KI-Zeitreise: Entdecke die faszinierende Geschichte und bahnbrechenden Entwicklungen der Künstlichen Intelligenz

Transkript

Ein herzlichen Gruß an Irland. Ich warte noch ein bisschen, wie es allen da sind. Einige sind sich noch am Verbinden. Ähm, mache ich noch eine offizielle Begrüßung vom Anfang vom Webinar. Aber schön, dass sie schon allen da sind. Ich öffne auch gleich noch dem Chat. Mal schauen. Ähm, Hallo Ursula. Sie gibt einen Grüß und guten Morgen aus der Nähe von München. Äh, andere gibt auch ein zusammen aus dem Aargau. Das ist auch in der Schweiz. Das ist auch schön. Äh, Hans gibt einen Gruß aus dem sonnigen Niederfranken Markus aus und bereit sind. Norbert aus Duisburg. Vielen Dank noch für die Rückmeldung. Hans Das tun und so passen. Moskau hat einem großen Unterwegs. Ich hoffe auch der Akku hält bis zum Schluss. Aber immer ist auch noch eine Aufzeichnung verfügbar. Äh, genau. Äh. Guten Morgen auch, Georg. Es gibt einen Gruß aus Marburg und ich glaube, allen scheint die Sonne. Das ist auch schön. Und Gerlinde geht noch einen Gruß aus. Eichwald. Ja. Ah, da hat es heute Feiertag. Dann freut es mich extra, dass du dann noch auch heute hier bei uns dabei bist. Also guten Morgen auch noch Andreas. Ähm, ja, herzlich Guten Morgen. Alena kommt auch noch einen guten Morgen vom Bernd. Also ich bin jetzt im grimmigen Der Bernd sind wir nur einige Kilometer entfernt. Klingt immer schön, wie wir so eine Gruppe haben, die wir so überall über der Welt verteilt sind. Äh, dann wieder äh, groß, dann wieder weit weg, dann wieder in der Nähe. Genau. Ähm. Bayern ist auch Feiertag. Ich sollte mich noch mal ein bisschen schauen, was dann alles da los ist. Und guten Morgen, Werner ergibt noch einen Gruß aus Rumänien. Ja, freut mich, Ihnen alle begrüßen zu dürfen. Wir haben heute ein Webinar. Hat eigentlich nicht so sehr mit. Gleich direkt mit unserem Marketing zu tun. Aber wir sind ja manchmal in der Akademie. Machen wir doch auch so ein klein bisschen einen Ausflug zu einem Thema. Wir arbeiten allen viel mit künstlichen Intelligenz. Wenn sie anderen auch mit uns im Cockpit arbeiten, machen sie ganz vieles mit künstlichen Intelligenz. Vielleicht haben sie auch direkt mit Z Gibt sie alle Nachrichten. Man kann fast nie eine Zeitung lesen oder Fernseh schauen oder was dann auch. Oder es geht über die künstlichen Intelligenz und wir dachten, wir machen so einmal im Monat auch so ein Webinar zu diesem Thema künstlichen Intelligenz und dass wir auch uns so ein bisschen besser verstehen Was ist das eigentlich, Was habe ich davon? Und das geht dann eigentlich so ein bisschen über das Marketing hinaus, aber einfach ja, was uns Lust macht, das Thema zu behandeln. Und weil wir hoffen, dass es sie dann auch interessiert. Und für heute? Ich werde gleich auch noch die Folien zeige. Für heute haben wir dann das Thema Machen wir zusammen eine Zeitreise. Also ja, wir schauen uns so eigentlich an wie hat die künstliche Intelligenz sich entwickelt? Wie ist das eigentlich gegangen? Wie funktioniert die künstliche Intelligenz? Was steckt eigentlich da alles dahinter, Wenn wir uns so unsere Prompts eingeben und dann unsere Outputs erhalten, wie geht das dann eigentlich? Ähm. Keine Angst, ich werde es nicht so technisch machen. Ich, ich. Ich habe versucht, die Folien so zu machen, dass alles leicht verständlich ist und wir machen das auch mit. Einige lustige Beispiele zwischendurch selbstständig, immer gern Rückmeldungen in Chats versuchen ich mich dann auch gleichzeitig anzuschauen. Ähm, ja. Und ich möchte sie dann jetzt gerne auf eine Zeitreise mitnehmen. Genau. Ja, Und wie gesagt, wir haben so, ähm. Eine Serie. Wir machen zu jedem Monat etwas zum Thema künstliche Intelligenz. Letzten Monat haben wir so eine Einführung gemacht und das ist dann alles, was in den nächsten Monaten noch bevorsteht. Also wir werden auch noch mal über Ethik und Moral sprechen, über Politik und Gesetze. Zum Beispiel Copyright ist da auch ein heißes Thema. Ähm, ein Überblick über die Landschaft. Also das können Sie alles noch erweitern und sehr persönlich, wenn Sie sagen Hey, ich habe noch Interesse an das oder das Thema, schreibe uns im Jetzt. Sende uns einen Tickets an Support Atlas mir Marketing von com und vielleicht machen wir dann auch ein Webinar dazu. Aber wie gesagt, jetzt ist die Zeitreise. Also das ist noch, was wir letzte Monat besprochen habe, aber ich möchte eigentlich zu dieser Folge gehen, sollen uns anschauen. Okay, wann ist eigentlich die KI entstanden? Wann war eigentlich die erste intelligente Maschine da? Dann schauen wir uns an wie schult man eigentlich eine Maschine? Wie macht man eine Maschine eigentlich? Intelligenz? Das hat etwas mit Bestrafen und Belohnen zu tun. Aber das funktioniert nicht immer. Und wir schauen uns dann auch ganz, ganz kurz an, okay? Und wenn es dann um die reale Welt geht, das sind so ein bisschen die Kapitel für heute. Vieles vom Webinar habe ich genommen, von diesem Buch, die allein ein Problem. Das geht eigentlich so ein bisschen darüber ja, wie können wir dafür sorgen, dass die künstliche Intelligenz auch im Einklang ist mit die Werte, die wir als Menschen haben, mit das, was wir als Menschen wichtig finden. Wenn wir sprechen in ein paar Monaten über Ethik, dann, dann kommt auch wieder einige Beispiele von diesem Buch, weil es dadurch auch noch einige Probleme gibt. Der Autor Brian Christian ist ein Amerikaner. Er hat verschiedene Sachbücher geschrieben, über Technik und auch, wie wir das im Alltag nutzen können. Aber immer so diese Beziehung zwischen Technik oder Computerwissenschaften und und Menschlichkeit. Er hat auch noch ein mega lustiges anderes Buch geschrieben. Ähm, wie man die Lösungen vom Computer nutzen kann für den Alltag. Also wenn sie sagen ich suche ein Parkplatz, wenn soll ich mich entscheide ich pack hier hier und ich suche nicht weiter, kann man auch gerne Computeralgorithmen dazu benutzen. Ist ein ziemlich lustiges Buch und so bin ich dann eigentlich auf dieses gestoßen. Es hat so diese zwei verschiedene Covers, diese zwei verschiedene Versionen, aber das sollte eigentlich das gleiche gleiche Buch sein. Genau. Er hat mega viele Interviews gehalten, hat mega viele Leute gesprochen, viele Untersuchungen gemacht und das alles so zusammengepackt. Also wer fängt in unserer Zeit Reise an und wir schauen uns an, wann war eigentlich die erste intelligente Maschine und was war das für eine Art von Maschine? Und ähm, ja. Dazu kurz noch eine Einleitung Was ist eigentlich künstliche Intelligenz? Bei künstlicher Intelligenz ist es wichtig zu verstehen. Wir haben, ähm. Wir haben so Inputs. Können Eindrücke sein. Informationen, Sprache, Probleme. Das geht um in diesen künstlichen Intelligenz. Und dann bekommen wir eine Output. Und dieser Output kann eine Lösung sein. Wissen sein, erzeugen, Ziele erreichen oder was dann auch. Aber wir haben so diese Input, wir haben dann diese künstliche Intelligenz und wir kommen dann zu einer Art Pups. Und die künstlichen Intelligenz, die, die macht das irgendwie