Deep Learning
Möglichkeiten & Grenzen
Deep Learning
Möglichkeiten
Deep Learning
Möglichkeiten
- Automatisierung: Selbstfahrende Autos, Produktionsroboter, ...
Deep Learning
Möglichkeiten
- Automatisierung: Selbstfahrende Autos, Produktionsroboter, ...
- Datenanalyse: Vorhersage von Kundenverhalten, Betrugserkennung, ...
Deep Learning
Möglichkeiten
- Automatisierung: Selbstfahrende Autos, Produktionsroboter, ...
- Datenanalyse: Vorhersage von Kundenverhalten, Betrugserkennung, ...
- Entscheidungssysteme: Kreditvergabe, Diagnosesysteme, ...
Deep Learning
Möglichkeiten
- Automatisierung: Selbstfahrende Autos, Produktionsroboter, ...
- Datenanalyse: Vorhersage von Kundenverhalten, Betrugserkennung, ...
- Entscheidungssysteme: Kreditvergabe, Diagnosesysteme, ...
- Individualisierung: Personalisierte Werbung, individueller Support, ...
Deep Learning
Möglichkeiten
- Automatisierung: Selbstfahrende Autos, Produktionsroboter, ...
- Datenanalyse: Vorhersage von Kundenverhalten, Betrugserkennung, ...
- Entscheidungssysteme: Kreditvergabe, Diagnosesysteme, ...
- Individualisierung: Personalisierte Werbung, individueller Support, ...
- Optimierung: Logistik und Lieferkettenmanagement, Energieverbrauchsreduktion, ...
Deep Learning
Möglichkeiten
- Automatisierung: Selbstfahrende Autos, Produktionsroboter, ...
- Datenanalyse: Vorhersage von Kundenverhalten, Betrugserkennung, ...
- Entscheidungssysteme: Kreditvergabe, Diagnosesysteme, ...
- Individualisierung: Personalisierte Werbung, individueller Support, ...
- Optimierung: Logistik und Lieferkettenmanagement, Energieverbrauchsreduktion, ...
- Beschleunigung: Automatisierte Dokumentenprüfung, Datenverarbeitung, ...
Deep Learning
Gefahren
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
- Arbeitsmarktveränderungen: Risiken für Berufe, Neueinsteiger und Branchen.
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
- Arbeitsmarktveränderungen: Risiken für Berufe, Neueinsteiger und Branchen.
- Transparenz: Entscheidungsprozessen schwer nachvollziehbar.
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
- Arbeitsmarktveränderungen: Risiken für Berufe, Neueinsteiger und Branchen.
- Transparenz: Entscheidungsprozessen schwer nachvollziehbar.
- Desinformation, Manipulation: Missbrauch, Deepfakes, ...
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
- Arbeitsmarktveränderungen: Risiken für Berufe, Neueinsteiger und Branchen.
- Transparenz: Entscheidungsprozessen schwer nachvollziehbar.
- Desinformation, Manipulation: Missbrauch, Deepfakes, ...
- Verstärkung von Ungleichheiten: Bias in Daten, Zugriff auf Computing Power
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
- Arbeitsmarktveränderungen: Risiken für Berufe, Neueinsteiger und Branchen.
- Transparenz: Entscheidungsprozessen schwer nachvollziehbar.
- Desinformation, Manipulation: Missbrauch, Deepfakes, ...
- Verstärkung von Ungleichheiten: Bias in Daten, Zugriff auf Computing Power
- Kognitive Kosten: geringere Kenntnis eigener Arbeit durch weniger Hirnaktivität
Deep Learning
Gefahren
- Datenschutz: Risiken bei Sammlung und Verwendung von Daten.
- Fehleranfälligkeit: Ungenauigkeiten oder Fehler in Vorhersagen, Halluzination, ...
- Arbeitsmarktveränderungen: Risiken für Berufe, Neueinsteiger und Branchen.
- Transparenz: Entscheidungsprozessen schwer nachvollziehbar.
- Desinformation, Manipulation: Missbrauch, Deepfakes, ...
- Verstärkung von Ungleichheiten: Bias in Daten, Zugriff auf Computing Power
- Kognitive Kosten: geringere Kenntnis eigener Arbeit durch weniger Hirnaktivität
KI richtig nutzen:
Workshop: KI in der Praxis & CAS: Software Development mit KI
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
Curse of Dimensionality
Abstände zwischen den Datenpunkten steigen exponentiell mit Dimension
Benötigte Anzahl Daten steigt Exponentiell mit Anzahl extrahierter Informationen
|D|_{min} \sim 2^f
mindeste Datenmenge für f binäre Features
i. e. jede Kombination einmal
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
- Rechenintensität: Erfordert erhebliche Rechenleistung und Ressourcen.
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
- Rechenintensität: Erfordert erhebliche Rechenleistung und Ressourcen.
- Überanpassung: Risiko der zu spezifischen Anpassung an Trainingsdaten.
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
- Rechenintensität: Erfordert erhebliche Rechenleistung und Ressourcen.
- Überanpassung: Risiko der zu spezifischen Anpassung an Trainingsdaten.
- Mangelnde Erklärbarkeit: Entscheidungsprozesse sind oft nicht nachvollziehbar.
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
- Rechenintensität: Erfordert erhebliche Rechenleistung und Ressourcen.
- Überanpassung: Risiko der zu spezifischen Anpassung an Trainingsdaten.
- Mangelnde Erklärbarkeit: Entscheidungsprozesse sind oft nicht nachvollziehbar.
- Bias-Verstärkung: Potenzielle Verstärkung von in Daten vorhandenen Vorurteilen.
Deep Learning
Grenzen
- Datenabhängigkeit: Benötigt große Datenmengen.
- Rechenintensität: Erfordert erhebliche Rechenleistung und Ressourcen.
- Überanpassung: Risiko der zu spezifischen Anpassung an Trainingsdaten.
- Mangelnde Erklärbarkeit: Entscheidungsprozesse sind oft nicht nachvollziehbar.
- Bias-Verstärkung: Potenzielle Verstärkung von in Daten vorhandenen Vorurteilen.
- Generalisierungsproblem: Schwierigkeiten bei neuartigen Daten.