39 24 0 0 no 999 0 0 0 0 1 089 F 135 0 120 95 36 28 4 0 yes 0 0 0 0 0 0 049 M 195 0 115 85 39 32 3 0 na 1 1 0 0 0 0 140 M 205 0 115 90 37 18 2 0 yes 5 0 0 0 0 0 074 M 250 1 130 100 38 26 5 1 no 4 0 1 1 0 0 077 F 140 0 125 100 40 30 1 1 ni 0 0 0 0 0 0 4
![Page 23: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/23.jpg)
Training und Evaluation von verschiedenen ML-Verfahren ist zeitaufwändig.
Automated Machine Learning automatisierte Verfahren zur Modellauswahl und Hyperparameteroptimierung
NICHT automatisiertes ML auf „Knopfdruck“
⟩ Time-to-Value⟩ Kostenreduktion⟩ Standards und Best Practices⟩ Fokus auf Fragestellung
Data Preprocessing
Training
Evaluation
24
![Page 24: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/24.jpg)
Transfer Learning
25
Training Fine Tuning
ImageNet Your Data
Pre-trainedNeural Net
TrainedNeural Net
Wiederverwendung von vorhandenen Modellen reduziert Zeit und Datenmenge, die ein Modell benötigt, um eine neue Aufgabe zu lernen.
Der Aufwand zur Erklär- und Nachvollziehbarkeit eines Modells, das auswiederverwendeten Komponenten besteht, wird reduziert.
wichtiger Schritt zur Verallgemeinerung eines Modells
![Page 25: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/25.jpg)
Repurposing Google’s InceptionV3 image recognition network for skin cancer detection
26
Pre-trained reusable component Skin-cancer specific component
![Page 26: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/26.jpg)
2018/2019 beeindruckende Neuerungen in der Sprachverarbeitung(Natural Language Processing, NLP)
Textgenerierungsmodell von OpenAIAus ethischen Gründen entschieden sich Entwickler, den Code nicht zu veröffent-lichen.
Dezember 2018 Veröffentlichung von BERT durch Google„NLP-Image-Net-Moment“
Maschinelle Sprachverarbeitung
27
![Page 27: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/27.jpg)
BERT Bidirectional Encoder Representations from Transformers
28
NLP-Benchmarks:
General Language Understanding Evaluation GLUEGLUE-Score: 80,4% 7,6% Verbesserung gegenüber dem bisherigen besten Ergebnis.
SQuAD 1.1 Genauigkeit von 93,2%
![Page 28: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/28.jpg)
Gliederung
Machine Learning 101
Trends
Herausforderungen
![Page 29: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/29.jpg)
Lab to Fab
![Page 30: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/30.jpg)
Zielsetzung und Roadmap klärenNo business case – no value generation
#2Spare Parts
#7Production
Quality
#1.1Predictive
Maintenance for Critical
Parts
#1Predictive
Maintenance for Assembly
Niedrig HochAnalytische Komplexität
Nie
drig
Hoc
hDa
tenk
ompl
exitä
t
#6Prizing
31
![Page 31: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/31.jpg)
Erklärbarkeit von Modellen
32
Ribeiro, Marco Tulio; Singh, Sameer; Guestrin, Carlos (2016): "Why Should I Trust You?": Explaining the Predictions of Any Classifier
https://www.oreilly.com/learning/introduction-to-local-interpretable-model-agnostic-explanations-lime
![Page 32: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/32.jpg)
Prominent incidents that highlight the effect of algorithmic bias
2009 Hewlett-Packard investigates instances of so-called "racist camera software" which had trouble recognizing dark-skinned people
2015 A Carnegie Mellon University study determines that some personalized ads from sites such as Google and Facebook are gender-biased
2015 A Google algorithm mistakenly captions photos of black people as "Gorillas"
2016 Microsoft shuts down Al chatbot Tay after it starts using racist language
2016 ProPublica investigation finds that a computer program used to track future criminals in the US is racially biased
2016 Machine-learning algorithms used to judge an international beauty contest displays bias against dark-skinned contestants
Fairness
33
![Page 33: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/33.jpg)
Diskriminierung durch Algorithmen
https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing
Fairness, keine Verzerrung, Robustheit und Reproduzierbarkeit!34
![Page 34: Wir sind Machine Learning Chancen und Herausforderungen · Training Fine Tuning. ImageNet. Your Data. Pre-trained Neural Net. Trained Neural Net Wiederverwendung von vorhandenen Modellen](https://reader034.vdocuments.net/reader034/viewer/2022050103/5f424b00fc0583542e00e583/html5/thumbnails/34.jpg)
Herausforderungen
Transfer Learning Automated ML Erklärbarkeit und
Nachvollziehbarkeit
Verzerrung, Diskriminierung Kontrolle von
Algorithmen ErwartungshaltungDatenschutz
Unternehmen
Datenverfügbarkeitund Datenqualität Fokus:
Zielsetzung, Rollen, Kommunikation Lab – Factory Automatisierung Talente
Forschung Gesellschaft
36