und das ist wesentlich anders, als was wir haben, wenn wir über die Computerprogrammen sprechen, wenn wir mit einem Computerprogramm arbeiten, dann hat einen Softwareentwickler das programmiert, dann ist da wirklich viel Code dahinter. Aber diese Software Entwickler hat dann oder das Team hat dann wirklich beschrieben hat den Computer gesagt so, wir stottern. Wenn das der Fall ist, macht dann das. Wenn das nicht der Fall ist, macht dann. Das geht dann weiter. Wie das so mit einem ja äh Stande als Computerprogramm oder einem normalen Computerprogramm, dann ist eigentlich so all diesen Schritten im Voraus gesagt und so persönlich kann das etwas mega kompliziert sein. Kann viele viele reden von Code haben, aber dabei hat dann immer ein Mensch hervor gesagt okay, folge dieser Regel und mach das. Wenn das macht, dann das. Und bei der künstlichen Intelligenz ist das eigentlich wesentlich wesentlich anders und das noch als Voraussetzung. Dann. Es hat eine Folie übersprungen. Ich weiß nie, nie, nie warum. Aber jetzt sollte ich zu dieser Frage kommen. Vielleicht eine kleine Frage an der Gruppe. Und das ist ja, wann wurde eigentlich die erste Kaffeemaschine der Welt vorgestellt? Können Sie mir vielleicht einen Zahl gäbe einen ja geben oder eine Dezenium oder so? Haben Sie einige Idee? Dann würde die erste Kaffeemaschine der Welt vorgestellt und schon etwas oder einem jetzt. Vielleicht können ein paar anderen auch noch etwas sagen. Auch wenn ich sage keine Ahnung, mach einfach so, ja, einfach jetzt das, was Sie denken und wirklich sehr unterschiedliches rein. Wir haben so von ziemlich rezent bis zum schon 100 oder mehr als 100 Jahre her. Es ist wirklich ziemlich unterschiedlich, was allen Leute sagen. Bin ich auch gespannt. Michael, du hast einen sehr bestimmte Zahl gesagt von 1968. Diese Zahl sehen wir, glaube ich, so noch heute auch. Ähm. Ja bin ich auch gespannt, welche Themen, welche Maschinen man dann da hinten diese Daten. Aber kommt wirklich sehr unterschiedliches rein. Vieles ist auch so 70er Jahre. Ähm, genau. Äh, nur noch 50er Jahren. Ursula 60er Jahre. Ähm, genau so eine ganz große Ranch haben wir hier eigentlich. Ähm, ja. Und wenn wir uns die künstliche Intelligenz anschauen, dann fängt das eigentlich an, es hat auch noch keine KI Maschine. Aber es fängt eigentlich so an in den 40er Jahren und da haben Wissenschaftler dann eigentlich ja Entdeckungen gemacht wie Wie funktioniert unser Gehirn, das Gehirn vom Menschen? Sie haben dann entdeckt okay, unser Gehirn besteht aus miteinander verbundenen Neuronen und jeder von diesen Neuronen hat dann eine Eingabe und eine Ausgabe. Und diese Ausgabe wird dann bestimmt durch einen Schwellenwert und ein Impuls. Und wenn Wissenschaftler das dann entdeckt haben, dass das ja so funktioniert in unser Gehirn, dann war eigentlich ziemlich schnell auch so diesen Sprung gemacht, dass Leute gedacht haben okay, aber wenn das dann so funktioniert in unserem Gehirn, vielleicht können wir ja dann auch etwas damit für unsere Computerwissenschaften. Eigentlich ist das auch nie mehr oder weniger, als dass es ein Input gibt. Es hat dann zu einem Pos für einen Wahr oder falsch Mechanismus und da kommt es zu einem Output. Und schon in 1943 war dann einen Arbeitsplatz, wo dann geschrieben wird, Das hat dann diesen Titel Grundlage für das mechanische Gehirn. Da hatte man schon diese Gedanken. Wir sollten etwas machen können für eine intelligente Maschinen. Wenn wir diesem Prinzip von von die das Gehirn funktioniert beim Menschen von diesen Neuronen mit diesen Input und Output von diesen Schwellenwerte. Wenn wir das benützen werden, können wir auch etwas damit machen für Maschinen. Das war dann doch etwas schwieriger als das Komplizierte, um das in der Praxis zu bringen. Aber dann war doch in 1958 der erste intelligente Maschine und die hatte dieser Name von Katrin auf Englisch war. Das war auf einen englischsprachigen Land herausgefunden. Und Sie sehen hier diesem Bild, wir werden uns einige Bilder anschauen, die sind immer so noch schwarz und weiß war, aber hatte noch nicht so viele Farben Bilder in diese Zeit. Wir sehen hier auch so einem Computer ist noch einem Neger mega riesig. Eine Maschine, die wahrscheinlich auch viel weniger kann als ihres Vaters Smartwatch heute. Und was diese Maschinen kann, diese Perzeptron, was dann so intelligent daran war es hatte ein System. Man kommt als eine Katze. Zeige uns auf diese Karte war dann entweder links oder rechts ein Quadrat eingefärbt und sie ist eine Maschine. Konnte dann sagen, ob dieses eingefärbte Quadrat auf der linke Seite oder auf der rechte Seite war und es hatte so eigentlich eine erste Art von Bildererkennung und diese Maschine war dann basiert auf einen neuronalen Netzwerk. Also das kommt dann hier auf diese Folie, also was hat sie dann was wirklich so aufgebaut wie diesem, wie diesem Prinzip von unserem Gehirn? Es hatte dann nur einen Neuron, es hatte dann diese Eingabe, das war dann durch eine Kamera gekommen, womit es dann diese Karte angeschaut hat und Gewichtungsfaktoren. Hatte dann so mit diesem Neuron eigentlich angegeben, was es machen sollte. Und dann war es zu einen Ausgabe gekommen. Und wie gesagt, hier war es dann ziemlich einfach war. Die Eingabe war dann einen Art von Karte und die Ausgabe war dann okay. Ist diesen gefärbten Quadrat auf dem linken Seite oder auf dem rechten Seite. Und wenn man die Maschinen trainieren würde, dann braucht es so 50 Karten, bis es dann fehlerfrei selbst das Verhalten vorhersagen konnte, dass es dann fehlerfrei sagen konnte, wenn man eine neue Karte zeigte oder ob das Quadrat dann links oder rechts war. Also wie gesagt, das war dann in 1958. Das war eigentlich die erste intelligente Maschine, die erste Maschine mit künstlichen Intelligenz. Und diese Maschine? Das war ziemlich einfach. Nur. Sicherlich, wenn wir wissen, was wir heutzutage mit KI machen können. Aber das war eigentlich wirklich eine mega mega wichtige Grundlage für das maschinelle Lernen Systeme. Und ja, dann doch hier gehen wir ein klein bisschen technisch, aber ich möchte das wirklich so erklären, dass es dann doch verständlich ist an diese Maschine in diesem Forum war trainiert mit einem System und das heißt dann stochastischen Gradient Abstieg und sie können das auch gleich wieder vergessen. Aber dem Prinzip ist vielleicht dann doch noch interessant zu verstehen. Und das ist so ein zufälliges da so ein Punkt wird ausgewählt und das ist dann das Schicksal von diesen langen, langen wissenschaftlichen Satz. Die sind zufällig. Ein Trainingspunkt wird dann in einem Modell eingegeben und das Modell liefert dann eine Ausgabe und wenn die Ausgabe korrekt ist, super, machen wir nichts, aber wenn die Ausgabe nicht korrekt ist, dann. Wir haben gesehen, dieses Modell war so eine Neuron, aber hat auch so diesen Gewichtsfaktoren und dann werden wir die Zahl der Gewichtsfaktoren ein wenig anpassen und das machen wir so ein klein bisschen langsam in die richtige Richtung. Und das heißt dann die Gradienten Abstieg, also deshalb