Mp wir-machen-alles-neu-dec2018

Discover the world at Leiden UniversityDiscover the world at Leiden University
Künstliche Intelligenz für alle:
Wir machen alles neu?
Mike Preuss | Innovationsforum Münsterland
6. Dezember 2018

Discover the world at Leiden University
Unsere Zukunft mit Künstlicher Intelligenz?
2

Was viele fürchten (oder erwarten)?
3

Oder eher so?
4
Szene aus „Horizon Zero Dawn“ von Guerilla Games
Horizon Zero Dawn™ © 2017-2018 Sony Interactive Entertainment Europe. Published by Sony Interactive Entertainment Europe.
Developed by Guerrilla. “Horizon Zero Dawn” is a trademark of Sony Interactive Entertainment Europe. All rights reserved.

Index
1. Was ist neu an KI?
2. Was können wir damit machen?
3. Oder geht es eigentlich um Digitalisierung?
4. Beispiel: Neue Chemie mit KI
5. Und wie geht es jetzt weiter?
5

A forming field

Künstliche Intelligenz / Artificial Intelligence
Aufbruchstimmung…. berechtigt?
 Machine Learning (bzw. Deep Learning) hat sehr große
Fortschritte gemacht
 Wir können riesige Datenmengen nutzen, um Muster
zu finden
 Wir können irrsinnig große Entscheidungsbäume recht
effizient durchsuchen mit Monte Carlo Tree Search
 Wir können die AI äußerst komplexes menschliches
Verhalten imitieren lassen
 Das ist ganz beachtlich und löst zum ersten Mal viele
Probleme in automatisierter Form
 Aber es ist nicht wirklich intelligent…
7

Was kann die moderne AI?
Wir vergessen das mit der Intelligenz mal ganz schnell
8
Mark Zuckerberg über seine selbst gebaute SmartHome AI Jarvis (Dezember 2016):
“Everything I did this year -- natural language, face recognition, speech recognition
and so on -- are all variants of the same fundamental pattern recognition
techniques. We know how to show a computer many examples of something so it
can recognize it accurately, but we still do not know how to take an idea from one
domain and apply it to something completely different.”

„Tiefe“ Bildbearbeitung
Pferde können Zebras sein
9
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks.
Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros, arxiv 1703.10593, 2017.

 Mit Deep Learning sind bemerkenswerte
Leistungen möglich
 Aber es geht zumeist um Imitation oder
Mustererkennung
 „Dumme Fehler“ werden nicht erkannt
Vollautomatisierung kaum möglich
Menschliche Expertise ist notwendig!
Heutige Grenzen
Wo scheitert die Technik?
10

DL + MCTS = AlphaGo
Besser spielen als der World Go Champion
 Nutzt Deep Learning zur Bewertung
von Positionen (anhand menschlicher
Beispieldaten)
 Ermittelt mit Monte-Carlo Baumsuche
die besten möglichen Züge
 Hochgradig parallel: 1.920 Prozessoren und
280 schnelle Grafikchips (gegen Lee Sedol)
 Einige sehr starke innovative Züge gefunden,
die jetzt von Menschen nachgeahmt werden
 AlphaZero (Dezember 2017): Lernt ohne menschliche Spieldaten
11

Und was hat das jetzt mit Game AI zu tun?
dark ages emergence MonteCarloTreeSearch Deep Learning
2005 2010 2015

Discover the world at Leiden University 13

AI als Werkzeug
 Die neuen Methoden sind deutliche Verbesserungen
schon bekannter Methoden, nicht grundsätzlich neu
 Außerdem haben wir viel mehr Daten als früher, und
die Computer sind sehr viel schneller
 Dadurch können komplexere Probleme bearbeitet
werden, die vorher gar nicht oder schlecht lösbar waren
So z.B.:
 Mustererkennung: visuell (Gesichter, Münzen, etc.),
auditiv, oder statistisch (Auffälligkeiten in Daten)
 Steuern von Prozessen, Entscheidungsfindung, vor
allem unter Echtzeitbedingungen (richtig schnell)
 Auffinden von Strategien für sehr komplexe Probleme
mit sehr vielen möglichen Handlungsalternativen
14

“The Extensions of Man”
 Marshall McLuhans revolutionäre Ideen aus den 60ern gehören zu
den Grundlagen moderner Medientheorien
 Kernaussage: Technologien* ermöglichen uns, unsere
Handlungsoptionen zu erweitern
 Beispiel Auto: Ich kann mich zu Fuß fortbewegen, allerdings ist mein
Radius dann sehr eingeschränkt
 Andererseits sollte ich mich nicht ausschließlich mit dem Auto
fortbewegen, weil dass meine körperliche Gesundheit einschränkt
 Quintessenz: Benutze Technologien, oder sie benutzen dich
 Das lässt sich sehr gut z.B. auf soziale Medien übertragen
 Zum Benutzen brauchen wir aber einige Kenntnisse, das Erlernen
der Beherrschung von Technologie ist Arbeit
*eigentlich Medien, aber sehr allgemein interpretiert, bekanntestes Beispiel ist die Glühbirne
15

