-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathindex.html
More file actions
659 lines (659 loc) · 41.2 KB
/
Copy pathindex.html
File metadata and controls
659 lines (659 loc) · 41.2 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
<!doctype html>
<html>
<head>
<meta charset="utf-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0, maximum-scale=1.0, user-scalable=no">
<title>AI Presentation</title>
<link rel="stylesheet" href="css/reset.css">
<link rel="stylesheet" href="css/reveal.css">
<link rel="stylesheet" href="css/theme/black.css">
<link rel="stylesheet" href="css/custom.css">
<!-- Theme used for syntax highlighting of code -->
<link rel="stylesheet" href="lib/css/monokai.css">
<!-- Printing and PDF exports -->
<script>
var link = document.createElement('link');
link.rel = 'stylesheet';
link.type = 'text/css';
link.href = window.location.search.match(/print-pdf/gi) ? 'css/print/pdf.css' : 'css/print/paper.css';
document.getElementsByTagName('head')[0].appendChild(link);
</script>
</head>
<body>
<div class="reveal">
<div class="slides">
<section data-background-image="assets/aiLogo.gif" data-background-size="30%"
data-background-position="50% 0%" data-background-color="black">
<div style="background-color: white; color:black; margin-top: 15%;"
class="fragment fade-out">
Press space to continue
</div>
<div class="fragment fade-up">
<h3>Artificial Intelligence</h3>
<p class="small">von René Borner</p>
</div>
</section>
<section data-background-image="assets/bookCovers.png" data-background-size="contain">
<h2>Methodik</h2>
<p class="black">Viele Fachbücher zur Informationsbeschaffung</p>
<aside class="notes">
- Noch kurz ein paar Informationen zu meiner Methodik.
Zur Vorrecherche habe ich viel das Internet und Wikipedia genutzt. Gerade zu dem Thema AI gibt
es viele gute Websiten.<br>
- Ich habe viele Bücher über das Thema gelesen, besonders empfehlen kann ich: <br>
Life 3.0: Being Human in the Age of Artificial Intelligence, von Max Tegmark 2018<br>
</aside>
</section>
<!-- @formatter:off -->
<section data-markdown>
<script type="text/template">
## Agenda
- Definitionen <!-- .element: class="fragment" -->
- Geschichte <!-- .element: class="fragment" -->
- Machine Learning <!-- .element: class="fragment" -->
- Lern Algorithmen <!-- .element: class="fragment" -->
- Modelle <!-- .element: class="fragment" -->
- Anwendungen <!-- .element: class="fragment" -->
- Zukunft <!-- .element: class="fragment" -->
- Fazit <!-- .element: class="fragment" -->
</script>
</section>
<!-- @formatter:on -->
<section>
<section>
<h2>Definition</h2>
</section>
<section>
<h2>Was ist Intelligenz?</h2>
<p class="fragment fade-up">"Ability to accomplish complex goals" - Max Tegmark</p>
<aside class="notes">
- Max Tegmark benutzt eine sehr weite Definition, in der alle komplexen Ziele wie
Selbstbewusstsein, lernen, Problem Lösungs Kompetenzen etc. beinhaltet sind.<br>
- Es ergebe keinen Sinn, Intelligenz durch einen IQ zu wiederzugeben, da je nach dem
welches komplexes Ziel erreicht wird, Intelligenz nicht verglichen werden kann.
(Was ist Intelligenter? - ein Computer der Go spielen kann, oder Schach?)