so dieser diese Name und dann gehen wir eigentlich wieder zurück. Dann schauen wir uns einen neuen Startpunkt an, was wir zufallig nehmen von um einen großen Stapel von Datenpunkte geben das wir ins Modell rein und machen wir das neue Schauen, was das Modell ausliefert, wenn es korrekt ist, super. Wenn es nicht korrekt ist, passen wir etwas an und da machen wir wieder das Gleiche. So in diesem Fall von diesen Prozeduren, wo es dann die Knoten erkennen, Muster Und ob diese Quadrate auf dem linken oder dem rechten Seite war, brauchte es 50 von dieser durchlaufen, bevor die Maschine dann verstanden hat und neue Karte richtig sagen konnte okay, das Quadrat ist links oder ist rechts. Das war also mit einem Neuron, das war mit einem Schicht und dann war eigentlich ziemlich schnell klar okay, wenn wir etwas mehr kompliziert machen wollen, dann brauchen wir mehrere Ebenen, Dann geht es nicht mit einem Neuron geht es nicht mit einem Schicht, dann müssen wir eigentlich so diese verschiedenen Schichten machen, dass wir das in verschiedene Schritte machen, dass wir von einem Input zu einem Output kommen. Dann geht es wieder weiter zu einem neuen Output und bisher wird dann bei diesem End Output kommen. Aber lange Zeit war dann eigentlich nicht klar, okay, wenn wir diese verschiedene Ebenen oder diese verschiedenen Schichten machen möchten, wie sollen wir das dann eigentlich machen? Ja, wie müssen wir das dann zu? Und eigentlich dann in der 80er Jahren würde dann klar ja, wir können eigentlich diese Modelle bauen und wir können eigentlich das auf gleiche Art und Weise trainieren, wie wir es dann mit einem Modell wie diesem Perception machen. Aus so, dann können wir wieder mit Beispiele das trainieren und so dann auch eine Modell mit mehr davon diese Ebene trainieren und das macht dann eigentlich den Weg frei für die erste kommerzielle Nutzungen. Also Anfang 90er Jahren waren dann die kommerzielle Nutzung von künstlichen Intelligenz, also von diesen neuronalen Netzen und das hatte dann zu tun mit das Erkennen, mit das Lesen können von Handschriften von Leute. Also die Maschinen konnte dann die Zahlen 0 bis 9 lesen und das machte dann die Möglichkeit, dass ja, wenn man Zahlen lesen kann, da kann man zum Beispiel Postleitzahlen lesen und wenn man die Postleitzahlen lesen kann, dann kann man etwas bei die Post automatisieren. Oder wenn man Zahlen lesen kann, dann kann man auch etwas mit Schecks automatisieren. Und die erste kommerzielle Nutzungen waren dann also in der Post oder bei der Bank, wo da dann ja die Zahlen, die die Leute geschrieben haben, die konnte die Maschinen dann lesen und so konnte man da dann die erste Automatisierungen durchgeführt werden. Also wie, Sie haben noch einen riesen Sprung gemacht. Wir haben so gesehen, 1958 war eigentlich die erste intelligente Maschine. Es hat dann eigentlich gedauert, bis dieser Anfang 90er Jahre dann, bevor wir dann die erste kommerzielle an Möglichkeiten hatten. Und jetzt sind wir so wieder 202030 Jahren weiter und da haben wir wieder Riesensprung gemacht. Wo? In den 90er Jahren hatten wir dann die Möglichkeit bei der Post. Aber eigentlich hat es dann wieder eine Weile gedauert, bevor es wieder dann einen Sprung gemacht hat. Also in den 90er Jahren dann auch so Anfang 2000. Dann blieben die Entwicklungen doch wieder ein bisschen stecken. Und das hat eigentlich mit drei, ja drei Problemen oder drei Grundursache zu tun. Und der eine, weil die Computergeschwindigkeit. Und ich habe hier dann auch noch ein Bild gemacht von einem ganz alten Computer können wir uns heutzutage eigentlich nicht mehr eindecken. Aber die Computer waren eigentlich mega groß, mega langsam und konnte eigentlich doch auch nicht so viel im Vergleich mit was sie heutzutage können. Und eigentlich ja die künstlichen Intelligenz, die Entwicklungen dann auch nicht weitergehen war, weil die Computergeschwindigkeit war eigentlich nicht schnell genug. Ein zweites Problem war eine Menge der Trainingsdaten. Aber wir haben gesehen bisher die Beispiele mit diesem Rezept schon. Wobei dann die Katzen erkennt war dann das war dann trainiert basierend auf Muster Data. Außer, dass ein Training Data eingegeben würde und geschaut wäre okay, ist die Output richtig oder nicht? Und damit würde diese Maschine dann trainiert. Aber wenn man dann etwas kompliziertes machen will, als ist eine Farbe links oder rechts, dann braucht man auch gleich viel mehr Trainingsdaten und man macht braucht wirklich einen riesen Riesenmenge von Trainingsdaten. Und wenn man zum Beispiel sagt ja, ich möchte ein System trainieren, dass es Bilder erkennen kann und man möchte das trainieren mit Trainingsdaten, ja dann braucht man wirklich einen eine unmögliche Menge von Daten. Und das war dann auch ein Problem, weil es hatte eigentlich nicht diese diese großen Mengen und ein drittes drittem Ursache von die Entwicklung, die stecken blieben, war eigentlich genau das, was brauchte auch viel Geduld von Leute, die eigentlich sagen würde okay, ich möchte wissen, in diesem Feld das vorantreiben, ich möchte da etwas ausprobieren. Ähm, da die Computer so langsam waren, war die, die Daten fehlten. Brauchte es dann auch wirklich sehr lange, um wieder einen Schritt weiter zu kommen? Aber diese drei Sachen, das ändert sich dann eigentlich massiv in den Jahren oder nach dem Jahr 2000. Und zwei wichtige Sachen da waren eigentlich oder die zwei große Engpass. Dann werden dann ähm, ja, die Lösung wäre dann eigentlich gelöst und das machte dann möglich, dass wir große Schwitzen gemacht haben in zum Beispiel die Bilderkennung. Und eines davon hat Amazon geschafft. Also Amazon, wo wir auch Bücher kaufen können oder andere Sachen kaufen können. Amazon hatte dann auch eine Plattform eingerichtet und das heißt Make up. Und da konnte Leute sich eigentlich als Dienstleister anbieten und konnte Leute auch einen Dienstleistung beauftragen. Und diese Plattform hatte dann auch eine wichtige Rolle gespielt, um Daten Trainingsdaten zu erstellen. So, über dieses Plattformen wurde dann auch Auftrag gegeben, das eine Riesen Database vom Builder ausgeliefert würde und dann Leute wirklich von Hand angegeben habe. Das ist eine Katze. Das ist ein Bild von einem Hund. Das ist ein Bild von einem Löwe. Das ist ein Bild von einem Auto, das ist ein Bild von einem Fahrrad usw und so fort. Wir haben wirklich Leute von Hand wie Bilder klassifiziert, damit wir dann genügend Trainingsdaten hatten, um eine Maschine zu füttern, um eine Maschine zu trainieren. Und da bei diesem System wird eigentlich drüber gesprochen. Das ist eigentlich so künstliche künstliche Intelligenz, das ist dann noch vom Menschen von Hand gemacht, damit wir das alles hatten, um Systemen trainieren zu können. Genau. Und das hat dann eine wichtige Rolle gespielt in die Bildklassifizierung, da kommen wir noch über zu sprechen auf der nächsten Folie. Einen zweiten Durchbruch war eigentlich in Welt vom Die Videospiele waren die Videospiele hatte man einen anderen Art von Prozessor entwickelt und das war der GPU Und diese