AI Artifical Intelligence, KI Künstliche Intelligenz - was ist das?

Laut Wikipedia: Künstliche Intelligenz KI

„...auch artifizielle Intelligenz (AI bzw. A. I.), englisch artificial intelligence (AI bzw. A. I.) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen befasst. Der Begriff ist schwer definierbar, da es bereits an einer genauen Definition von „Intelligenz“ mangelt. Dennoch wird er in Forschung und Entwicklung verwendet.

Meist bezeichnet künstliche Intelligenz den Versuch, bestimmte Entscheidungsstrukturen des Menschen nachzubilden, indem z. B. ein Computer so gebaut und programmiert wird, dass er relativ eigenständig Probleme bearbeiten kann. …“

KI ist also ein relativ weicher, umfassender Begriff. Deshalb wird er vielfach nicht korrekt verwendet oder missinterpretiert. KI wird häufig auch überschätzt, nicht für jedes Problem ist KI als Lösungsweg geeignet.

Machine Learning

Was also macht KI so intelligent? Der magische Prozess des Machine Learnings.

Bei normalen Programmen gibt der Benutzer direkt das Muster ein, das das Programm für seine Entscheidungen verwenden soll. Bei der künstlichen Intelligenz ermöglicht der maschinelle Lernprozess dem Programm, das Muster selbst zu erkennen.

Ein Beispiel.

Stellen Sie sich einen Datensatz vor, der die Durchschnittstemperatur an bestimmten Tagen angibt und den Benutzer auffordert, jeden Tag als kalt, warm oder heiß zu klassifizieren. Wenn jemand das Programm selbst programmieren würde, würde er es so programmieren, dass es bei einer Temperatur von 0 °C oder weniger als eiskalt eingestuft wird, und so weiter und so fort.

Würde man das Gleiche mit KI machen, würde der Benutzer einen Datensatz mit den Temperaturen und ihren Klassifizierungen bereitstellen. Mit diesem Datensatz würde die KI trainiert, die Temperaturbereiche in jeder Klasse selbst zu bestimmen. Es gibt also keine fest programmierten Schwellwerte, sondern erlernte Schwellen, die sich aus den Daten ergeben.

Wie genau?

Innerhalb eines numerischen Entscheidungsfeldes mit unterschiedlich vielen Ebenen (Layers) wird die Vorhersagefähigkeit des Systems im Lernprozess verbessert, indem man die Werte verschiedener Konstanten, die als Weights und Biases bekannt sind, kontinuierlich aktualisiert und dann die Vorhersagefähigkeiten mit den aktuellen Konstanten testet.

Dies ist nur eine einfaches Bild, um grundsätzlich die Wirkungsweise von KI zu erläutern. Lernprinzipien und Verfahren gibt es viele. Auch kann das Lernmodell beliebig komplex und vielschichtig sein.

Was macht soventec im Bereich der künstlichen Intelligenz?

soventec befasst sich seit mehreren Jahren intensiv mit dem Thema KI und vertieft fortlaufend das Know How.  Dabei spielt auch der Aufbau der soventec KI Plattform  AIcebird^TM eine große Rolle. Speziell im Bereich der Auswertung von Sensordaten hat soventec einen großen Erfahrungsschatz aufgebaut. Auf den klassischen Verfahren der Signalanalytik und Signalfilterung aufbauend können mit Hilfe der KI wertvolle Informationen aus den Daten gewonnen werden.

Dabei ist die Struktur der  Daten gleichgültig. Alle Daten –sei es multidimensionale Sensordaten oder auch Bilddaten– werden auf eine n-dimensionale Matrix zurückgeführt, auf die der KI Prozess  mit dem Model abzielt. Eine ganz entscheidende Voraussetzung in jedem KI Projekt ist die klare Definition der Frage:

Welche Information will ich genau gewinnen?

Ist dies klar definiert, können die Daten richtig strukturiert, das Model trainiert und damit für den Menschen nicht offensichtliche Informationen aus den Rohdaten gelesen werden. 