</aside>
</section>
<section data-background-color="#8BFF78">
<h2>Schwache | narrow AI</h2>
<img src="assets/weakAI.png" alt="No image found">
<aside class="notes">
- Alle heute existierenden Systeme fallen unter die Kategorie der schwachen KI.<br>
- Funktionieren auf oberflächlichen Intelligenz-Level und erlangen kein tieferes Verständnis
für die Problemlösung.<br>
- Schwache künstliche Intelligenz ist vor allem auf die Erfüllung klar definierter Aufgaben
ausgerichtet und variiert die Herangehensweise an Probleme nicht.<br>
- Stattdessen greift die schwache künstliche Intelligenz auf Methoden zurück, die ihr für
die Problemlösung zur Verfügung gestellt werden.<br>
</aside>
</section>
<section data-background-color="#FF3660">
<h2>Starke | general AI</h2>
<img src="assets/strongAI.png" alt="No image found">
<aside class="notes">
- Eine starke künstliche Intelligenz handelt nicht mehr nur reaktiv, sondern auch aus
eigenem Antrieb, intelligent und flexibel.<br>
- Eine Zeitspanne von 20 bis 40 Jahren bis es eine starke AI gibt, gilt als realistisch <br>
- es gibt aber sogar Diskussionen, ob eine starke künstliche Intelligenz überhaupt
machbar ist. <br>
</aside>
</section>
<section data-background-color="#FF3660" data-markdown>
<script type="text/template">
## Bedingungen für eine general AI
1. Logisches Denkvermögen <!-- .element: class="fragment" -->
2. Entscheidungsfähigkeit auch bei Unsicherheit <!-- .element: class="fragment" -->
3. Planungs- und Lernfähigkeit <!-- .element: class="fragment" -->
4. Fähigkeit zur Kommunikation in natürlicher Sprache <!-- .element: class="fragment" -->
5. Kombinieren aller Fähigkeiten zur Erreichung eines übergeordneten Ziels <!-- .element: class="fragment" -->
</script>
</section>
<section data-background-image="assets/stagesOfLife.png" data-background-size="contain">
<aside class="notes">
- Eine andere Möglichkeit der Einteilung ist das Leben 3.0. In dem gleichnamigen Buch von
Max Tegmark<br>
- dieser beschreibt die Aufteilung jeder Lebensform in die 3 Kategorien Überleben,
Lernfähigkeit und körperliche Anpassung <br>
</aside>
</section>
</section>
<section>
<section>
<h2>Geschichte</h2>
<!--
AI - A modern approach ab S.16
https://en.wikipedia.org/wiki/History_of_artificial_intelligence#The_birth_of_artificial_intelligence_1952%E2%80%931956
-->
</section>
<section data-background-image="assets/historyBirth.png"
data-background-size="contain">
<h2 class="top">Die Geburt von AI</h2>
<aside class="notes">
- Turing Test: "Wenn eine Maschine ein Gespräch mit einem Mensch führen kann und dieser
nicht unterscheiden kann, ob er mit einem Mensch oder mit einer Maschine spricht, ist der
Turing Test bestanden" (komme ich gleich nochmal zu) <br>
- Logic Theorist: entwickelt, um Probleme wie Menschen lösen zu können. Hat 38 von 52
mathematischen Theorien bewiesen aus dem Buch Principia Mathematica mit teilweise
eleganteren Beweisen. <br>
- Dartmouth Conference: Beschluss für den Namen "Artificial Intelligence" für das
Forschungsgebiet. Logic Theorist wurde vorgestellt und viele wichtige Teilnehmer waren
anwesend -> Geburt von AI <br>
</aside>
</section>
<section data-background-image="assets/historyTuring.png"
data-background-size="contain">
<aside class="notes">
- um den Touring test zu bestehen benötigt ein AI System Natural Language Processing, die
Möglichkeit Wissen zu speichern, die Fähigkeit Schlussfolgerungen zu ziehen und machine
learning <br>
- die physikalische Interaktion spielt dabei keine Rolle und ist nicht notwendig für
Intelligenz
- der Test ist auch heute noch relevant, auch wenn eher die dahinterliegenden Prinzipien
erforscht werden, statt der Turing Test selber
</aside>
</section>
<section data-background-image="assets/historyGoldenYears.png"
data-background-size="contain">
<h2 class="top">Goldenen Jahre</h2>
<aside class="notes">
