Blog - Jürgen Kanz

Logo Jürgen Kanz
Direkt zum Seiteninhalt

Können wir der Künstlichen Intelligenz vertrauen, ohne eine kritische Bewertung?

Jürgen Kanz
Herausgegeben von in Denkimpulse ·
Tags: KünstlicheIntelligenzKIKritischesDenkenDeepLearningNeuronaleNetzwerke
Künstliche Intelligenz (artificial intelligence), Maschinenlernen (machine learning) und tiefgehendes Lernen (deep learning) sind Schlagworte, mit denen wir mittlerweile täglich konfrontiert werden. Sie spiegeln Technologien wider, die unsere Welt in vielfacher Art und Weise verändern.

Terminologie der neuen Technologien

Diese Technologien werden heute bereits beim autonomen Fahren (selbstfahrende Autos), Robotern usw. eingesetzt. Der Trend geht immer schneller vor sich.

Die Frage dahinter lautet also: Können wir den Ergebnissen künstlicher Intelligenz ohne eine kritische Sichtweise vertrauen?
Inspiriert von einem Artikel von Melanie Mitchell in "The New York Times ™" [1], dachte ich mir, es sei an der Zeit zu analysieren, wo wir heute stehen. Wie ausgereift ist die Technologie?

Seit einigen Monaten arbeite ich mit Wolfram Mathematica® 11.3.0. Wolfram-Software ist extrem leistungsfähig und ich kann meine gesamte mathematische Arbeit damit verwirklichen. Dies gilt auch für Deep Learning mit neuronalen Netzwerken. Also entschloss ich mich, ein Mathematica-Notebook zu entwickeln, um die Anwendung verschiedener neuronaler Netzwerke auf Daten aus der realen Welt zu zeigen. Das hört sich sehr ehrgeizig an, ist es aber nicht. Die realen Daten sind hier ein Bild von mir und meinem Hund "Kira".


Input: ein Bild von mir und meinem Hund "Kira"

Darüber hinaus bietet Wolfram eine Sammlung von vorab trainierten neuronalen Netzwerken, das "Wolfram Neural Net Repository" (http://resources.wolframcloud.com/NeuralNetRepository/). Ich habe einige dieser Netzwerke verwendet, um die Analyse durchzuführen.

1. Objekterkennung
Die erste Aufgabe bestand darin, alle Objekte im Bild zu erkennen.


Gut, der Algorithmus hat zwei Objekte - Person und Hund - im Bild erkannt.


2. Identifiziere das Hauptobjekt im Bild
Die Aufgabe des Algorithmus besteht darin, das Hauptobjekt im Bild zu identifizieren. Kein Wunder, dass es sich dabei um meinen Hund handelt. Die Rasse wird als "Alaskan Malamute" klassifiziert. Nun, das stimmt nicht. "Kira" ist ein Mischling. Ihr Vater ist ein deutscher Schäferhund und ihre Mutter ein Collie.


Alaskanischer Malamute

Allerdings muss ich zugeben, dass Kira einem alaskischen Malamute sehr ähnlicht, wie auf dem Bild oben erkennbar ist.

3. Simultanerfassung mehrer Objekte gleichzeitig
Die Aufgabe besteht darin, die Anzahl der auffälligen Elemente im Bild zu zählen. Das Ergebnis ist eins (1). Das ist interessant, da der Prozess nur einen prominenten Gegenstand zählt und nicht klar ist, ob der Hund oder die Person gemeint ist.
Hier muss ich tiefer gehen, was bedeutet, dass ich das Netzwerk analysieren muss. Was sind prominente Objekte gemäß dem trainierten Netzwerk?


4. Szenenerkennung
Das neuronale Netzwerk soll den Hintergrund / die Umgebung identifizieren. Als Ergebnis kommt eine Feldstraße heraus. In Wirklichkeit handelt es sich eher um einen Waldweg oder eine Waldstraße. Aber ehrlich gesagt kenne ich den Unterschied zwischen Waldweg und Waldstraße nicht genau, zumindest bezogen auf das Netzwerk.
Das Berechnungsergebnis ist also nicht wie erwartet, aber akzeptabel. Vielleicht können zusätzliche Trainingsbilder das Netzwerk und damit das Ergebnis verbessern.


