Künstliche Intelligenz I

01.02.2018, MAINS Heidelberg

Thema

Google hat sie bereits und bald auch Dein Staubsauger. Künstliche Intelligenz hat heute schon unser Leben verändert. Doch das war erst der Anfang! Aber was wird die Zukunft bringen? Wo liegen Chancen, Grenzen und Gefahren dieser Technologie? Forscher arbeiten heute an dieser Zukunft. Zeit ihnen zuzuhören! An einem Abend und in 5×15 Minuten: verständlich und anschaulich!

Vorträge

Künstliche Intelligenz: Schlüsseltechnologie des 21. Jahrhunderts

Prof. Dr. Christian Bauckhage, Fraunhofer IAIS

In den letzten Jahren hat es dramatische Fortschritte im Bereich der künstlichen Intelligenz gegeben. In diesem Vortrag beleuchten wir, was KI Systeme heutzutage schon leisten können, was sie bald leisten können werden und welche gesellschaftlichen Herausforderungen sich dadurch ergeben.

 

 

 

 

Die digitale Revolution: Ein neues Kapitel in der Menschheitsgeschichte

Prof. Dr. Dirk Helbing, ETH Zürich

Wir stecken mitten in der digitalen Revolution. Plötzlich gibt es Cloud Computing, Big Data, Künstliche Intelligenz, Cognitive Computing, Robotik, 3D Druck, Internet der Dinge, Blockchain Technology, Virtual Reality und noch viel mehr. Jede dieser Technologien hat das Potenzial, Produkte und Services, Businessmodelle und ganze Branchen umzuwälzen. Gemeinsam verursachen sie den perfekten Sturm. Auch das Finanzsystem, die
Wirtschaft, politische Institutionen und die Gesellschaft werden durcheinander gewirbelt werden.

Die Welt ist inzwischen so vernetzt, dass manche die Menschheit schon für einen multizellulären Organismus halten. Aber braucht dieser Organismus ein zentrales Nervensystem, ein globales Gehirn, das die Geschicke der Menschheit mittels Verhaltens- und Gesellschaftssteuerung lenkt? Sollte ein AI Gott also unser Schicksal steuern? Oder ist ein dezentrales Koordinationssystem, das kollektive Intelligenz erzeugt, sogar besser als Superintelligenz? Das sind einige der Fragen, die in diesem Vortrag angesprochen werden.

 

Große Daten – kleine Geräte

Prof. Dr. Katharina Morik, TU Dortmund

Es gibt kaum noch ein Gerät, das keine Daten sammelt: von intelligenter Kleidung, Fitness-Armbändern, Smartphones, Autos bis hin zu Fabriken oder großen wissenschaftlichen Experimenten z.B. in der Astroteilchenphysik werden gigantische Datenströme aufgenommen. Das Speichern und die Kommunikation der Datenmassen verbraucht sehr viel Energie. Hier kommt das maschinelle Lernen ins Spiel, das die Daten so aufbereitet, dass sie nutzbar werden. Wenn die Daten bereits da, wo sie anfallen, teilweise analysiert und komprimiert werden, können Ressourcen gespart werden. Das Gerät sendet weniger, aber aussagekräftigere Daten an einen zentralen Rechner, wo sie weiter analysiert werden. Allerdings benötigt das maschinelle Lernen selbst Speicher, Energie und Rechenkapazität. Wie kann man auch komplexe Lernverfahren auf kleinen Geräten anwenden?

 

Wie KI Astronomen bei der Arbeit hilft

Dr. Kai Polsterer, Heidelberg Institut für Theoretische Studien

Vorangetrieben durch die Digitalisierung, ist in den letzten Jahren eine wahre Flut an Daten in fast allen Wissenschaften zu beobachten. Neben empirischen und theoretischen Studien sowie Simulationen, etabliert sich die datengetriebene Wissenschaft als ein fundamentaler Bestandteil der Forschung. Die Astronomie ist seit jeher ein sehr datenintensiver Forschungsbereich, der insbesondere durch die steigende Anzahl an vollautomatischen Himmelsdurchmusterungen ständig an Datenumfang und Datenkomplexität gewinnt. Daher ist bereits heute, eine manuelle Sichtung und Analyse sämtlicher Daten durch Wissenschaftler unmöglich.

Durch den Einsatz von Methoden des maschinellen Lernens entstehen Assistenzsysteme, die die Wissenschaftler bei Ihrer Arbeit unterstützen. Der Vortrag vermittelt einen grundlegenden Überblick, wie Algorithmen dies ermöglichen.

Man sieht nur, was man weiß

Prof. Dr. Volker Tresp, LMU München

Max Plank Institut Portraitaufnahmen

Der gegenwärtige Erfolg der KI beruht auf Deep Learning. Deep Learning ist allgegenwärtig und ist die Grundlage von Google Neural Machine Translation, Facebooks DeepFace, und DeepMinds AlphaZero. In meinem Vortrag argumentiere ich, dass eine nächste Herausforderung die Verbindung von Deep Learning mit Deep Knowledge darstellt. Ein Beispiel von Deep Knowledge ist der Google Knowledge Graph. Ich stelle erste Ideen vor und spekuliere über Bezüge zur Perzeption und den Gedächtnisleistungen des Menschen.