- General Problem Solver: Software zur Realisierung einer allgemeinen Problemlösungsmethode
-> scheitert, führt dann aber zu den Expert Systems (später) <br>
- NLP STUDENT: Programm, welches Probleme aus Schul Algebra Büchern lesen kann -> gilt
als erster Erfolg im Bereich Natural Language Processing <br>
- WABOT Robot: Er bestand aus einem Gliedmaßenkontrollsystem, einem Sehsystem und einem
Gesprächssystem. Der WABOT-1 ging mit
seinen unteren Gliedmaßen und war in der Lage, Objekte mit Händen zu greifen und zu
transportieren, die taktile Sensoren verwendeten. Es wurde geschätzt, dass der WABOT-1 die
geistige Leistungsfähigkeit eines anderthalb Jahre alten Kindes hat <br>
</aside>
</section>
<section data-background-image="assets/historyWabot.jpg"
data-background-size="contain">
</section>
<section data-background-image="assets/history1Winter.png"
data-background-size="contain">
<h2 class="top">1. AI Winter</h2>
<aside class="notes">
- viele Probleme: Rechenleistung, große Datenmengen nötig für NLP o.ä. und das Moravec’sches
Paradox „Es ist vergleichsweise einfach, Computer dazu zu bringen, Leistungen auf
Erwachsenenniveau bei Intelligenztests oder beim Dame spielen zu erbringen, und schwierig
oder unmöglich, ihnen die Fähigkeiten eines Einjährigen in Bezug auf Wahrnehmung und
Mobilität zu vermitteln.“ <br>
- keine Finanzierung mehr wegen dem langsamen Fortschritt <br>
</aside>
</section>
<section data-background-image="assets/historyBoom.png"
data-background-size="contain">
<h2 class="top">Boom</h2>
<aside class="notes">
- Expert System: kann Probleme mit Logik lösen. Die Logik wird durch Expertenwissen
aufgebaut. War ein großer Erfolg und das XCON System hat z.B. jährlich 40mio dollar
gespart.<br>
- Neuronale Netze: Backpropagation Technik zum trainieren von Neoronalen Netzwerken
(später) führt zu schnellen Fortschritten. <br>
</aside>
</section>
<section data-background-image="assets/history2Winter.png"
data-background-size="contain">
<h2 class="top">2. AI Winter</h2>
<aside class="notes">
- Roboter: verschiedene Forscher legen ihren Fokus auf Roboter anstatt auf Logik <br>
- AI ist zu teuer und bietet außerhalb von Expert Systems kaum finanzielle Vorteile <br>
</aside>
</section>
<section data-background-image="assets/historyMilestones.png"
data-background-size="contain">
<h2 class="top">Meilensteine</h2>
<aside class="notes">
- Intelligent Agents: Forschungsgebiet für ein System, das seine Umgebung wahrnimmt und
Maßnahmen ergreift, die seine Erfolgsaussichten maximieren. <br>
- Deep Blue: von IBM entwickelter Schachcomputer schlägt den Schachweltmeister Kasparow
durch die Benutzung von Alpha-Beta-Suchverfahren (Minimax Algorithmus) <br>
- autonomes fahren: Stanford Auto fährt 131 Meilen auf einer davor nicht bekannten
Wüstenstraße und in 2007 fährt ein autonomes Auto 55 Meilen autonom in der Stadt. <br>
<br>
Algorithmen, die ursprünglich von der AI-Forschung entwickelt wurden, begannen, als Teil
größerer Systeme zu erscheinen. Die KI hatte viele sehr schwierige Probleme gelöst und
ihre Lösungen erwiesen sich in der gesamten Technologiebranche als nützlich, wie Data
Mining, Industrierobotik, Logistik, Spracherkennung, Bankensoftware, medizinische Diagnose
und Googles Suchmaschine
</aside>
</section>
<section data-background-image="assets/historyPresent.png"
data-background-size="contain">
<h2 class="top">Gegenwart</h2>
<aside class="notes">
Sehr viele Fortschritte vor allem in den Bereichen Deep Learning, Big Data und Artificial
General Intelligence
</aside>
</section>
</section>
<section>
<section>
<h2>Machine Learning</h2>
</section>
<section>
<img src="assets/mlSkizze.png" alt="No image found">
<aside class="notes">
Grundsätzlich will man durch machine Learning bei einem bestimmten Input einen Output
vorhersagen können. Also stark vereinfacht wie in der Skizze.
