AI Canvas & Anwendungen der künstlichen Intelligenz
April 14, 2020
Aus dem Unterricht des CAS AI Management mit Steffen Konrath berichten Christian Jung und Inan Dogan
Dank dem Coronavirus (COVID-19) wird dieser Unterrichtstag ein besonderer. Im Rahmen einer virtuellen Klasse mit über 20 Teilnehmenden erwarten uns spannende Artificial Intelligence (AI) Anwendungsbeispiele, die von unserem Dozenten Steffen Konrath vorgestellt werden. Wir sind alle gespannt wie sich Homeschooling an der HWZ anfühlt.
Steffen war und ist bei vielen Startups mit dabei und als Gründer der grössten AI Community «AI Suisse», weiss er definitiv wovon er redet. Sein Ziel für den heutigen Morgen ist, dass wir in Gruppen die verschiedenen AI Anwendungsfälle erarbeiten und diskutieren. Für die nötige Struktur sorgt dabei das AI Canvas von Prolego, welches wir zu jedem Anwendungsbeispiel in den Breakout-Sessions ausfüllen und besprechen.
AI Canvas von Prolego
AI Canvas including dimensions
Das AI-Canvas dient als Grundlage für die initiale Dokumentation von potentiellen AI Anwendungsbeispielen und umfasst die folgenden Aspekte:
- Opportunity: Beschreiben der AI Anwendung und des entsprechenden Nutzens wie bspw. Umsatzwachstum, Kostensenkung, Erhöhung der Durchlaufgeschwindigkeit
- Consumer: Identifizieren der Verbraucher wie bspw. Personen und Organisationen, welche die Modellergebnisse verwenden werden
- Strategy: Datenbeständen und Modellen für die Differenzierung gegenüber Wettbewerbern definieren
- Policies & process: Identifizieren von rechtlichen und/oder ethische Anforderungen
- Solution: Beschreiben der Systemarchitektur, Modelle und Workflows
- Data: Identifizieren von relevanten internen- und externen Datenquellen für die Modelle
- Transfer Learning: Identifizieren von bereits vorhanden Modellen, Datensätzen oder Forschungsarbeiten, die das Entwicklungsteam bei der Bereitstellung der AI verwenden kann
- Success Criteria: Definieren von klaren Messgrössen für die Evaluierung des Nutzen durch die AI Anwendung
Da der Begriff “Artificial Intelligence” ein sehr grosses Themengebiet umfasst, werden die folgenden vier Anwendungskategorien für die Fallbeispiele verwendet:
1 ) AI UND TEXT
Textanalysen sind spannende Anwendung weil sie kleinste Informationseinheiten, sogenannte “Entities” enthalten. Beispiele dafür sind «Schweizer» für eine geografische Zuteilung oder «2. Dezember» das Auskunft über ein Datum gibt. Diese lassen sich dann thematisch zuordnen. Dabei wird die Technik NLP (Natural Language Processing) eingesetzt. Der Text kann mit der Zuordnung dieser Hinweise (Entities) als ganzes eingeordnet und weiterverarbeitet werden.
- Ein einfaches Beispiel dafür ist die automatisierte Auswertung von Zwischenzeugnissen oder Bewerbungsunterlagen im Bereich Human Resources.
NLU (Natural Language Understanding) erkennt im Gegensatz zu NLP den textlichen Inhalt und somit den Sinn bzw. den Text im Kontext. Für NLU verwendet unter anderem ein umfangreiches Wörterbuch mit allen Wortbedeutungen. Ausserdem werden die Sätze in ihre Bestandteile zerlegt und die entsprechenden Kontexte modelliert.
- Ein typischer Fall für NLU ist ein nicht regelbasierter Chatbot wie bspw. Kuki.
NLG (Natural Language Generator) steht für die automatisierte Erstellung von Textinhalten. Das Generieren von Inhalten ist in unterschiedlichen Branchen interessant. So werden bspw. basierend auf unterschiedlicher Quellen und Informationen Newstexte in kürzester Zeit verfasst.
