KI: Unterschied zwischen den Versionen
Admin (Diskussion | Beiträge) |
Admin (Diskussion | Beiträge) |
||
Zeile 86: | Zeile 86: | ||
* Input: Regel | * Input: Regel | ||
* Output: Feedback gegenüber Grundwahrheit -> stärkt oder schwächt die Regel | * Output: Feedback gegenüber Grundwahrheit -> stärkt oder schwächt die Regel | ||
+ | |||
+ | {{c|Maschinelles Lernen kann also im Wesentlichen dort erfolgreich sein, wo die folgenden Bedingungen erfüllt sind: | ||
+ | # Es gibt eine ausreichend große und gute Trainingsdatenmenge (Input). | ||
+ | # Es gibt eine sehr gut messbare Grundwahrheit, also das, was vorherzusagen ist (Output). | ||
+ | # Es gibt kausale Zusammenhänge zwischen dem Input und dem vorherzusagenden Output. | ||
+ | |||
+ | Algorithmen des maschinellen Lernens sind uns in diesem Fall klar überlegen, da sie: | ||
+ | # nahezu beliebig große Datenmengen nach Korrelationen durchsuchen können. | ||
+ | # nach sehr vielen verschiedenen Arten von Korrelation suchen können. | ||
+ | # auch schwache Korrelationen noch gewinnbringend in die statistischen Modelle einfließen lassen können.|KZ-AKT 196}} | ||
=== Durchführung 1. Algo: Maschinelle Lernalgorithmus === | === Durchführung 1. Algo: Maschinelle Lernalgorithmus === | ||
Zeile 107: | Zeile 117: | ||
{{c|Grundsätzlich versucht man beim maschinellen Lernen, nicht zu viel in das vorliegende Datenset hineinzuinterpretieren – falls das doch passiert, nennen wir das »Overfitting«.|KZ-AKT 140}} | {{c|Grundsätzlich versucht man beim maschinellen Lernen, nicht zu viel in das vorliegende Datenset hineinzuinterpretieren – falls das doch passiert, nennen wir das »Overfitting«.|KZ-AKT 140}} | ||
+ | |||
+ | {{c|Die Methoden des maschinellen Lernens sind Methoden der Korrelationssuche. Das heißt, sie suchen nach Eigenschaften, die mit der vorherzusagenden Eigenschaft sehr oft gemeinsamen auftreten (und weniger oft auftreten, wenn ein Datenpunkt die vorherzusagende Eigenschaft nicht hat).|KZ-AKT 194}} | ||
=== Ergebnis: statistisches Modell === | === Ergebnis: statistisches Modell === | ||
Zeile 116: | Zeile 128: | ||
{{c|Von den Daten her gesehen ist es genau das, was maschinelles Lernen leisten können soll: Versteckte Entscheidungsregeln offenlegen, auch wenn diese nicht zu 100 Prozent das Handeln leiten und weitere Eigenschaften eine Rolle spielen könnten.|KZ-AKT 145-6}} | {{c|Von den Daten her gesehen ist es genau das, was maschinelles Lernen leisten können soll: Versteckte Entscheidungsregeln offenlegen, auch wenn diese nicht zu 100 Prozent das Handeln leiten und weitere Eigenschaften eine Rolle spielen könnten.|KZ-AKT 145-6}} | ||
+ | |||
+ | {{c|Die meisten Algorithmen des maschinellen Lernens sind nur Heuristiken, also Handlungsanweisungen, die versuchen, überhaupt eine Lösung zu finden, aber nicht garantieren können, dass es die optimale ist.|KZ-AKT 194}} | ||
{{c|Entscheidungsbäume können relativ schnell aus Daten gelernt werden. Die Algorithmen dahinter sind im Wesentlichen simpel, aber nicht trivial, da so viele Entscheidungen getroffen werden müssen. Viele dieser Entscheidungen führen zu Handlungsanweisungen, die technisch gesehen keine Algorithmen mehr sind, sondern nur Heuristiken. Das ist bei den allermeisten Methoden des maschinellen Lernens der Fall.|KZ-AKT 147}} | {{c|Entscheidungsbäume können relativ schnell aus Daten gelernt werden. Die Algorithmen dahinter sind im Wesentlichen simpel, aber nicht trivial, da so viele Entscheidungen getroffen werden müssen. Viele dieser Entscheidungen führen zu Handlungsanweisungen, die technisch gesehen keine Algorithmen mehr sind, sondern nur Heuristiken. Das ist bei den allermeisten Methoden des maschinellen Lernens der Fall.|KZ-AKT 147}} | ||
{{c|Wenn es aber nicht möglich ist, eine hundertprozentig gültige Regel zu finden, müssen die verschiedenen Fehler einer Entscheidung gegeneinander abgewogen werden.|KZ-AKT 158}} | {{c|Wenn es aber nicht möglich ist, eine hundertprozentig gültige Regel zu finden, müssen die verschiedenen Fehler einer Entscheidung gegeneinander abgewogen werden.|KZ-AKT 158}} | ||
+ | |||
+ | {{c|Offensichtlich kommt es bei maschinellem Lernen aber nie dazu, dass die von der Maschine festgestellten Hypothesen auf ihre Kausalität überprüft werden.|KZ-AKT 194}} | ||
* Modell der Welt | * Modell der Welt |
Version vom 29. September 2020, 16:05 Uhr
- Künstliche Intelligenz
- Artificial Intelligence
- 人工知能
Fragen
- Lohnt es sich, ein System unter ethischer Perspektive zu evaluieren? -> Algoskop
Algoskop
- Software
- Algoritmische Entscheidungssysteme
- mit lernender Komponente
- die über Menschen entscheidet
- mit lernender Komponente
- Algoritmische Entscheidungssysteme
- AES sind unkritisch, wenn über Dinge entschieden werden soll, die keinen direkten Bezug zu Menschen oder zur Gesellschaft haben.