</aside>
</section>
<section>
<h2>Lern Algorithmen</h2>
<!-- S. 695 in AI - A general Approach -->
</section>
<section>
<h2>supervised learning</h2>
<img src="assets/supervisedLearning_new.png" alt="No image found">
<!--
https://medium.com/@gowthamy/machine-learning-supervised-learning-vs-unsupervised-learning-f1658e12a780
-->
<aside class="notes">
- der meist verwendete Algorithmus bei der Mehrheit der praktischen ML Anwendungen <br>
- für jedes Input Beispiel wird der Output durch den Supervisor festgelegt <br>
- aufgrund diesem Wissen wird dann ein Modell aufgestellt und trainiert <br>
- neuronale Netzwerke werden i.d.R. mit supervised learning trainiert <br>
</aside>
</section>
<section>
<h2>unsupervised learning</h2>
<img src="assets/unsupervisedLearning.png" alt="No image found">
<!--
https://medium.com/@gowthamy/machine-learning-supervised-learning-vs-unsupervised-learning-f1658e12a780
-->
<aside class="notes">
- bei der Interpretation wird ein Muster in den Daten gesucht (hier sehen immer 2 Input
Bilder ähnlich aus) <br>
- so können Cluster erstellt und Anomalien entdeckt werden <br>
- Eine Art von Unsupervised Learning ist die Hebbsche Lernregel (Hebbian Theory),
Dazu komme ich dann später bei neuronalen Netzwerken nochmal.<br>
</aside>
</section>
<section>
<h2>reinforcement learning</h2>
<img src="assets/reinforcementLearning_new.png" alt="No image found">
<aside class="notes">
- Funktioniert nur wenn es eine Art Belohnung oder Feedback gibt, diese wird dann
maximiert, z. B. in Spielen ein Punkte zähler <br>
- der Agent achtet auf dieses Feedback und optimiert das Modell darauf <br>
- reinforcement learning wird oft in komplizierten Umgebungen eingesetzt <br>
- Google DeepMind hat z. B. Anfang 2019 einen professionellen Starcraft 2 Spieler mit
einer AI, die durch reinforcement Training gelernt hat, besiegt <br>
</aside>
</section>
<section>
<h2>Modelle</h2>
</section>
<section data-background-image="assets/montyHall1.png" data-background-size="contain">
<aside class="notes">
- Als Einstieg das Monty Hall Problem <br>
- hinter 2 Türen ist eine Ziege, hinter der anderen ein Sportauto <br>
- Die Wahrscheinlichkeit das Sportauto zu treffen ist logischerweise 1/3, von daher spielt
es keine Rolle welche Tür wir als erstes wählen. <br>
</aside>
</section>
<section data-background-image="assets/montyHall2.png" data-background-size="contain">
<aside class="notes">
- Nach der Wahl öffnet der Moderator eine Tür hinter der eine Ziege ist.<br>
- Wechselt ihr nun die Tür oder nicht? -> <b>Wer hat einen Vorschlag / Begründung?</b>
</aside>
</section>
<section data-background-image="assets/montyHall3.png" data-background-size="contain">
<aside class="notes">
</aside>
</section>
<section data-background-image="assets/montyHall4.png" data-background-size="contain">
<aside class="notes">
- Richtig ist es zu wechseln, da ursprünglich die kum. Wahrscheinlichkeit 2/3 war, dass
hinter einer der 2 Türen das Sportauto ist, und wir nun sagen können, dass die
Wahrscheinlichkeit 2/3 ist, dass das Sportauto hinter der anderen Türe ist. <br>
</aside>
</section>
<section>
<h2>Satz von Bayes</h2>
<img class="fragment fade-in" src="assets/montyHallBayes.png" alt="No image found">
<aside class="notes">
- Eine andere Art das Monty Hall Problem zu lösen ist mit dem Satz von Bayes, das sähe dann
so aus, das erspare ich euch jetzt aber <br>
</aside>
</section>
<section>
<h2>Bayessches Netz</h2>
<img src="assets/bayesianNetwork.png" alt="No image found">
<aside class="notes">
- Ein bayessches Netz bezeichnet ein Modell, das eine Reihe zufälliger Variablen und ihre
bedingten Abhängigkeiten über einen Graph darstellt. <br>
- Ein bayessches Netz könnte beispielsweise die wahrscheinlichen Beziehungen zwischen
Krankheiten und Symptomen darstellen. <br>
- Diese Netze können auch trainiert werden und für vorhersagen etc. genutzt werden. <br>
</aside>
</section>