CPU, die war sehr gut dran, um eigentlich einfach und ungefähre Berechnungen zu machen. Aber das reicht eigentlich aus für die Videospiele, für die Bildqualität und wie viel und wie die Videospiele funktionierten. Und bisher hatte man immer gearbeitet mit diesem CPU und die war wirklich auf diese perfekte Präzision so eingestellt Und damit ja, will man perfekte Präzision haben wir, dann braucht es einfach mehr Rechenkraft, als wenn man sagt okay, es kann auch einfach und ungefähr sein. Und diese Prozessoren vom Videospieler, die Songs dann eigentlich auch so in diesem diesem Werte Entwicklungen der künstlichen Intelligenz gekommen und diese erwiesen sich dann wirklich als ideale Lösung für die neuronaler Netze. So, das waren dann eigentlich zwei große Durchbrüche, damit die künstlichen Intelligenz, die Entwicklungen sich weiterentwickeln könnte. Und einen großen Meilenstein ist dann einen Durchbruch bei der Bilderkennung. Das ist Alex Netz, also so heißt dieses Modell. Und das ist in 2012 so wieder unsere Zeitreise Aus Jahren 40 haben wir die erste Ideen über wie das Gehirn funktioniert. Dann 50 haben wir dann die erste intelligente Maschinen noch ziemlich ziemlich basal ja dann 90 haben wir dann die erste kommerzielle Nutzungen in der Post und beim Bank. Und jetzt sind wir dann eigentlich so wieder 20 Jahre weiter und sind sehr angekommen in 2010 Jahren. Und es hatte schon verschiedene Wettbewerbe. Es hat viele Wettbewerbe, wobei Leute dann Systemen einliefern können für die Bioserkennung und dann zu schauen, okay, welche sind dann eigentlich am schnellsten? Welche machen, ähm machen alles fehlerfrei oder mit so wenig möglich Fehler. Und diesem Netz von Alex Netz hat er dann in 2012 einen wichtigen Wettbewerb gewonnen. Und ja, auch wenn wir uns das auch heutzutage anschauen, denken wir was krass ist. Nur so zehn Jahren her und das war dann eigentlich doch noch so einfach im Vergleich mit was alles jetzt dann kam, oh, da hatte man Bilder und man konnte diese Bilder zuweisen an 1/10 Kategorien. Und hier sehen wir diese Kategorien. Also die Maschine kommt in den Sagen, es ist ein Flugzeug, es ist ein Auto, es ist ein Vogel, es ist eine Katze, ein Hirsch, ein Hund, einem Frosch, einem Pferd, einen Schiff oder einen Lastwagen. Also es konnte dann wirklich nur es zuweisen an eine von diesen Kategorien. Also wenn wir dann einem Bild gezeigt hätten von eine Giraffe, dann hat es nie funktioniert. Aber das war schon wirklich einem mega Durchbruch. Es hatte diese Miniaturbildern, es konnte das an zehn Kategorien zuweisen und die Maschine konnte das von einem zufälligen statt mit nur 80 Sekunden Training. Dann hatte es schon einen sehr hohen Genauigkeit in die weiteren Inputs, die dann reingegeben würden. Und hier? Ich habe gesagt, dieses Problem fühlt sich. Viele Jahre hatten wir nur einen Neuron und jetzt, um das zu machen, haben wir so 650.000 künstliche Neuronen. Das ist dann in acht Schichten. Deshalb hatten wir nur eine Schicht und das ist dann verbunden durch 60 Millionen einstellbar Gewichte Also das können wir uns eigentlich fast nie ein denken, wie das dann funktioniert. Aber auch hier haben wir dann diesen System. Wir geben ein Input. Die die Maschinen gibt, dann einen Output mit diesem stochastischen Gradient Abstieg. Wenn es dann falsch ist, wird dann irgendetwas an diese Gewichte angepasst und dann machen wir das wieder neu. Aber dann doch nach 80 Sekunden. Macht es das dann? Eigentlich ziemlich, ziemlich gut. Aber um das zu trainieren, braucht es wirklich Millionen von Bildern. Und das. Diese Bilder waren so geliefert durch diesen Amazon Mechanical Turk Plattform. Aber das war genügte dann eigentlich noch nichts. Dann haben sie jetzt auch noch etwas gemacht, wie zum Beispiel Be und Anpassungen. Wir machen es etwas auf der Kante oder wir passen, Die fahren etwas an oder wie, zoomen etwas rein oder etwas raus. Damit sind eigentlich die Trainingsdaten ja mega duplizieren konnte. Genau. Ja wie Schuppen. Und eine Maschine, das ist eigentlich die, die die große Frage und wir haben uns jetzt schon einige Methoden angeschaut, aber eigentlich alles, was wir bisher uns angeschaut haben, war immer noch wir haben eine Maschine, die mit diesen Inputs, Gewichte und Outputs und wenn das nicht stimmt, passen wir etwas an diese Gewichte an eine Maschine, die immer noch auf Trainingsdata trainiert werden muss. Und wenn wir uns anschauen, gibt es eigentlich so drei Bereiche, wie wir Maschinen etwas lernen können. Wir haben so dieses auf Englisch Learning und überwachtes Lernen. Das ist eigentlich, dass wir sagen okay, liebe Maschine, hier haben wir eine riesige Menge von Data und macht daraus einen Sinn. Also schau da, ob du Muster erkennen kann. Und ein Beispiel davon ist ein Programm, was in 2013 da war. Word of heißt das und er hat dann eigentlich so Zusammenhänge gesehen oder Korrelationen gesehen im Text. So zum Beispiel hat es gesehen okay, ähm, Peking und China, das ist das gleiche wie Paris und Frankreich. Und dann könnte ich zum Beispiel eingeben Bern und dann würde die Maschine mir sagen Schweiz. Und so kommt es immer so diese Muster zwischen wir zu sehen. Ein anderes Beispiel ist das Superis Learning oder das überwachtes Lernen. Und dann haben wir eigentlich kategorisiert, dann oder etikettiert zum Beispielen. Und damit füttern wir diese Modelle und damit kann es dann Vorhersagen geben für neue Beispiele. Und da haben wir das Beispiel von der Bilderkennung. Aber ein anderes Beispiel ist Kompetenz, also ein Werkzeug zur Bewertung rechtlicher Risiken in den USA. Da waren zum Beispiel wirklich juristische Fälle reingegeben. Also diese Leute haben an einer einen Straftat gemacht, das ist das. Profil Wie groß ist dann zum Beispiel das Risiko, dass Sie wieder erneut das machen werden oder nicht? Also da war schon in den 2010 Jahren ein System in Amerika, damit wir über Ethik sprechen. Später werden wir auch noch zu diesem Beispiel zurückkommen. Aber eigentlich, wenn wir sagen, ja, wir möchten komplexere Sachen machen, wir möchten mehr von unserer KI verlangen, dann dann kommen wir nicht so viel weiter mit dieser und überwachtes Lernen und überwachtes Lernen. Da brauchen wir eigentlich einen ganz neuen Ansatz. Und diesen neuen Ansatz heißt ich auf Englisch, dann im Volksmund Learning oder real abgekürzt und auf Deutsch übersetzt man das dann mit bestärken, das Lernen und was, ja, was macht man dann bei diesem Ereignis lernen. Dabei bringt man einen System in eine Umgebung und man wird diesem System dann belohnen oder bestrafen und den System wird dann versuchen den besten Weg heraus zu finden, damit es die Belohnungen optimieren kann und so wenig möglich Bestrafung bekommt. Und da kann man zum Beispiel sagen okay, ich trainiere eine Maschine, damit es Computerspiele spielen kann und ich trainiere die Maschine dann nicht auf ein bestimmtes Spiel. Nein, es kann wirklich dann eine grosse Menge von Spielen herausfinden, wie das funktioniert und das Spielen. Und das ist dann eigentlich auch den Weg, die man gehen