ai-academy

welcome2ki Teil 2 - Anwendungen künstlicher Intelligenz

Wie werden konkreten Anwendungsfälle für künstliche Intelligenz umgesetzt? Was steckt aus technischer Sicht hinter den Erfolgen von KI-Systemen?

Was lerne ich in diesem Kurs?

Der Kurs welcome2ki Teil 2 - Anwendungen künstlicher Intelligenz ist als logische Fortsetzung des ersten Teils der Reihe gedacht. Wir fokussieren uns nun stärker auf konkrete Anwendungsszenarien. Wie sehen die Geschäftsmodelle hinter dem Einsatz von künstlicher Intelligenz aus? Dieser Kurs gibt einen Ausblick auf die technische Umsetzung künstlicher Intelligenz, die dann im dritten Teil der Reihe intensiviert wird.

Die Themenfelder in diesem Kurs sind:

  • Umgang mit Daten hinsichtlich Machine / Deep Learning
  • Datenvorverarbeitung für Deep Learning Projekte
  • Wie “lernt” eine künstliche Intelligenz?
  • Wie “sieht” eine künstliche Intelligenz Bilder?
  • Wie plane ich KI-Projekte?
  • Wie kann ich Machine Learning Modelle evaluieren und deren Ergebnisse vergleichen?
  • Warum erlebte “Deep Learning” so großen Zuspruch?
  • Was sind neuronale Netze und wie hängen diese mit dem Thema künstliche Intelligenz zusammen?
  • Wo “versteckt” sich das Wissen eines neuronalen Netzes?
  • Wie kann ich riesige neuronale Netze mittels “Transferlearning” sehr rasch trainieren?
  • Was sind Convolutional Neural Networks und wie funktionieren sie?
  • Wofür verwende ich LSTMs (Long Short Term Memory) in neuronalen Netzen?

Für wen ist dieser Kurs interessant?

Dieser Kurs setzt etwas weiter in der Tiefe der künstlichen Intelligenz an. Jeder, der über die wesentlichen Begriffe aus den Themengebieten “künstliche Intelligenz”, “Machine Learning”, “Deep Learning” und “Data Science” Bescheid weiß, kann diesen Kurs ohne weitere Vorkenntnisse absolvieren.

Wir legen in diesem Kurs den Grundstein für eine spätere Implementierung von KI-Anwendungen. Dennoch erfolgt in diesem Kurs keine Programmierung. Also alle, die vor Quellcode zurückschrecken, können ohne Sorge, diesen Kurs absolvieren. Wer danach auf dem Geschmack gekommen ist und auch selbst künstliche Intelligenz programmieren möchte, kann mit dem dritten Teil fortsetzen.

Welche Vorkenntnisse sollte ich für diesen Kurs mitbringen?

Für diesen Kurs sollte man ein grundsätzliches Verständnis für die wesentlichen Begriffe aus dem Bereich künstlicher Intelligenz bereits mitbringen. Wenn Sie noch ganz am Anfang Ihrer Reise zur künstlichen Intelligenz stehen, dann empfehlen wir, den ersten Kurs: welcome2ki Teil 1 - Einführung in die künstliche Intelligenz zuvor oder parallel zu absolvieren.

Wie kann ich mich für den Kurs einschreiben?

Dieser Kurs ist wie alle anderen Kurse über die Plattform Udemy buchbar: welcome2ki-Teil-2-Anwendungen-kuenstlicher-Intelligenz. Das bedeutet, dass Sie den Komfort der online-Kursplattform auch mit unseren Kursen im vollem Umfang nutzen können.

Wie lange habe ich Zeit, den Kurs zu absolvieren?

Der Kurs “Anwendungen künstlicher Intelligenz” ist für Sie lebenslang zugänglich. Sie können den Kurs in Ihren individuellen Tempo absolvieren und auch nach erfolgreichem Abschluß jederzeit wieder auf die Unterlagen und Videos zugreifen.

Informationen zu dem Inhalten dieses KI online Kurses

Im nachfolgenden Absatz wollen wir einige Informationen zu den Hauptthemen, welche in diesem online Kurs zu künstlicher Intelligenz behandelt werden, abgeben.

