AI Artificial Intelligence

Viele Teile ergeben ein Ganzes! Die Kunst unwichtige Details zu vermeiden!

Einführung

Die Entwicklung schreitet rasant voran. Wir gingen von nahezu unbrauchbarer Computervision und Verarbeitung natürlicher Sprache weg, bis hin zu hochleistungsfähigen Systemen, die in großem Maßstab in Produkten eingesetzt werden, die Sie täglich verwenden. Die Folgen dieses plötzlichen Fortschritts erstrecken sich auf fast alle Branchen. Wir sind schon bei Anwendung von Deep Learning auf eine erstaunliche Bandbreite wichtiger Probleme in allen Bereichen wie zum Beispiel als medizinische Bildgebung, Landwirtschaft, autonomes Fahren, Bildung, Katastrophen Prävention und Anwendungen in der Produktion. Dennoch glaube ich, dass Deep Learning noch in den Anfängen steckt. Es hat nur einen kleinen Bruchteil seines bisherigen Potenzials. realisiert. Im Laufe der Zeit wird es seinen Weg zu jedem Problem finden, wo es möglich ist zu helfen – eine Transformation, die sich über mehrere Jahrzehnte hinziehen wird. Um mit der Bereitstellung von Deep-Learning-Technologie für jedes Problem zu beginnen, das es gibt, müssen wir es so vielen Menschen wie möglich zugänglich machen, einschließlich Nicht-Experten – Menschen, die keine Forscher oder Doktoranden sind. Wir stehen an der Schwelle eines historischen Übergangs, in dem sich Deep Learning aus dem akademischen Bereich herausbewegt. Fähigkeiten werden in der Lage sein, intelligente Anwendungen zu entwickeln, die aus Daten lernen.


Für unsere Zwecke ist Deep Learning ein mathematisches Framework
zum Lernen von Repräsentationen aus Daten.


Genau das ist also Deep Learning, technisch gesehen: eine mehrstufige Methode, um Datenrepräsentationen zu lernen.
Es ist eine einfache Idee – aber, wie sich herausstellt, sehr einfache Mechanismen, ausreichend
skaliert, dies kann am Ende wie Magie aussehen.
Die Spezifikation dessen, was eine Schicht mit ihren Eingabedaten macht, wird in der Schicht gespeichert und zwar in Gewichten, die im Wesentlichen eine Ansammlung von Zahlen sind. In technischer Hinsicht würden wir sagen:
Die von einer Schicht implementierte Transformation wird durch ihre Gewichte parametrisiert
In diesem Zusammenhang bedeutet Lernen, einen Satz von Werten für die Gewichte aller Schichten in einem Netzwerk zu finden.
Das Netzwerk ordnet Beispieleingaben den zugehörigen Zielen korrekt zu. Aber hier ist das Problem: Ein tiefes neuronales Netzwerk kann Millionen von Parametern enthalten. Finden der
Korrekte Werte für alle Gewichte, kann  wie eine entmutigende Aufgabe erscheinen, insbesondere angesichts der Tatsache:
Der Wert eines Parameters beeinflusst das Verhalten aller anderen!

Um etwas zu kontrollieren, muss man es zuerst beobachten können.
Bei einem neuronalen Netzwerk müssen Sie in der Lage sein, zu messen, wie weit die Ausgabe vondem entfernt ist, was Sie tun soll.
Dies ist die Aufgabe der Verlustfunktion des Netzwerks, die manchmal auch als die Loss Funktionbezeichnet wird.
Die Verlustfunktion übernimmt die Vorhersagen des Netzwerk und das wahre Ziel (was das Netzwerk ausgeben soll) und berechnet eine Entfernung, Punktzahl, um zu erfassen, wie gut das Netzwerk bei diesem speziellen Beispiel abgeschnitten hat

Der grundlegende Trick beim Deep Learning besteht darin, diese Punktzahl als Feedback-Signal zu verwenden. Passen Sie den Wert der Gewichte ein wenig in eine Richtung an, die den Verlustwert für das aktuelle Beispiel verringert.
Diese Anpassung ist die Aufgabe des Optimierers, der implementiert den sogenannten Backpropagation-Algorithmus: den zentralen Algorithmus.
Zunächst werden den Gewichten des Netzwerks zufällige Werte zugewiesen, also das Netzwerk
implementiert lediglich eine Reihe zufälliger Transformationen. Natürlich ist seine Leistung weit
von dem, was es idealerweise sein sollte, und der Verlust-Score ist dementsprechend sehr hoch. 
Aber mit jedem Durchlauf werden die Gewichte ein wenig in die richtige Richtung angepasst und der Verlustwert nimmt ab. Das ist die Trainingsschleife, die man ausreichend wiederholt -  (typischerweise zehn Iterationen über Tausende von Beispielen)
Wenn die Ergebnisse so nah wie möglich an den Zielen liegen, ist das  ein trainiertes Netzwerk.
Auch hier handelt es sich um einen einfachen Mechanismus, der nach der Skalierung wie Magie aussieht.
Der Einsatz von Deep Learning:
Bildklassifizierung auf nahezu menschlicher Ebene
 Sprachtranskription auf nahezu menschlichem Niveau
 Handschriftliche Transkription auf nahezu menschlichem Niveau
Drastisch verbesserte maschinelle Übersetzung
 Drastisch verbesserte Text-zu-Sprache-Konvertierung
 Digitale Assistenten wie Google Assistant und Amazon Alexa
 Autonomes Fahren auf nahezu menschlichem Niveau
 Verbessertes Anzeigen-Targeting, wie es von Google, Baidu oder Bing verwendet wird
 Verbesserte Suchergebnisse im Web
 Fähigkeit, Fragen in natürlicher Sprache zu beantworten
 Supermenschliche Spiele

Wir erforschen immer noch das volle Ausmaß dessen, was Deep Learning leisten kann. Arbeit für eine Vielzahl von Problemen, deren Lösungen für unmöglich gehalten wurden
Automatische Transkription von Zehntausenden von alten Manuskripten, die im Apostolischen Archiv des Vatikans aufbewahrt werden, erkennen und klassifizieren.
Pflanzenkrankheiten auf Feldern mit einem einfachen Smartphone erlemmem  und unterstützen soOnkologen oder Radiologen mit der Interpretation medizinischer Bilddaten, spwoe der Vorhersage von Naturkatastrophen wie Überschwemmungen, Hurrikane oder sogar Erdbeben und so weiter. Mit jedem Meilenstein kommen wir näher Sin ein Zeitalter, in dem Deep Learning uns bei jeder Aktivität und jedem Bereich des Menschen hilft
Streben – Wissenschaft, Medizin, Fertigung, Energie, Transport, Softwareentwicklung,
Landwirtschaft und sogar künstlerisches Schaffen.









Symbol „Von der Community überprüft“



KI

Copyright © 2022. All Rights Reserved. Ehrenfried Stuhlpfarrer