muss, wenn man zu einen Erkki oder einen allgemeine Intelligenz kommen will. Und diese Kategorie schauen wir uns jetzt noch etwas weiter an dieses Feld ist wirklich multidisziplinäre. Also da haben wir nicht nur Computerwissenschaftler, also nicht nur Informatiker. Aber dann schauen wir uns auch rein in die Welt von Neurowissenschaften, in Verhaltenspsychologie. Ähm, auch Psychologen, die sich auf die Kognition von Kindern spezialisiert haben und viele, viele mehr. Diese uns ist wirklich, wirklich, wahrhaft nützlich, disziplinär. Wenn wir uns dann anschauen, Ja, wie möchten wir eine Maschine trainieren? Wir möchten nicht nur Beispiele füttern, was wir bisher gesehen haben und kopiert das dann auf eine Art und Weise. Nein, wir möchten wirklich nicht nur um diese Trainingsdaten eine Maschine etwas lernen. Wie macht man das dann? Und Alan Turing, einen sehr berühmten Computerwissenschaftler, hat dann eigentlich schon in den 50er Jahren gesagt Ja, eigentlich müssen wir mal schauen, wie lernt eigentlich ein Kind? Und können wir einen Computer so gestalten, dass es funktioniert wie den Geist von einem Kind, einem Kind? Ja, ist sehr gut drin, neue Sachen zu lernen. Und mit diesem Prinzip. Ähm, ja. Mit diesem Prinzip von diesem Star kann es lernen ist dann zum Beispiel die erste Damenspielmaschine entwickelt. Das war dann in 1962. Wir gehen zur eigentlich wieder einen neuen Zeitlinie werden. Das ist dann ein in einem parallelen Sport mit einer andere Art und Weise, um Maschinen zu trennen. Also in 50 Jahren haben wir schon die erste Maschine, die diesen Quadraten auf linken oder rechten Seite erkennen könnte. Aber nur eigentlich. Nur einige Jahre später war dann diese Maschinen gekommen, wobei eine Maschine gelernt hatte, Damen zu spielen. Und das war eigentlich das erste Spiel mit einer selbsttrainierten Maschine, die einen geübten Spieler besiegen könnte. Und ähm, ja, hier war diese Stellen wirklich gefüttert mit Belohnungen und Bestrafungen und das, dass das System dann herausfinden wollte. Okay, wie kann ich die Belohnungen optimieren, um so sämtlich das Spiel zu gewinnen und wie kann ich diese Bestrafungen minimieren? Und da können wir auch viel lernen, wie wir Leute, aber auch wie Tiere lernen. Und das hat dann auch viel zu tun mit Dopamin und Dopamin. Das haben wir in unser Gehirn, also in nur einen kleinen Teil von unseren Neuronen. Ich habe gelesen, nur 1 % von 1 % unser Gehirn. Da werden diese Dopamin produziert. Aber sie sind verbunden mit alle anderen Neuronen bei uns im Kopf und. Und haben dann einen großen Einfluss auch auf, wie unser Gehirn funktioniert. Und lange hat man versucht herauszufinden, ja, wie. Wie funktioniert das eigentlich mit diesen Dopamin? Wie wie geht das einem? Und Wissenschaftler, hatte dann Experimente gemacht, hatte Experimente gemacht mit Alpha. Ich habe hier ein schönes Bild von einem Arzt gemacht, aber ich habe nicht nicht herausgefunden, in welchem Art vom Affen das genau war. So vielleicht war es eine ganz anderen Art, aber da haben sie zum Beispiel die Affen Ausgabe machen lassen. Es musste einen Hebel ziehen und es würde dann einen einen Süßigkeit erhalten, zum Beispiel. Und dann würde gemessen. Ja, wie? Wie geht es damit? Dopamingehalt im Gehirn von dieser Affe. Und was dann eigentlich lange nicht verstanden würde, war das die? Die Theorie war eigentlich Dopamin ist für Belohnung, außer wenn man eine Affe einen Hebel ziehen lassen und es bekommt die Süßigkeit, dann sollte es Dopamin geben. Aber in Experiment Experimenten hat sie dann gesehen. Sie hatte es auf verschiedene Arten und Weisen gemacht vor die auch von Hegels Ziel müssten. Manchmal gab es dann eine Süßigkeit, manchmal auch nicht, ob sie gut, sondern eigentlich nichts sagen. Es ist immer so, dass wenn sie eine Süßigkeit bekommen, dass es einen Dopamin auslöst und wenn sie keine Süßigkeit bekommen, dass es gar keinen Dopamin gibt. Irgendwie stimmte das dann nicht. Und da hat sie dann auch die die Entwicklungen in die maschinelles Lernen, auch die Entwicklungen in die Kinder lernen, um das zu verstehen. Und dann diese Experimente mit diese Affen. Das hat sie dann auch Jahrzehnte gebraucht, um herauszufinden Hey, aber es ist eigentlich nicht so eins auf eins. Es geht es um eine Belohnung oder nicht? Nein, die Dogmen hat es eher damit zu tun. Ich bin in eine Situation, ich habe eine Hypothese so eine Affe konnte dann habe. In dieser Situation erwarte ich, dass wenn ich diesen Hebel ziehe, ich eine Süßigkeit bekomme oder in dieser Situation erwarte ich, dass wenn ich einen Hebel ziehe, dass ich gar nichts bekommen. Und wenn die Hypothese dumm war, wie vorhergesagt, dann hatte man eine normale Dopamin im Wert. Aber wenn die Hypothese nicht war, wie gesagt, dann hatte es einen Anstieg des Dopaminspiegels. Also wenn die Affe dann einen Hebel gezogen hatte, aber er hatte eigentlich auch ja, das sollte eine Süßigkeit liegen dann das ist eigentlich so wie vorhergesagt und dann gab es nicht diesen Dopaminwert oder dann blieb es bei diesen normalen Dopaminwerte und nur dann, wenn man dann verstanden hat Ah, okay, unser Gehirn funktioniert so, dass wir eigentlich immer die sich Prothese macht machen und je nach Bestätigung oder Falsifizierung unsere Hypothese ja, löst das dann etwas in unser Gehirn aus, dann diesem Wissen wird er dann auch in das maschinelles Lernen eingebaut. Und hier steht auch noch so Unser Gehirn lernt aus einer Vermutung eine Vermutung. Und das bedeutet ja, wir wollen eigentlich mit Belohnungen und Bestrafen nicht etwas machen und dann nur am Ende noch eine Stunde wissen Haben wir es gut gemacht oder nicht? Wenn wir belohnt oder bestraft? Nein, wir wollen eigentlich während unserem Prozess lernen und auch wirklich werden diesen Prozess wissen. Sind wir auf dem richtigen Weg oder nicht? Und das ist dann so in auch rein im Algorithmen eingebaut. Auf Englisch ist das dann einen Lambda Algorithmus und auf Deutsch könnte man die Rede übersetzen mit zeitlicher Unterschiede und das kommt dann auch auf die nächste Folie, wie das dann funktioniert. Aber kurz noch dazu Eigentlich machen wir das auch immer so, zum Beispiel wenn wir unterwegs sind. Wir haben unsere Route planen gefragt okay, ich möchte von. Ich habe hier gemacht. Von Bern möchte ich nach Zürich gehen, von Zentrum bis Zentrum. Wie lange wird es dauern? Dann schätzt es mich. Also wenn ich um 8:00 morgens losfahre, brauche ich wahrscheinlich ein 1:40 Minuten bis zu 42 Minuten. Aber wenn ich dann unterwegs bin, dann geht es mir immer besser. Wird es immer klarer, was die genaue Zahl sein würde. Also auch hier verstehen wir okay, vorher machen wir eine Schätzung, aber wenn wir dann unterwegs sind, dann können wir die Schätzung immer besser machen. Und das ist eigentlich genau auch das, was die Maschinen machen. Und ähm, ich schaue doch noch kurz. Nein. Ja, das geht so gut. Und diesen Algorithmus, diesen, ähm, zählt den Lambda Algorithmus. Das werde dann angewendet in ein neues Spiel und das würde dann bei Backgammon gemacht. Und das war dann sind wir