- Ein Beispiel dafür ist diese Anwendung aus Japan: “A newspaper assembled by robots in Tokyo”
2) AI UND AUDIO
Ebenfalls ein interessanter Anwendungsbereich ist die Fähigkeit der AI aufgrund von Geräuschen bzw. Frequenzen herauszufinden, um welche Szenen, Objekte und Inhalte es sich in den jeweiligen Situationen handelt. Es gibt sogar Applikationen, die aus Stimmanalysen Gesichter rekonstruieren.
- Eine möglicher Verwendungszweck ist z.B. in der autonomen Fortbewegung. Folgender Link demonstriert u.a. die Erkennung von Szenen und Objekten durch Geräusche.
- Eine weitere Anwendung ist “Alexa” von Amazon im Büro für die automatisierte Aufzeichnung von Entscheiden, Tasks etc. während Meetings.
3) AI UND BILDER
Auch in diesem Bereich liegt der grösste Verwendungszweck in der Inhaltserkennung wie bspw. mit Recaptcha, das auf klassischem “Data Labelling” basiert. Weitere Anwendungsgebiete:
- Qualitätsverbesserung: Rausch- und Verzerrungsreduktion, Schärfung
- Bildretuschierung: Automatisches Löschen von Hintergründen, automatisches Erkennen und Löschen von Elementen auf komplexen Hintergründen, einfärben von schwarz-weiss Bildern
- Bildgenerierung: AI kann aber auch Bilder generieren. Im folgenden Beispiel wurde ein Vogel aufgrund Stichwörtern erstellt (text to image).
4) AI UND VIDEO
Inhaltserkennung findet bei Videos verschiedene Einsatzmöglichkeiten. Sei es bspw. beim “seamless shopping” bei dem die Produkte automatisch erkannt werden sobald sie in den Warenkorb gelegt werden oder bei der autonomen Fortbewegung durch die Erkennung von Objekten und möglichen Gefahrensituationen im Strassenverkehr. Aber auch im Bereich Video kann AI realistische Inhalte generieren. Die sogenannten “digitalen Doppelgänger” werden aus diversen Bildern und Audiodateien einer Person erstellt werden.
Weitere Anwendungsbeispiele, welche die Grenzen und Chancen durch die Anwendung von AI aufzeigen:
Die Machine Learning Ergebnisse sind nur so gut, wie sie trainiert werden. Allfällige Voreingenommenheiten (Bias) hinsichtlich Stereotypen, welche sich in den Daten widerspiegeln beeinflussen die Resultate der AI. Beispielsweise zeigt Google das an, was die meisten Personen suchen bzw. im Kontext als Suchergebnis erwarten.
Ein einfaches Beispiel dafür ist die Suche nach “Bank in Zürich”. In diesem Fall werden keine Sitzbänke in Zürich aufgezeigt sondern die Zürcher Kantonalbank. Dieses Verfahren führt dazu, dass gewisse Themen ausgeschlossen bzw. nicht angezeigt.
Ein weiteres Beispiel für Grenzen bzw. Risiken durch die Anwendung von AI ist in folgendem Artikel beschrieben: “how machines learn to be racist”.
Auf der anderen Seite eröffnen sich neue Horizonte durch die Annäherung der AI an menschliche Eigenschaften. Ein Beispiel hierfür ist die Lernfähigkeit des Menschen. Die AI-Spezialisten versuchen diese Eigenschaft mit “Intelligent Trial & Error” Algorithmen nachzubilden.
Im diesem Beispiel lernt ein Roboter selbstständig wie es trotz defektem Bein sein Ziel erreichen kann.
Ebenfalls eindrücklich ist die Anwendung “Seeing AI” von Microsoft, welche Menschen mit Sehbehinderungen mit Hilfe von Image/Video/Face recognition sowie NLP und text-to-audio Funktionen das Leben erleichtern.
Spannend sind auch die Entwicklungen in den Bereichen mixed reality (MR) und augmented reality (AR) bei denen Personen mit virtuellen Objekten interagieren können. In der Industrie eröffnen sich neue Möglichkeiten im Bereich der Teilekonstruktionen mit Hilfe von Generative Design, welche bspw. die Entwicklung komplexen Flugzeugteilen ermöglichen bzw. optimieren.