Was wird ganz allgemein unter dem Begriff “KI” verstanden und was hier “schwache”, was “starke” Intelligenz ?
Als künstliche Intelligenz (KI) bezeichnet man eine Software, mit deren Hilfe ein Computer eine kognitive Tätigkeit ausführt, die normalerweise Menschen erledigen
Schwache KI – kann nur ein spezifisches Problem lösen, z.B. Schach oder Go spielen, oder auf Bildern erkennen, was darauf zu sehen ist oder vorhersagen
Starke KI wäre ein Computersystem, das allgemein ‚intelligent‘ reagiert, auch in Situationen ohne genaue Faktenlage oder mit unklarem Handlungsziel
Was drückt Korrelation in Daten im Gegensatz zur Kausalität aus ?
Korrelation:
Beschreibt eine statistische Beziehung zwischen Variablen, ohne Ursache-Wirkungs-Erklärung.
Kausalität:
Zeigt nachweisbare Ursache-Wirkungs-Beziehung zwischen Variablen.
Beispiel:
Sonnenbrillenverkauf und Eiscreme-Verkauf steigen im Sommer, ohne dass eine Ursache-Wirkungs-Beziehung erklärt wird.
Essen von Eiscreme führt zu einem Anstieg des Sonnenbrillenverkaufs, was auf eine Ursache-Wirkungs-Beziehung hindeutet.
Was wird in diesem Kontext unter “Freature Engineering”, was unter Labeln verstanden ?
Was bedeutet hier “Operationalisieren” ?
Als feature engineering bezeichnet man alle Schritte, bei denen die genaue Zusammensetzung der Eingangsdaten entschieden wird !
Das ‚Labeln‘, Zielwert festlegen, z.B. auf Fotos
Operationalisieren bedeutet in dem Zusammenhang die Methode um die Vorhersagen des Algorithmus zu Bewerten.
Wie lässt sich die Vorhersage eines Algorithmus bewerten ? (Qualitätsmaß)
.... echte Beobachtung, mit der das Ergebnisse des Algorithmus verglichen werden kann, ist die Grundwahrheit (‚ground truth‘)
... operationalisieren, d.h. messbar machen ! der Abweichung jeder einzelnen Vorhersage, das Qualitätsmaß festlegen: Maß der Abweichung von der Grundwahrheit (legtfest, ab wann die Vorhersage ‚gut genug‘ ist..)
Wo kann maschinelles Lernen erfolgreich eingesetzt werden, welche Bedingungen sind eine gute Voraussetzung?
dort, wo folgende Bedingungen erfüllt sind:
Es gibt eine ausreichend große und guteTrainingsdatenmenge (Input !) („Müll ist und bleibt auch aufbereitet Müll“)
Es gibt eine sehr gut messbare(operationalisierbare!) Grundwahrheit, also was vorherzusagen ist (Output)
Es gibt kausale Zusammenhänge zwischen dem Input und dem vorherzusagenden Output.
Bitte erläutern Sie mindestens 2 Anwendungsfälle für den Einsatz maschinellen Lernens uns machen Sie kurz Ihre Einschätzung zur Kritikalität hier deutlich
Betrugsprävention in Finanztransaktionen:
Anwendung: Identifikation von betrügerischen Aktivitäten in Echtzeit.
Einschätzung: Kritikalität hoch. Finanzverluste verhindern.
Gesundheitsdiagnose:
Anwendung: Früherkennung von Krankheiten durch Bildanalyse.
Einschätzung: Kritikalität hoch. Verbesserte Behandlungschancen.
Zuletzt geändertvor einem Jahr