so im 90er Jahren und dieses Spiel, wo diesen Algorithmus rein ist, hat sich dann CB Gaming genannt nach diesem Algorithmus von diesen diesen temporal Differenz, diesen zeitliche und. Und hier kommt sie dann, diese Maschine, die das Spiel spielen könnte. Da war eigentlich nur Wissen eingebaut. Das war nicht gefüttert mit Beispiele. Das musste wirklich von Grund auf lernen, wie das Spiel dort funktionierte. Wie Belohnungen und Bestrafungen mit. Mit immer schauen. Okay, wenn ich das mache, was passiert dann? Und damit konnte es das Spiel das komplette Spiel eigentlich auf einem ziemlich starken mittlerem Niveau spielen, aber es würde noch nicht gewinnen von einem Profi, Aber es kommt es doch eigentlich ziemlich gut Spiele. Und was auch interessant war. Es hat auch schon Modelle, die Backgammon spielen können, die dann gefüttert werden mit einer Menge von Daten mit menschlichen Experten Daten aus. So haben wir zum Beispiel Abläufe von Spiele gefüttert aus Beispiele. Aber diese neue Art und Weise, mit diesen, diese neuen Algorithmen und die dann funktionierte mit Belohnungen, Bestrafungen und diesem Dopaminprinzip, das funktionierte besser. Diese diese Spiele, die diese Algorithmen machten es besser. Und ja, wenn wir dann sprechen über belohnen, wir werden ein System belohnen oder bestrafen. Dann ist die Frage ja, wie machen wir eigentlich dann diese Belohnungen, so dass die Maschine auch das macht, was wir eigentlich wollen? Dass die Maschine macht bei diesem stärkendes Lernen. Das hat vieles zu tun mit einfach Besuchen und Irrtum. Die Maschine macht etwas, wovon die Maschine dann denkt, dass es die meiste Belohnungen bringen wird. Aber manchmal macht es auch etwas völlig Zufälliges. Und Sie haben schon wieder eine Name für, wie das dann heißt, wie es dann heißt für werde und kenne die Namen auch nicht. Also die Maschine wird tun okay, ich mache diesen steht, weil ich denke, dass ich damit die beste Belohnungen erreiche. Aber weil wir auch wollen, dass die Maschine manchmal etwas Neues ausprobiert, ist dann auch noch etwas da rein. Dass sie jede von so viele Schritte etwas ganz zufällig es macht, weil dann kann es auch zufällig über den Erfolg stolpern und dann mehr davon tun, wenn er sagt okay, das bringt mir auch etwas. Frage ist jedoch ja Boss, was machen wir eigentlich, wenn Belohnungen spärlich sind? Also es gibt auch Situationen, die sind da nicht so wie diese. Laufen die eine 09:30 gleich eine Süßigkeit behalten? Nein, dass man viele Schritte machen muss, um dann herauszufinden, gewinne ich oder nicht. Wie auch? Zum Beispiel mit diesem Backgammon, mit diesem Schachspieler? Ja, man weiß so nur am Ende habe ich gewonnen, oder nicht? Was macht man dann? Und auch dann, da ist dann wieder geschaut Ja, wie lernen eigentlich Kinder, Wie lernen wir Menschen? Und da hat es dann eigentlich zwei Wege. Man kann sagen, wir gehen in einen Lehrplan und ich weiß nicht, ob sie früher Super Mario Bros. Gespielt habe, aber das ist eigentlich ein ganz schönes Beispiel, wie man Spiele eine Weise lernt, wie das wie das Spiel funktioniert. Man fängt an mit ein ganz einfaches Level, wo man kann da noch nicht so viel machen, wie es eigentlich soll. Mich schon gezwungen, bestimmte Sachen zu machen. Und so lernt man Hey, wenn ich das mache, habe ich mehr Punkte, wenn ich das mache, geht schief. Also so wird man eigentlich so begleitet, Schritt für Schritt, wie das Spiel funktioniert und was sie machen sollen, um das Spiel gut spielen zu können. Eine andere Möglichkeit ist, dass ich sagen ja, ich mache eigentlich so diese pseudo Belohnungen. Das wird oft auch gemacht, wenn man Tiere trainieren möchtet. Also wenn man sagt, ich habe diese Taube, ich möchte gerne, dass diese Taube einen bestimmten Trick lernt, vielleicht so oder so durch einen Hub, einen Kreis oder so hüpfen. Dann können wir auch sagen okay, wenn diese Taube schon einen ersten Schritt Richtung in die richtige Richtung macht, dann gebe ich eine Belohnung. Und so können sie dann eigentlich Schritt für Schritt diesen richtig ein Verhalten belohnen und damit diesem Tier dann trainieren, was es machen soll. Und das ist eigentlich auch genau etwas, was man mit einem Maschinen machen kann, dass man auch sagt okay, ich gebe nicht nur eine Belohnung, nein, ich mache schon kleine Belohnungen rein, damit die Maschine weiß, ich bin auf dem richtigen Weg. Dabei ist immer wichtig, dass Sie, wenn Sie darum so einen Algorithmus programmieren, eine Maschine, die Belohnungen sagen möchten, dass Sie wissen okay, was wollen Sie eigentlich belohnen und was belohnen Sie in Praxis und was es dann zum Beispiel beieinander? Und in welchem Kontext steht das war. Hierbei ist es wichtig, dass es nicht so ist, dass Sie sagen Ich werde a belohnen, während ich eigentlich hoffe, dass die Maschine B machen wird. Also seien Sie sich dann auch bewusst eine KI, wenn die einfach denkt, ich möchte die Belohnungen maximalisieren. Die kann dann auch eine ausbeuterische Maschine finden, damit sie sagt okay, ich, ich ähm, ich magister es mir, die Belohnungen, aber eigentlich macht es dann doch nicht, was sie wollen, dass das die Maschine macht und dabei ist, äh, ja, hat es dann einige Gedanken. Man kann die Fortschritte in Richtung des Ziel belohnen und bestrafen. Vom Fortschritt zum Weg vom Ziel. Und man kann die Zustände belohnen und nicht die Handlungen. Und das sind dann eigentlich auch Sachen. Wenn Sie bei anderen Menschen möchten, dass Sie ein bestimmtes Verhalten haben, sind das dann Tipps, die Sie auch gerne nutzen können in Ihrem Umgang, in Ihre Trainings, bei anderer Leute? Zu einem Beispiel? Auch ist für die Belohnung die Zustande der Wert und nicht die Handlungen. Wenn es zum Beispiel ein Kind gibt und dies Kind ist, ist schön am Puzzeln bei Ihnen im Zimmer und Sie sagen dann a Was bist du da eifrig am Puzzeln, dann kann es auch sein, dass sie denkt Oh ja, da, ich werde belohnt für meine Handlungen. Ich mache es dann wieder dreckig und dann kann ich wieder puzzeln. Und da sind sie wieder froh mit mir. Nein, wenn sie dann stattdessen sagen Hey, was ist diesen Raum jetzt schön sauber dann und dann geben sie eine Belohnung für die Zustand und dann wird das Kind das dann auch nicht wieder dreckig machen. Also das noch was? Einen kleinen Ausflug. Es kann jedoch sein, dass ich sage an diesem System von Belohnungen und Bestrafungen, das reicht doch nicht aus. Und was man auch noch gemacht hat bei den Entwicklungen der KI ist, dass es eigentlich oft auch so geübt ist mit Spielen. Wir haben schon diesen Dame Spiel gesehen, wir haben schon diesen Backgammon gespielt Spiel gesehen und es war dann auch eine Gruppe von Leute, die haben gesagt ja, eigentlich, wir möchten so einen einen künstlichen Umgebung bauen mit all die Spiele von einer Atari aus, die 70 und 80 Jahre Atari Spiele. Es hatte so mega viele Spieler und sie haben gesagt ja, wir machen so eine Umgebung, wo die künstlichen Intelligenz dann diese Spielen spielen müssen. Und wir wollen dann auch, dass die künstlichen Intelligenz selbst