AI ist schon da, und wir machen alle mit
 Navigationssysteme
 Spracherkennung
 Autonome Mäher, Staubsauger
 Assistenzsysteme im Auto
 Empfehlungssysteme,
z.B. in Onlineshops
 Computerspiele
 Und, natürlich
Social Media
16

 Die vorherrschenden Informationsquellen/Kommunikationsformen sind schon
(bzw. werden gerade) digital
 Wir befinden uns in einer großen gesellschaftlichen Umwälzung
 Mangelnde Erfahrung / Unwissen erzeugen Angst und Unsicherheit
Digitale Transformation
Ist zunächst mal Transformation der Kommunikation
18

 Das Internet stammt aus einem DARPA
Forschungsprojekt
 1980 bis 1983 wurde ein gemeinsames Protokoll
(TCP/IP) mit einem einzigen Adresssystem etabliert
 1988 wurde das ARPANET in das NFSNET
(American Science Foundation) umgewandelt
 1990 erfand der CERN Forscher (Tim Berners-Lee)
das „graphische Internet“ (WWW)
 1993 kam der „Mosaic“ Browser, gebaut an der
University of Illinois at Urbana-Champaign
Kurze Zeitgeschichte des Internet
19
Das Internet 1994

 1990: die erste Hochgeschwindigkeitverbindung
zwischen den USA und Europa (vorher nur Satellit):
1.5 Mbit/s
 1992 war die Gesamtkapazität des „Internet
Backbone“ 45 Mbit/s
 1993-1998 wurden Backbone und Zugangspunkte
in die Privatwirtschaft transferiert
 2017: Durchschnittliche individuelle Internet
Zugangsgeschwindigkeit in Südkorea 28.6 Mbit/s
Internet (R)evolution
20
Erde, vernetzt

 Seit etwa 1990 wird das Internet kommerziell
 Die „restliche“ Telekommunikation wird auch
ins Internet gezogen: VoI (voice over IP)
 TV goes Internet (Netflix, Amazon Prime,
Mediatheken, und natürlich Youtube)
 Printmedien wandern auch ins Internet
(langsam, aber siehe Online-Zeitungen)
 Musik geht ins Internet (iTunes, Spotify),
und Gaming natürlich auch
 Banking geht ins Internet, und natürlich
alle „Dinge“ (Internet of Things, IoT)
Internet Zukunft
21
Fenster zur Welt

Aus: Innovationsindikator Deutschland 2017
22

Monte Carlo Tree Search (Baumsuche)
1. Wähle besten Knoten im Baum
2. Füge darunter neuen Knoten ein für eine beliebige mögliche Aktion
3. Spiele das Spiel ab da zu Ende mit zufälligen Aktionen
(und messe wie gut das war)
4. Gebe neue Informationen an “höhere” Knoten weiter
24

 Was, wenn das Problem nicht die Auswahl des richtigen Zuges ist,
 sondern die Wahl der richtigen Reaktion zum Bau eines Moleküls?
 Beide haben vieles gemeinsam:
- großer Verzweigungsfaktor (viele mögliche Aktionen in jedem Zug)
- Länge der Sequenz nicht genau bekannt (wie viele Reaktionen/Züge?)
- der vollständige Baum wäre viel zu groß um ihn zu durchlaufen
Marwin H.S. Segler, Mike Preuss, Mark P. Waller: Learning to Plan Chemical Syntheses, arXiv:1708.04202, 2017
Und jetzt revolutionieren wir die Chemie...
25

Was ist chemische Retrosynthese?
 Wir wollen komplexe, schon bekannte Moleküle herstellen.
 wenn möglich aus einfachen, vorhandenen Komponenten
 Grundidee: Wir starten mit dem kompletten Molekül und zerlegen es
durch Anwendung von Reaktionen (rückwärts)
Beispiel:
Anmerkung: Detailfragen dazu an Marwin und Mark, ich bin kein Chemiker
26

Welche Probleme müssen wir lösen?
 Wir müssen wissen, welche Reaktionen überhaupt möglich sind
 Wir müssen herausfinden, welche Reaktionen auf bestimmte Teile des Moleküls anwendbar sind
Letztlich sollte es etwa so aussehen:
27

Extraktion von Reaktionsregeln
 Es gibt manuelle Ansätze, die aber nicht skalieren:
 Das chemische Wissen verdoppelt sich etwa pro Dekade, derzeit sind ca. 11
Millionen Reaktionen bekannt.
 Lösung: Wir extrahieren Reaktionsregeln aus einer existierenden Datenbank
(Reaxys), so bekommen wir 301.671 Regeln.
 Jetzt könnten wir Suchbäume aufbauen mit:
 Etwa 5 bis 20 Schritten, und allen möglichen Reaktionen pro Schritt
 Für 5 Schritte ist die Anzahl der Knoten im Baum eine Zahl mit 23 Stellen
Das ist viel zu viel, auch für Monte Carlo Tree Search!
Hilfe! Wie bekommen wir diese Zahl deutlich kleiner?
28