- AES sind kritisch:
- wenn es um Menschen geht
- wenn es um die Teilhaber an der Gesellschaft geht
- wenn es um Zugang zur wichtigen Ressourcen geht
Ergo: Nur eine relativ kleine Klasse von Softwaresystemen braucht unter ethischer Perspektive betrachtet werden.
OMA-Prinzip
Operationalisierung
Messbarmachung
- der modellierten Objekte
- das, was eine gute Entscheidung ist
Modell der Welt
Die Modellierung eines Problems ist auch immer schon selbst ein Problem. -> Explikation
Unterschied zwischen
- Land und Landkarte
- Situation und Konstellation
- echte Situation und künstliche Repräsentation
Algorithmus
- Input: Daten
- Nutzung vorhandener Algorithmen
- Output: Daten -> Bedetungsgebung -> Interpretation
Lange Kette der Verantwortlichkeiten
Risikomatrix
- 5 Kategorien an technischer Regulation
Kein Algorithmen-TÜV sondern systemischer Blick
Ganzheitliche Betrachtung des soziotechnischen Gesamtsystems
Big Data
- Volume (Masse)
- Velocity (Geschwindigkeit)
- Variety (Vielfältigkeit)
Big Data wird dann genutzt, wenn vorhanden:
- Mehrwert (Value)
- Validität (Validity)
Maschinelles Lernen
Prinzip:
- Input: Regel
- Output: Feedback gegenüber Grundwahrheit -> stärkt oder schwächt die Regel
Maschinelles Lernen kann also im Wesentlichen dort erfolgreich sein, wo die folgenden Bedingungen erfüllt sind:
- Es gibt eine ausreichend große und gute Trainingsdatenmenge (Input).
- Es gibt eine sehr gut messbare Grundwahrheit, also das, was vorherzusagen ist (Output).
- Es gibt kausale Zusammenhänge zwischen dem Input und dem vorherzusagenden Output.
Algorithmen des maschinellen Lernens sind uns in diesem Fall klar überlegen, da sie:
- nahezu beliebig große Datenmengen nach Korrelationen durchsuchen können.
- nach sehr vielen verschiedenen Arten von Korrelation suchen können.
- auch schwache Korrelationen noch gewinnbringend in die statistischen Modelle einfließen lassen können. (KZ-AKT 196)
Durchführung 1. Algo: Maschinelle Lernalgorithmus
- Algorithmen des maschinelles Lernens
- Input: viele vorhandene Daten mit bekanntem Ergebnis
- Ziel: Der Computer soll anhand von konkreten Beispielen und vorhandenen Grundwahrheiten möglichst generalisierte Regeln lernen.
Zweig, Katharina. Ein Algorithmus hat kein Taktgefühl: Wo künstliche Intelligenz sich irrt, warum uns das betrifft und was wir dagegen tun können (German Edition) (S.173). Heyne Verlag. Kindle-Version.
Ich erkläre skizzenhaft, wie Algorithmen oder Heuristiken diese Regeln jeweils aus den Daten lernen und wie sie dann in einem statistischen Modell gespeichert werden:
- Der Baum der Erkenntnis: Entscheidungsbäume
- Der Holzspießtest aka Support Vector Machines
- Und – sehr skizzenhaft – neuronale Netzwerke (KZ-AKT 134)
Ergebnis: statistisches Modell
- Modell der Welt
- gelernte Regeln, Heuristiken
- in einem statistischen Modell abgelegte Entscheidungsregeln
Durchführung 2. Algo: Entscheidungsalgorithmus
- einfacher Algorithmus
Korrelation und Kausalität
Qualitäts- und Fairnessmaße
Glossar
- AES: Algorithmische Entscheidungssysteme