eigentlich herausfindet, genau wie ein Mensch, wie man das Spiel spielen muss. Also wir wollen nicht sagen okay, liebe Grüße, nicht Intelligenz. Hier spielst du jetzt das Spiel, das sind die Regeln, das musst du machen. Also wir wollen auch nicht so die Belohnung und Bestrafung geben. Ähm, dass wir das spezifisch für diesem Spiel machen, damit wir das spezifisch eingeben müssen für jedes unterschiedliche Spiel. Nein, wir wollen wirklich eine künstliche Intelligenz bauen, die genau wie eine Mensch, die verschiedene Computerspiele zur Verfügung hat und selbst herausfindet, was, was er machen muss, um das Spiel richtig zu spielen. Und das System musst du wirklich nur anhand von die Pixel auf dem Bildschirm lernen, wie man das Spiel spielen müsste. Und dann so in 2015 sind wir so sieben acht Jahren her. Dann war die Software so weit, dass sie menschliche Leistung im Videospiel erreichte. Und bei zum Beispiel das PBP. Ja, ja ist ein Spiel der 80er Jahre und es sieht aus wie ein Spiel vor 80 Jahren. Dann konnte das System also wirklich selbst lernen, wie er das Spiel spielen müsste und war wirklich dann 25 mal besser als ein professioneller Spieler. Und das war doch jeder mit diesem. Ähm. Zeitliche Unterschiede dieser TD Lambda Algorithmus. Also es würde dann denken okay, wo bekomme ich die meisten Punkte? Das mache ich. Aber ab und zu macht es dann auch wirklich etwas zufälliges, etwas wirklich at random, um dann herauszufinden okay, bringt es mich das dann auch noch weiter? Und so hatte das Spiel dann eigentlich oder wie die Maschinen dann eigentlich gelernt, wie er die meisten Punkte sammeln konnte in diesem Spiel. Und es funktioniert auch bei viele andere Spiele. Aber es hatte dann ein Spiel gegeben, da hat sie die künstlichen Intelligenz es gar nicht geschafft und diesem Spiel war und ist nun mal Revanche aus. So das ist einen Azteken Tempel. Man ist dann zu diesem Figur ein Entdecker in diesem Tempo. Man muss dann so 24 Zimmer durch. Mit Hindernissen und nur dann kommt man aus dem Tempo, kommt man ins Freie und da hat man dem Spiel ausgespielt und gewonnen hat. Aber da. Da konnte die KI gar nicht klar kommen. Erste Wirklich gar keine Ahnung, wie das zu schaffen. Und dann hat man das Spiel oder die KI hatte man drei Wochen spielen lassen damit. Aber nach drei Wochen war es nur noch in dem zweiten Zimmer gekommen und gar nicht weiter. Und die Frage war dann ja, wieso funktioniert es dann eigentlich so gut? Bei uns funktioniert es gar nicht, dann in einem Spiel, wie man das schon mal frequent. Und das war eigentlich hier. Ähm, ja. Wenn man da etwas macht, hat es schon eine große Chance, dass diese Videospielperson das. Sie stirbt. Man macht etwas und man stirbt. Und dann muss man mehr von neu anfangen. So, diese Idee von Versuch und Irrtum. Eigentlich hat Random etwas ausprobieren, leitete da eigentlich immer dazu, dass die Figur getötet werde und das leidet. Das führte dann auch eigentlich dazu, dass die künstliche Intelligenz dachte okay, wir bleiben einfach. Am Anfang stand Stehenbleiben war, dann haben wir auch nicht all diese Bestrafungen. Auch war es so, dass in diesem Spiel eigentlich ganz wenige Feedback war. Ganz wenige Belohnungen, damit die KI eigentlich auch nicht so gut herausfinden könnte. Ja, was sollte ich dann eigentlich machen? Und eine Frage, die die Leute sich dann gefragt haben Ist eigentlich okay, wie? Wie lernen Menschen das Spiel, um zu spielen? Wie? Wie? Wie machen sie das? Wie schaffen sie das? Und haben Sie vielleicht eine Ahnung? Denken Sie sich ein. Vielleicht spielen Sie noch Computerspiele. Vielleicht haben Sie das in der Vergangenheit gemacht. Was hat Ihnen dann dazu gebracht, um so in einem Spiel herauszufinden, wie das Spiel funktioniert? Vielleicht können Sie dazu noch etwas Gutes im Chat rein tippen. Was? Was funktioniert bei Menschen? Was bringt Menschen dazu, dann doch so herauszufinden? In ein ganz neues Computerspiel? Wie das dann geht, Wie das dann funktioniert. Haben Sie eine Ahnung? Ich nehme noch einen Schluck Wasser und dann können Sie kurz rein. Ja, da kommen schon einige einige Feedbacks. Norbert sagt zum Beispiel Muster Ich möchte so ein Muster erkennen. Hans sagt noch Erfahrung, aber Muster ist eigentlich am besten. Mit seinem Antworten Neugier pur. Genau das war genau das, was man dann herausgefunden hat und sagt Ja, wir Menschen würden bei so einem Spiel. Ja, wir möchten einfach wissen, was passiert, wenn wir die Spielfigur nach rechts bringen, Hüpfer nach unten gehen. Was wird dann eigentlich passieren? Also wir Menschen sind neugierig. Und deshalb können wir dann weiterkommen. Und ja, dann sind eigentlich so die die Computerwissenschaftler auch reingetaucht in die Welt der Menschen. Wieso möchte Menschen lernen, was bringt Menschen dazu zu lernen und dann in diesen in diesem Welt ist eigentlich ja was ist eigentlich die einzige Motivation des Menschen? Und das ist die Neugier und die Neugier? Besteht dann eigentlich daraus, dass wir Neuheit etwas Neues. Danach sind wir neugierig, aber wir möchten auch so einen einen Aspekt von Überraschung haben und es bringt dann auch etwas mit sich von Beherrschung. Und. Wenn sie dann in die künstlichen Intelligenz so einen Aspekt von Neuheit reingebracht hatten, haben sie geschaut okay, was wird die künstliche Intelligenz dann machen? Also die künstliche Intelligenz bekommt dann einen Erkundungsbonus. Also sie haben dann etwas rein gemacht, damit die künstliche Intelligenz dafür belohnt würde, wenn es etwas Neues machen würde. Also etwas was, was es noch nie gemacht hätte. Und Sie haben dann herausgefunden Eigentlich ja, War das Verhalten von Die künstliche Intelligenz dann auch so ein wenig menschlicher? Also hier wie gesagt, die künstliche Intelligenz. Dann einen Bonus, eine weitere Belohnung, wenn es eine Aktion machen würde, die es vorher nicht gemacht hätte. Dann haben Sie auch noch geschaut. Okay. Können wir noch etwas von diesem Überraschung reinbringen? Außer wir Menschen sind neugierig. Für mich dann auch gerne mal so einen Überraschung herausfinden war. Wir sind neugierig auf Dinge, die uns rät zu aufgeben. Das kann etwas zu tun haben mit einem gewissen Reiz, aber wir möchten auch gerne so Zweideutigkeiten auflösen, nämlich den Informationen Gewissen. Und da hatte man dann auch einem Prinzip von dieser Vorhersage Fehler aus Wort Belohnungssignal benutzt. Und hat man das dann auch in diesem künstlichen Intelligenz reingebracht? Und ähm, dann hat es noch auch etwas zu tun mit Beherrschung. Und da haben Sie eigentlich herausgefunden zu beherrschen müssen wir gar nicht den Spion reinbringen war wie sehen schon das haben wir diesem Aspekt von Neuheit und Überraschung in der künstlichen Intelligenz reinbringen, dann wird die künstliche Intelligenz schon besser. Also schon Neuheit Schauen, was uns Menschen motiviert. Wir möchten gerne etwas Neues herausfinden, nämlich den Gehirnen so eine Art von Überraschung haben. So herausfinden funktioniert es so wie wir denken, dass es funktioniert. Und nur das bringt uns dann