Voraussichtliche Lesedauer: 3 Minuten
Inhaltsverzeichnis
In der künstlichen Intelligenz Welt tut sich viel. Fast täglich werden neue, vielversprechende Entwicklungen verkündet. Da kann man sehr schnell den Überblick verlieren. In diesem kurzen Blogeintrag möchte ich Ihnen meine persönlichen Favoriten vorstellen, die die Zukunft von künstlicher Intelligenz entscheidend mitprägen werden.
Generative Modelle (Generative Adversarial Networks)
Generative Adversarial Networks bestehen aus zwei künstlichen neuronalen Netzwerken, die ein Nullsummenspiel durchführen. Eines davon erstellt Kandidaten nach einem generativen Modell, das zweite neuronale Netzwerk bewertet die Kandidaten nach einem diskriminierenden Modell. Während das zweite Netzwerk lernt, als „schlecht“ definierte Ergebnisse zu vermeiden, versucht das erste Netzwerk, das zweite zu einer schlechten Antwort zu bringen. Dadurch wird nach und nach die Bewertungsmethode des zweiten Netzwerks verbessert.
Vor einigen Jahren konnten wir kaum geschriebene Ziffern erzeugen. Dann kamen die Convolutional Networks und plötzlich wurden Bilder hunderte Male einfacher zu handhaben. In den letzten Jahren haben generative Modelle die meiste Magie mit sich gebracht. Wir können jetzt mit nahezu perfekter Genauigkeit zum Beispiel Promigesichter erzeugen, was meiner Meinung nach erstaunlich ist. Oder zum Beispiel die Software CycleGAN (UC Berkeley). Eine Software, die Fotos aus Gemälden erzeugt, Pferde in Zebras verwandelt oder Stiltransfer durchführen kann. Alles, was durch mangelnde Trainingsdaten begrenzt wurde, hat jetzt eine nicht zu vernachlässigende Chance, möglich zu werden.
Bestärkendes Lernen (Reinforcement Learning)
Bestärkendes Lernen oder Verstärkendes Lernen steht für eine Reihe von Methoden des Maschinellen Lernens, bei denen ein Agent selbständig eine Strategie erlernt, um erhaltene Belohnungen zu maximieren. Dabei wird dem Agenten nicht vorgezeigt, welche Aktion in welcher Situation die beste ist, sondern er erhält zu bestimmten Zeitpunkten eine Belohnung, die auch negativ sein kann. Anhand dieser Belohnungen approximiert er eine Nutzenfunktion, die beschreibt, welchen Wert ein bestimmter Zustand oder Aktion hat.
Das besondere an Reinforcement Learning ist, dass es mit wenig Trainingsdaten auskommt. RL ist so etwas wie der Heiliger Gral des maschinellen Lernens. In der Theorie ist es in der Lage jedes Problem zu lösen. Das Problem beim RL ist, dass es zum Teil sehr instabil ist und in der Praxis werden viele Tricks benötigt, um damit überhaupt sinnvoll arbeiten zu können. Die Ergebnisse bzw. Erfolge der letzten Jahre, wie das Spielen von ATARI-Games oder das Steuern von Roboterarmen, sind sehr aufregend und nähren die Hoffnung auf noch bahnbrechendere Entwicklungen in naher Zukunft.
Beratung zu diesen Thema erwünscht? Buche hier unten direkt einen Termin mit unseren Experten.