Die Relevanz von Daten hinsichtlich Machine Learning / Deep Learning im Umfeld künstlicher Intelligenz

Warum kommt den Daten im Umfeld künstlicher Intelligenz eine so große Rolle zu? Welche Art von Daten braucht ein KI-Algorithmus, um überhaupt etwas lernen zu können? Neben der Relevanz der Daten ist auch die Organisation und Strukturierung der Daten für unsere depp learning bzw. machine learning Modelle relevant.

Sind Daten tatsächlich das neue “Öl”, das die Wirtschaft am Laufen hält oder kommt den Daten inzwischen eine sogar noch weitaus tragendere Rolle hinsichtlich künstlicher Intelligenz zu?

Was verstehen wir eigentlich als Daten und wie müssen diese Rohdaten vorbereitet werden, damit wir unsere machine learning Modelle mit Daten füllen können? Wie können wir unseren “Datenschatz” so aufbereiten, dass wir mihilfe von Machine Learning möglichst viele der versteckten Muster und Zusammenhänge aus den Daten extrahieren können? Wie hängt die Datenaufbereitung mit der Einsatz verschiedener Modell- und Architekturtypen in der künstlichen Intelligenz zusammen? Warum tritt das Preprocessing (also die Vorverarbeitung und Aufbereitung) der Daten durch den Einsatz künstlicher Intelligenz immer weiter in den Hintergrund - während es zur Hochzeit des klassischen Machine Learning die Königsdisziplin der künstlichen Intelligenz war.

Braucht es inzwischen noch die Position des Daten Scientist? Die vor knapp 10 Jahren einstmal von der New York Times als most sexiest job bezeichnete Position in einem Unternehmen? Oder sind deep learning Modelle inzwischen in der Lagen aus jedem beliebigen Datensilo die versteckten Zusammenhänge zu extrahieren?

Wie lernt ein KI-Algorithmus Zusammenhänge und Muster?

Anhand der konkreten Beispiels der Anwendung von künstlicher Intelligenz und deep learning im Bereich Computer Vision betrachten wir, wie KI-Algorithmen eigentlich lernen. Was passiert während des Lernprozesses in einem neuronalen Netz und wie können wir den Fortschritt des Lernprozesses eines neuronalen Netzwerks im deep learning auch visualisieren?

Dazu ist es erforderlich, sich zuerst darüber Gedanken zu machen, wie eine künstliche Intelligenz die Eingangsdaten - in diesem Fall Bilder - überhaupt “sieht”. Der menschliche Anwender betrachtet ein Bild immer als Ganzes. So ist das menschliche Gehirn perfekt dafür entwickelt, die gesamte Szenarie eines Bildes zu erfassen, auszuwerten und zu analysieren.

Ein Computersystem kann das nicht. Da hilft auch künstliche Intelligenz, machine learning und deep learning nichts. Was KI-Algorithmen in diesem Fall jedoch können, ist die Informationen aus einzelnen Pixeln mithilfe von tiefen neuronalen Netzen in einem Zusammenhang zu bringen. Mithilfe nicht-linearer Aktivierungsfunktionen kann dann das neuronale Netz die Bilddaten analysieren und klassifizieren.

Wie plane ich KI-Projekte?

Vor allem dann, wenn Unternehmen noch keine eigenen Projekte im Bereich künstlicher Intelligenz umgesetzt haben und möglicherweise auch noch eine gewisse Skepsis gegenüber den Themen künstliche Intelligenz, Machine Learning oder Deep Learning herrscht, muss das erste intern KI-Projekt genau geplant werden, um es zum Erfolg führen zu können.

Die Angst, von der künstlichen Intelligenz ersetzt zu werden, ist insbesondere dann groß, wenn dies als neues Thema in das Unternehmen eingeführt werden soll. Hier herrscht vielfach Unwissenheit über das Thema und künstliche Intelligenz stößt auf eine grundsätzliche Ablehnung.

Wenn nun das erste KI-Projekt ebenfalls scheitert, dann ist das Thema mit Sicherheit fürs erste vom Tisch. Denn gegen den Widerstand der Belegschaft wird es schwierig werden, entsprechende Projekte umzusetzen und erfolgreich zu etablieren. Es bedarf deshalb einer gut durchdachten Strategie, um den Einsatz künstlicher Intelligenz im Unternehmen zu etablieren und das Unternehmen auf diese Weise in Richtung eines KI-zentrierten Unternehmens zu transformieren.