<section data-background-image="assets/neuronalNetwork0.jpg" data-background-size="contain">
<h2> Künstliche Neuronale Netze & Deep learning</h2>
<aside class="notes">
- Donald Hebb formulierte 1949 in seinem Buch The Organization of Behavior: „Je häufiger ein
Neuron A gleichzeitig mit Neuron B aktiv ist, umso bevorzugter werden die beiden Neuronen
aufeinander reagieren" („what fires together, wires together“). <br>
- Dies hat Hebb anhand von Veränderungen der synaptischen Übertragung zwischen Neuronen
nachgewiesen. <br>
- Nach diesem Prinzip werden noch heute neuronale Netzwerke aufgebaut. <br>
</aside>
<!--
framework for many different machine learning algorithms to work together and process complex data inputs</p>
https://www.youtube.com/watch?v=aircAruvnKk 3Blue1Brown
http://neuralnetworksanddeeplearning.com/
-->
</section>
<section data-background-image="assets/neuronalNetwork1.png" data-background-size="contain">
<aside class="notes">
- Hier ein Beispiel von einem einfachem künstlichen neuronalen Netz für die Bilderkennung
("Hello World" Anwendung der neuronalen Netze) <br>
- Neuronen nehmen immer einen Wert zwischen 0 und 1 an. In der ersten Ebene bildet jedes
Neuron die Helligkeit von einem Pixel ab. <br>
- Jedes Neuron gibt dann Informationen an jedes Neuron aus der nächsten Ebene weiter. <br>
</aside>
</section>
<section data-background-image="assets/neuronalNetwork2.png" data-background-size="contain">
<aside class="notes">
- Die Verbindungen zwischen Neuronen sind gewichtet, und bestimmen den Einfluss, den ein
Neuron auf ein anderes Neuron hat.<br>
- Mit der Sigmoidfunktion wird der Wert der Neuronen auf der nächsten Ebene berechnet. Hier
wird immer die Gewichtung mit dem Wert des Neurons multipliziert und
am Ende noch ein bias, also ein Schwellwert, abgezogen. Die Sigmoidfunktion generiert
dann einen Wert zwischen 0 und 1.<br>
- Die Gewichtung und der Schwellwert wird während dem Lernprozess angepasst und bestimmen
wie trainiert und effizient ein neuronales Netz ist.<br>
- Zum Start eines Lernprozesses sind die Werte komplett zufällig gewählt und werden dann je
nach Ergebnis angepasst (Fehlerrückführung | Backpropagation). <br>
</aside>
</section>
<section data-background-image="assets/neuronalNetwork3_new.png" data-background-size="contain">
<aside class="notes">
- In den Hidden Layers werden immer mehr details gefiltert, bis am Ende eine Aussage über
das Bild gemacht werden kann.<br>
- Bei vielen Hidden Layers bezeichnet man ein neuronales Netzwerk als Deep Learning
Netzwerk<br>
- diese komplexen neuronalen Netzwerke werden für Spracherkennung, Bilderkennung, Natural
Language Processing und Empfehlungssystemen (Amazon) genutzt. <br>
</aside>
</section>
</section>
<!--
Genetische Algorithmen?
NLP?
-->
</section>
<section>
<section>
<h2>Anwendungen</h2>
<aside class="notes">
"Habt ihr Ideen, wo heute schon AI benutzt wird?" <br>
So gut wie in allen Bereichen anwendbar, im Folgenden ein paar Beispiele
</aside>
</section>
<section data-background-image="assets/applicationOpportunity.jpg"
data-background-size="contain">
<h2 class="black">Raumfahrt</h2>
<aside class="notes">
- viele autonome Systeme im Weltraum <br>
- in der Zukunft immer mehr <br>
</aside>
</section>
<section data-background-image="assets/applicationStockMarket.jpg"
data-background-size="contain">
<h2 class="black">Finanzen</h2>
<aside class="notes">
- die meisten Aktien Verkaufs/Kaufentscheidungen werden automatisch getroffen <br>
- durch AI Systeme effiziente Umverteilung der Ressourcen auf der ganzen Welt <br>
</aside>
</section>
<section data-background-image="assets/applicationProduction.jpg"
data-background-size="contain">
<h2 class="black">Produktion</h2>
<aside class="notes">
- Roboter für höhere Effizienz und Präzision <br>
</aside>
</section>
<section data-background-image="assets/applicationAutopilot.jpg"
data-background-size="contain">
