Heutzutage vergeht kaum ein Tag, an dem man nicht lesen kann, wo mit Hilfe von Maschinellem Lernen, Deep Learning oder Artificial Intelligence (AI) etwas Unglaubliches erreicht wurde. Sei es, dass ein neues Musikstück komponiert wurde, ein Auto autonom von A nach B fuhr oder auch einfach Einbruchszahlen durch Predicitve Policing gesenkt wurden. Schöne neue Welt, alles super, könnte man meinen. Wir haben den 'heiligen Gral' gefunden, der aus unserer Welt eine bessere macht.
Ist das tatsächlich so oder kann es sein, dass sich hinter diesem Hype eine etwas andere Realität zeigt? Sind Deep Learning und AI tatsächlich der "Hammer", der jeden "Nagel" in die Wand schlägt?
In diesem Talk werden wir uns etwas genauer ansehen, welche Probleme AI derzeit lösen kann und wo es durchaus noch Schwierigkeiten gibt. Lasst uns einfach mal kritisch hinter die Fassade schauen. Dazu werden wir versuchen zu verstehen, wie AI und Deep Learning funktionieren und was sie alles abdecken, um dann zu überlegen, wo es derzeit auch durchaus scheitern kann und auch schon gescheitert ist.
Vorkenntnisse
Bereitschaft zum kritischen Betrachten von Dingen und zum offenen Austausch von Ideen.
Lernziele
* Grundsätzliches Verstehen von Deep Learning
* Was geht und was nicht mit Deep Learning?
* Was ist Style Transfer, was sind GANs und wo stecken die Risiken?
* Was sind Adversarial Examples und was haben sie mit Deep Learning zu tun?
//
Marcel Tilly
ist Program-Manager bei Microsoft Research. Er beschäftigt sich mit Themen rund um Big Data, Deep Learning und AI; im Detail geht es um Sprach- und Bilderkennung und deren Anwendung in Real-World-Szenarien. Wenn dann noch Zeit bleibt, spricht er auf Konferenzen, schreibt Artikel oder programmiert irgendetwas.