KI Ansätze sind immer dann sinnvoll, wenn der Mensch weiß, dass die gesuchte Information in den Daten steckt, diese aber nicht offensichtlich aus den Daten extrahierbar ist.

soventec Beispielprojekt: Auswirkung von Ernährung und Stress auf Hautreaktionen bei Neurodermitis Patienten

Bei Neurodermitis Patienten ist die Reaktion des Körpers auf Ernährung und Stress oder Wohlfühllevel nicht immer vorhersagbar. Die allergische Reaktion ist nicht zuordenbar. Andererseits muss diese Information in Ernährung und Umgebungsindikatoren versteckt liegen. Dies ist eine klassische Aufgabe für ein KI System. Zwei Fragen wurden definiert, die analytisch medizinisch nicht beantwortet werden konnten: 1. Welche Nahrungsmittel zusammen mit einem Wohlfühl– oder Stresslevel haben entscheidenden Einfluss auf die Körperreaktion? 2. Wie stark wird eine Körperreaktion ausfallen, wenn bestimmte Nahrungsmittel—auch in Kombination– konsumiert werden? 

Für die Umsetzung wurde ein klassischer Ansatz über Supervised Learning gewählt. Über einen Zeitraum wurden probandenspezifisch Ernährung und Stressfaktor gegenüber einer bewerteten Körperreaktion aufgezeichnet.  Hieraus ergab sich ein Modell, welches Vorhersagen der Körperreaktion mit einer gewissen Unsicherheit ermöglicht. Die Unsicherheit besteht darin, dass vielleicht nicht alle Faktoren, die sich auf die Krankheit auswirken, berücksichtigt werden. Auch das kann probandenspezifisch sein. Verbessern lässt sich das Modell durch konsequente Dokumentation von Ernährung und Umweltfaktoren.

#SupervisedLearning, #CSharp ‚ #WPF, #Tensorflow

soventec Beispielprojekt: Medizinische Datenanalyse

Aus medizinischen Analysedatensätzen mit  ca. 3000 Einzelparametern pro Datensatz soll eine Klassifizierung durchgeführt werden. Es geht unter anderem darum, die Datensätze in „positiv“ und „negativ“ einzuteilen.

Eine zunächst einfache Aufgabe zeigt aber dann ihre Komplexität im Detail. Unten aufgeführter Proband (blau) wäre bei einfacher Betrachtung klar „negativ“. Das trainierte KI Modell macht aber deutlich, dass er Auffälligkeiten zeigt, die ihn nicht in die „negativ“ Gruppe einteilen lassen. Bei nachträglicher genauer Beurteilung des Probanden mit anderen Methoden, wurde dies bestätigt. Ein behandelnder Arzt hätte vielleicht dieses Ergebnis fehlerhaft interpretiert.

Die KI macht auf die Unterschiede aufmerksam. Gründe für die Unterschiede können vielfältig sein: Probleme im Messablauf oder aber tatsächlich ein Proband mit außergewöhnlichen Werten. Wichtig ist hier aber:

Die KI hat den auffälligen Probanden erkannt.

#SupervisedLearning, #KMeans, #Python, #Tensorflow, #Datapreparation

soventec Beispielprojekt: Erkennung von systematischen und prozessbezogenen Fehlern in einem Multikanal Laboranalysegerät

Bei diesem Beispielprojekt setzt die KI bereits während des Messablaufes in einem Laboranalysegerät ein, um  fehlerhafte Gerätesituationen zu erkennen, ggf. gegenzusteuern und damit die Erfassungsqualität zu optimieren. Bei der Signalauswertung kommen auch klassische statistische und Frequenzanalyse Methoden (u.a. FFT, Wavelets) zum Einsatz. Das KI Modell wird unter Einsatz der soventec Komponenten Lab OS^®  als sicheres Datenspeichersystem und AIcebird^TM als

Python basierte  Datenauswerte– und Lern Plattform trainiert. In den meisten Fällen wird hier auch ein Supervised Learning Ansatz verwendet. Das trainierte KI Modell wird in das Gerät  zurückgespielt und kann Geräte und Prozess spezifische Situation erfassen. Die Prozess Software im Lab Device kann auf Basis der Erkenntnis nachsteuern oder auch abbrechen. Sowohl das Trainings– als auch Prozess System sind seitens der soventec implementiert worden.

#SupervisedLearning, #Python, #AIcebird, #LabOS, #dotnet, #embedded

Wann ist es sinnvoll KI einzusetzen?

Die aufgezeigten Beispiele sind Anwendungsfelder der KI in wissenschaftlichen und industriellen Anwendungen. Immer, wenn ein Problem nicht voll—oder nur mit unverhältnismäßig großen Aufwand—analytisch greifbar ist, kann KI die Methode der Wahl sein. KI speichert das Wissen über Probleme in parametrierten Netzwerken, welches aus Trainingsdaten entstanden ist.

Das Wissen ist für den Menschen nicht immer beschreibbar, dennoch aber anwendbar. Genau das macht die KI Methodik so wertvoll und leistungsfähig.