<h2 class="black">Transport</h2>
<aside class="notes">
- autonomes fahren für ein stark reduziertes Unfall Risiko <br>
- Autopilot in Flugzeugen <br>
</aside>
</section>
<section data-background-image="assets/applicationEnergy.jpg"
data-background-size="contain">
<h2 class="black">Energie</h2>
<aside class="notes">
- Intelligentes Stromnetz zur Vernetzung von Stromerzeugern, Verbrauchern und Speichern <br>
- Verwaltung von Angebot & Nachfrage in einem dezentralisierten Netz <br>
</aside>
</section>
<section data-background-image="assets/applicationHealthcare.jpg"
data-background-size="contain">
<h2 class="black">Gesundheitswesen</h2>
<aside class="notes">
- AI zur Diagnose und Auswertung von Befundsbildern <br>
</aside>
</section>
<section data-background-image="assets/applicationCommunication.png"
data-background-size="contain">
<h2 class="black">Kommunikation</h2>
<aside class="notes">
- Smart Home / IoT <br>
- AI Sicherheit tools zur Verifikation und Validierung von weltweiter Kummunikation
(auch Spionage / NSA)<br>
</aside>
</section>
<section data-background-image="assets/applicationLaw.jpg"
data-background-size="contain">
<h2 class="black">Justiz</h2>
<aside class="notes">
- höhere Effizienz und Gerechtigkeit durch robo judges? -> moralische Bedenken <br>
</aside>
</section>
<section data-background-image="assets/applicationWeapon.png"
data-background-size="contain">
<h2 class="black">Militär</h2>
<aside class="notes">
- USA setzt AI gesteuerte Dronen ein <br>
- viele unterschiedliche Autonome Waffen Systeme (AWS) -> sehr kritisch <br>
- einsatz von AI Systemen in cyberwar (Stuxnet infizierte und zerstörte
Urananreicherungsanlagen im Iran) <br>
</aside>
</section>
<!--
Life 3.0 ab Position 1602 / Bugs vs. Robust AI
-->
</section>
<section>
<section>
<h2>Zukunft</h2>
<p class="fragment fade-up">Automatisierung und AI Systeme werden immer mehr zunehmen</p>
<aside class="notes">
- dadurch entstehen diverse Probleme <br>
</aside>
</section>
<section>
<!--
Life 3.0 ab Position 2024 / Jobs and Wages
-->
<h2>Arbeit und Gehalt</h2>
<p class="fragment fade-up">"mehr Wohlstand durch Automatisierung, ohne Gehalt oder Sinn zu
verlieren"</p>
<aside class="notes">
- die meisten Menschen werden die fortschreitende Automatisierung im Bereich Arbeit und
Gehalt merken <br>
- das Ziel ist mehr Wohlstand durch Automatisierung, ohne Gehalt oder Sinn zu verlieren
</aside>
</section>
<section>
<h2>Schere zwischen arm und reich</h2>
<ul>
<li class="fragment">"alte" Berufe werden automatisiert</li>
<li class="fragment">in digitalen Unternehmen werden kaum noch Arbeiter benötigt</li>
<li class="fragment">wenige sehr erfolgreiche Personen</li>
</ul>
<aside class="notes">
- schon heute ist der Unterschied zwischen arm und reich ein großes Problem <br>
- oft durch Technologischen Fortschritt verursacht
</aside>
</section>
<section>
<h2>Berufswahl in der Zukunft</h2>
<ul>
<li class="fragment">Interaktion mit Menschen / Soziale Kompetenz</li>
<li class="fragment">Kreativität / schlaue Lösungen</li>
<li class="fragment">unvorhersagbare Umgebung</li>
</ul>
<img class="fragment" src="assets/futureJobs.png" alt="No image found">
<aside class="notes">
- Jobs sollten in den folgenden Bereichen aktiv sein, um nicht automatisiert zu werden <br>
- Beispiele sind Lehrer, Arzt, Ingenieur, Programmierer, Anwalt, Sozialarbeiter oder
Künstler <br>
- jobs entwickeln sich von physischer Arbeit zu Kopf Arbeit und in der Zukunft immer mehr
zu Kreativer Arbeit
</aside>
</section>
<section>
<h2>Einkommen und Sinn auch ohne Arbeit?</h2>
<p class="fragment">"Je weiter AI voranschreitet, desto mehr Menschen werden keine Arbeit
haben"</p>
<p class="fragment green">Grundeinkommen durch den Gewinn der Maschinen</p>
<aside class="notes">
- Erik Brynjolfsson vergleicht die Zukunft mit dem antiken Athen. Damals haben Sklaven
viel Arbeit abgenommen, in der Zukunft könnte AI viel Arbeit abnehmen und so ein