5. Geographischer Standort
Die Aufgabe besteht darin, die geografische Position zu bestimmen, an der das Foto aufgenommen wurde. Der Algorithmus weist einen Standort mit einem Breitengrad von 54,3442 ° und einem Längengrad von -2,9168 ° aus.


Der Algorithmus geht davon aus, dass das Foto in der Nähe von Windermere (einem See und einer Stadt in England) aufgenommen wurde.

Ich denke, dass es sich hierbei um eine großartige Funktion handelt. Doch leider funktioniert sie in meinem Fall nicht.

Das Bild wurde hier aufgenommen:
Breitengrad = 52,263417 ° und Längengrad = 9,452044 °. Dies ist in der Nähe des Dorfes "Nienstedt", mehr oder weniger auf der Spitze des "Deister", Niedersachsen, Deutschland.


Deister Region

6. Gesichtsanalyse
Die nächste Aufgabe bestand darin, die Gesichter aus dem Bild zu nehmen.

Das hat perfekt funktioniert.

7. Altersbestimmung
Der Algorithmus schätzt mein Alter auf 60 Jahre. Nun, ich war 53 Jahre alt, als das Bild aufgenommen wurde. Ich gehe davon aus, dass weitere Trainingsbeispiele die Netzwerkergebnisse verbessern können. Oder sehe ich wirklich so alt aus?


8. Geschlechtsbestimmung
Dieses Mal sagte der Algorithmus "männlich" voraus. Ja, ich bin ein Mann.


9. Gesichtsmerkmale
Der Algorithmus soll Merkmale des Gesichts (Augen, Nase, Mund) markieren:



Funktioniert hervorragend.

10. 3D Gesichtsmodell


Mathematica® ist in diesem Bereich extrem leistungsfähig.

Cool, der nächste Schritt wird ein 3D-Druck meines Gesichts sein. Dann klone ich mich selbst.


11. Namhafte Persönlichkeit
Bin ich eine namhafte Persönlichkeit? Definitiv nicht, dann machen wir aber dennoch einen Test:


Es ist interessant zu wissen, dass dieses Netzwerk glaubt, dass ich "Winston Churchill" bin. Das ist natürlich falsch, aber offensichtlich hat Winston eine gewisse Ähnlichkeit mit mir oder umgekehrt.

12. Zusammenfassung
Ich bin überrascht über die gute Genauigkeit, die uns Mathematica® und zugehörige neuronale Netze bereits heute bereits bieten. Natürlich sind die Ergebnisse nicht perfekt. Daher ist ein kritisches Nachdenken über die Ergebnisse der künstlichen Intelligenzen immer noch erforderlich. Das Bild als Input gehört zu meiner Domain; ich habe Wissen über das Bild. Eine andere Person, die sich die Ergebnisse ansieht, hat nicht mein Wissen und Fehlinterpretationen oder einfach falsche Entscheidungen können nicht vermieden werden, wenn Personen oder andere Algorithmen mit den Ergebnissen weiterarbeiten sollen. Dies kann in anderen Anwendungsbereichen eine Gefahr darstellen.

Vertrauen Sie also den Ergebnissen künstlicher Intelligenz (noch) nicht, ohne einen kritischen Blick!

Dennoch hat Wolfram großartige Arbeit geleistet, um die Netzwerke zu entwickeln, zusammen zu stellen und für Mathematica®-Benutzer verfügbar zu machen. Vielen Dank, Stephen Wolfram.

Teile des Programmcodes stammen aus dem Notebook "Wolfram Neural Net Repository" von Meghan Rieu-Werden und Matteo Salvarezza, Wolfram Research, Inc.

Mein Mathematica Notebook steht zum Download zur Verfügung: A notebook about the results of Deep Learning with real world data.nb
Leser die keinen Zugriff auf Mathematica haben, können hier eine PDF-Datei downloaden:  A notebook about the results of Deep Learning with real world data.pdf

Haben Sie Fragen, Anmerkungen oder Kommentare zu diesem Beitrag? Dann senden Sie mir bitte eine Email. Ich freue mich auf Ihre Nachricht.

PS: Verpassen Sie nicht den zweiten Teil dieses Beitrags "Die notwendigen Fähigkeiten für die digitale Zukunft"

Quellen:
[1] "Artificial Intelligence Hits the Barrier of Meaning", Melanie Mitchell, https://www.nytimes.com/2018/11/05/opinion/artificial-intelligence-machine-learning.html, letzter Zugriff 15.01.2019


Zurück zum Seiteninhalt