Deep Learning für Reaktionspräferenzen
 Wir lernen „Präferenzen“ (die jeweils 50 wahrscheinlichsten Reaktionen)
 Das reduziert den Verzweigungsfaktor auf 50
Segler, Waller, Chem. Eur. J. 2017, DOI: 10.1002/chem.201605499
29

Und jetzt alles zusammen:
30

Und wie läuft es so?
31

Was von sowas kommt…
32

Sicherheit und Unsicherheit
Durch moderne AI Techniken
 Klar ist, vieles wird sich ändern. Aber was? Und wie?
 Interessant: In den letzten Dekaden sind eine Menge „Gewissheiten“ gefallen.
- Das menschliche Genom besteht zu mindestens 90% aus Müll
- Gehirnzellen können bei erwachsenen Menschen nicht neu gebildet werden
- Menschen sind als einzige Spezies empathiefähig
- Tiere haben keine Gefühle
- Pflanzen können keine komplexen Reaktionen auf ihre Umwelt zeigen
- Künstliche Intelligenzen können Menschen in komplexen Spielen wie Go nicht schlagen
34

Die Macht der Algorithmen
Sie sind schon überall, wie gehen wir damit um?
 Zu wenige kümmern sich
 Interdisziplinarität notwendig!
 Verteufeln und verbieten sinnlos
 Besser: verstehen und
beschränken
 Wichtige Akteure z.B. Stiftungen,
netzpolitik.org etc.
35

Zwei Extrempositionen
Und ganz viele irgendwo dazwischen
Bostrom: dem Menschen überlegene Intelligenz wird kommen, wir müssen uns
vorbereiten
Kelly: Intelligenz ist nicht eindimensional, sogar beim Menschen kaum
vergleichbar; was kommt wird anders sein, nicht unbedingt überlegen
 Nutzung der neuen Technologien (außer in Techkonzernen) noch zögerlich
 Aber: Automatisierung wird stärker, wir müssen uns damit auseinandersetzen
(Chancen, Risiken)
 Niemand will heute 8h am Fließband stehen und eine Schraube eindrehen
 Oder Social Media abschalten, oder Emails per Hand ausliefern
36

Können wir das stoppen?
 Kurze Antwort: Nein
 Es erfasst nahezu alle Lebensbereiche
 Aber nicht gleichzeitig
 Deutschland spielt in diesem Prozess
bisher keine große Rolle
 Amerikanische Unternehmen noch
führend
 Die Chinesen kommen: Tencent, Baidu,
Alibaba etc.
 Aber Europa ist groß genug, um Einfluß
zu nehmen
37

Eine weitere technische Revolution
 Es ist nicht die erste und vermutlich auch nicht die letzte
 Wollen wir das verhindern? Nicht wirklich (siehe unten)
 Natürlich gibt es Chancen und Risiken
 Voraussagen sind schwer, schon 5 Jahre sind eine lange Zeit
38

Werden wir jetzt alle arbeitslos?
 Es gibt eine Menge Zahlen, viele sind „geraten“
 Frühere Berichte sprechen von Millionen verlorener Jobs
Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are
jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280.
http://doi.org/10.1016/J.TECHFORE.2016.08.019
 Die Zahlen basieren auf Einschätzungen von Technologie-
Experten oder Unternehmensführungen
 Zusammenfassende Darstellung im CIPD Bericht (Hislop,
Coombs, Taneva, Barnard) vom Dezember 2017:
1. Nur wenige Jobs sind vollständig zu automatisieren
2. Viele neue Jobs werden entstehen
3. Die Geschwindigkeit der Veränderung ist nicht nur von der
Technologie abhängig, sondern z.B. von der gesellschaftlichen
“Trägheit”, die sie bremst
39

Mensch und Maschine
Derzeit ein starker Trend
 AI muss zugänglicher werden:
„Explainable Artificial Intelligence“ (XAI)
„Human-Centered Computing“
 Menschen müssen auch „zugänglicher“ werden
 Wir werden lernen müssen, die neuen
Techniken zu nutzen
 Erwartung vieler Experten: Symbiose von
Mensch und Maschine sehr erfolgversprechend
 General Artificial Intelligence kann nur
gelingen, wenn AI vom Menschen lernt
40

Discover the world at Leiden UniversityDiscover the world at Leiden University
Don’t
panic!
41

Mp wir-machen-alles-neu-dec2018

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Mp wir-machen-alles-neu-dec2018

Semelhante a Mp wir-machen-alles-neu-dec2018 (20)

Mp wir-machen-alles-neu-dec2018