glückliches Leben ermöglichen <br>
- eine mögliche Lösung für das Einkommen wäre ein Grundeinkommen durch den Gewinn der
Maschinen <br>
- das Problem ist Arbeit gibt den Menschen auch einen Sinn <br>
</aside>
</section>
<section>
<table>
<tr>
<th>Jobs</th>
<th>Alternativen</th>
</tr>
<tr>
<td>Soziales Netzwerk</td>
<td>Sport, Hobbies, Freunde Gruppen</td>
</tr>
<tr>
<td>Respekt, Selbstwertgefühl</td>
<td>Lernen, Familie</td>
</tr>
<tr>
<td>man macht einen Unterschied</td>
<td>Soziale Organisationen</td>
</tr>
</table>
<aside class="notes">
- neben Gehalt, geben viele Berufe noch mehr Vorteile <br>
- die Alternativen müssen in der Zukunft mehr gefördert werden, so dass es auch ohne
Arbeit möglich ist mit einem Grundeinkommen glücklich zu leben <br>
</aside>
</section>
<section data-background-image="assets/futureLandscape_new.png"
data-background-size="contain">
<aside class="notes">
"We feel safe on our peaks, but, at the present rate those too will be submerged within
another half
century. I propose that we build Arks as that day nears, and adopt a seafaring life!" - Hans
Moravec
</aside>
</section>
<section data-background-color="#FF3660">
<h2>Gefahr durch eine AGI?</h2>
<table class="fragment">
<tr>
<th>Szenarien</th>
<th>Probleme</th>
</tr>
<tr>
<td>Von Menschen kontrollierte AGI</td>
<td>mächtigste Entität weltweit</td>
</tr>
<tr>
<td>nicht kontrollierbare AGI</td>
<td>Menschheit ist abhängig</td>
</tr>
<tr>
<td>viele unabhängige AGI Systeme</td>
<td>Machtausgleich</td>
</tr>
</table>
<p class="fragment black">AI Systeme müssen durch Menschen kontrollierbar bleiben!</p>
<aside class="notes">
- Elon Musk ist einer der Hauptvertreter, von Wissenschaftlern die Bedenken haben, ob eine
AGI gut ist für die Zukunft der Menschheit <br>
- er glaubt wir müssen sehr vorsichtig sein bei der Entwicklung von AI Systemen und
darauf achten, das AI Systeme moralische und ethische Bedenken haben<br>
- ab wenn ein AI System die Fähigkeit hat sich selbst zu verbessern, kann in sehr kurzer
Zeit die menschliche Intelligenz um ein vielfaches übertroffen werden
</aside>
</section>
</section>
<section data-background-color="#8BFF78">
<h2>Fazit</h2>
<ul>
<li class="fragment">Unterscheidung zwischen Narrow AI und AGI</li>
<li class="fragment">Thema AI gibt es schon seit 1950ern</li>
<li class="fragment">Machine Learning gibt je nach Input durch trainierte Netzwerke einen Output
zurück
</li>
<li class="fragment">AI hat sehr viele Anwendungsgebiete</li>
<li class="fragment">In der Zukunft wird Arbeit und Gehalt das Hauptproblem sein</li>
</ul>
</section>
<section>
<h2>Quellen</h2>
<ul class="small">
<li>
<p>Julian Moeser,
https://jaai.de/starke-ki-schwache-ki-was-kann-kuenstliche-intelligenz-261/,
27.08.2017</p>
</li>
<li>
<p>Gowthamy Vaseekaran,
https://medium.com/@gowthamy/machine-learning-supervised-learning-vs-unsupervised-learning-f1658e12a780,
28.09.2018</p>
</li>
<li>
<p>Michael A. Nielsen, "Neural Networks and Deep Learning", Determination Press, 2015</p>
</li>
<li>
<p>Stuart Russell, "Artificial Intelligence - A modern Approach", Addison Wesley, 2016</p>
</li>
<li>
<p>Max Tegmark, "Life 3.0: Being Human in the Age of Artificial Intelligence", Penguin,
2018</p>
</li>
<li>
<p>Steven Finlay, "Artificial Intelligence and Machine Learning for Business: A No-Nonsense
Guide to Data Driven Technologies", Relativistic 2017</p>
</li>
</ul>
<p class="small">Alle verwendeten Grafiken sind, falls nicht anders gekennzeichnet, unter der
Pixabay Lizenz
zur freien Benutzung, oder von mir selbst erstellt worden.</p>
</section>
</div>
</div>
<script src="js/reveal.js"></script>
<script>
Reveal.initialize({
controls: false,
slideNumber: true,
dependencies: [
{src: 'plugin/markdown/marked.js'},
{src: 'plugin/markdown/markdown.js'},
{src: 'plugin/notes/notes.js', async: true},
{src: 'plugin/highlight/highlight.js', async: true}
]
});
</script>
</body>
</html>