auch schon dazu, dass wir Sachen beherrschen können, dass wir kompetent werden, äh, uns zum Beispiel mit diesem Neuheit und Überraschung dann der Motor, die künstliche Intelligenz eigentlich nicht sterben mehr im Spiel war. Das war langweilig. Und dann war wir wieder am Anfang genommen und am Anfang gar, da war er schon so das war langweilig. So mit diesem Prinzipien von Neuheit und Überraschung, steigerte dann auch die Beherrschung, steigerte dann auch die Kompetenz. Und wenn wir uns dann die Stadt ansehen, also wenn wir zuerst nur die künstliche Intelligenz hatten und er hat in diesem Prinzip von Belohnungen und Strafe, dann haben wir gesehen, nach drei Wochen Spielen war es nur in einen zweiten Zimmer gekommen. Also in diesem Spiel, dieser Mensch hatte es so 24 zeigt das richtig auf 24 Zimmer in einen Azteken Tempel, der es durchqueren müsste um zum Ende von Spiel zu kommen. Und zuerst hat es dann drei Wochen war es nur in Zeiten zurückgekommen. Wenn es dann diesem Neuheit Bonus dabei ja reingebracht war in diesem Algorithmus, dann würde das Lernen schneller und erreichte diesen Agents außer der Agents aus künstlichen Intelligenz schon die 15. Szene. Und wenn dann auch diesem Aspekt der Überraschung reingebracht würde bei der künstlichen Intelligenz, dann schaffte er das immer, wir 20 bis 22 Komma zu erkundigen. Und in ein Probelauf hat er sogar auch das Spiel beendet. Und zwar eigentlich ja. Wenn wir uns dann anschauen, wie kann man eine Maschine etwas lernen? Haben wir uns gesehen. Okay, für die Bilderkennung können wir da einen eine künstliche Intelligenz füttern mit einer Menge von Trainingsdaten. Aber wenn wir etwas anderes machen möchten, zum Beispiel für diesem Backgammon Spiel, brauchen wir einen anderen Ansatz, dann brauchen wir diesen Ansatz von diesem Lernen mit Strafe und Belohnung. Manchmal etwas ausprobieren, schauen. Bekomme ich da eine Belohnung? Wenn ja, mache ich mir von diesem Verhalten aus auch das ist eine Art und Weise. Aber hier haben wir dann auch einem Beispiel gesehen. Ja, genau wie wir Menschen lernen, was was uns motiviert zum Lernen. Diese Neugier, diese Neuheit, diese Überraschung auch das ist dann etwas, was wir in die künstlichen Intelligenz reinbringen können. Dann ist noch die Frage ja, was machen wir dann eigentlich, wenn es um die reale Welt geht? Und dann kommen wir jetzt zum Beispiel zu selbstfahrenden Autos, also wenn wir einen Auto haben möchten, diese Autos fahren kann, wie können wir die Intelligenz dann so machen von diesem Auto, das ja das richtig machen wird Und ja, dann können wir als es machen mit Bilderkennung, mit Muster erkennen. Das wäre eine Möglichkeit. Aber da muss man wirklich eine riesige Menge vom Wahrsager da reinbringen. Man kann auch etwas machen. Genau, was wir gesehen habe mit Algorithmus bisher mit etwas, mit Zufallsoptionen, aber eigentlich mit Autofahren möchten wir doch nicht so gern etwas machen. Mit Versuch und Irrtum war Mit Autofahren möchte er doch auch keine Fehler machen und keine Unfälle verursachen. Ähm, möchten wir dann, dass es dann eine künstliche Intelligenz ist, die die Vorhersage macht und das dann testet? Auch das möchten wir eigentlich nicht so gern haben war auch hier möchte wir die die Zahl der Fehler reduzieren und Neugierde ja ist auch eigentlich die Frage wie das funktionieren bei ein selbstfahrendes Auto also möchten wir ein Auto haben. Die Neugier ist vielleicht doch auch nicht so, wir möchten auch nicht, dass das Auto an den Kopf. Ich werde hier mal links gehen und schauen, was dann passiert. Also da brauchen wir einen anderen Ansatz. Was dieser Ansatz ist. Dann werde ich hier heute doch mit einem Cliffhanger beenden. Das kommt dann in einem nächsten Webinar. Das kommt dann im Juli. Das ist auch eigentlich auch wieder ein Thema an sich und das geht, denke ich, ein bisschen zu weit oben. Werde ich ihnen allen so über YouTube füttern mit Informationen, außer das kommt in eine nächste Webinar in Juli Kommen wir weiter dazu gehen wir weiter mit diesem Thema. Schauen wir uns an, was ist heute noch alles möglich, um die künstliche Intelligenz Sachen zu lernen. Und dann schauen wir uns auch an Was ist dann eigentlich jetzt wie Stand der Dinge? Genau. Also das kommt so Anfang. Mitte Juli, dieses Webinar. Ja. Ähm. Wenn Sie Fragen haben, einfach im Chat tippen. Ich hoffe, ich konnte sie so mitnehmen auf diese Zeitreise. Ich konnte sie so einige Einblicke in wie die künstlichen Intelligenz sich entwickelt hat, was auch geleitet hat zur Durchbrüche, wo es dann stecken bleiben war, kann Ihnen somit verschiedene Blickwinkel inspirieren, wie man eine Maschine etwas lernen kann Und vielleicht können Sie auch dann noch etwas davon mitnehmen, wenn Sie daran denken. Wenn Sie zum Beispiel an der Männer machen für Ihre Kunden. Wenn Sie einen Trennung machen für Ihre Kunden, vielleicht können Sie dann auch etwas davon mitnehmen. Und diese Prinzipien? Können Sie etwas von diesem Neugier Prinzip da reinbringen? Können Sie etwas mit Beispieldaten reinbringen? Können Sie etwas von dieser andere Prinzipien benutzen, die dann auch benutzt werden in maschinelles Lernen? Genau. Wenn Sie Fragen haben bin sehe ich gibt es auch noch hier im Chat. Wenn Sie selbstständig auch immer schreiben an Support, Swissmedmarketing und com. Genau. Ich werde auch gleich noch im Chat lesen, was da noch reingekommen ist. Aber wenn Sie Fragen haben, können Sie auch immer mehr schreiben. Ja, und wenn wir uns dann anschauen die Weise Webinar diese Woche. Morgen haben wir noch ein Probecockpit Webinar. Ist wohl eher ein Fortgeschrittenenseminar und wir haben das Ninja Webinar für unsere Webseiten. Die Leute, die Webseiten in unserem Internet Programm bauen und dazu Fragen haben. Da freue meine Kollegen sich, ihnen dazu weit zu helfen beim Ninja Webinar und wir werden nächste Woche. Am Montag haben wir wieder ein allgemeines Copycockpit Webinar und am Dienstag, den wir in unserer Akademie weiter das Thema Google als Wir sind diese Woche angefangen mit das Thema Google ADS mit einem Schritt für Schritt Anleitung, wie Sie selbst Ihre eigenen Google einschalten können. Nächste Woche gehen wir damit weiter und dann schauen wir uns an Wie können Sie Anzeigen erstellen, die gut funktionieren auf Google ADS? Das ist alles, was wir noch geplant haben. Wenn Sie auch noch weitere Interesse haben an diesem Thema Künstliche Intelligenz oder Self auch besser verstehe, möchten, wie Sie Ihre Eingaben am besten steuern für die künstliche Intelligenz? Meine Kollegen Jamie und Olivia arbeiten auch dran, einen Workshop so vorzubereiten, um Anfang Juli dann auch verschiedene Webinare zu machen. Zum Thema okay, wie können Sie die künstlichen Intelligenz trainieren? Also auch zum Beispiel, wenn Sie mit dabei sind, Wie machen Sie Ihre Eingaben so gut wie möglich? Aber auch wenn Sie mit Copycockpit arbeiten, mit Copy Cockpits, um selbst Apps zu erstellen, wie Wie machen Sie das dann am besten? Also dazu kommt auch noch einiges in Juli. Ähm. Ich schaue noch kurz im Scherz, was da reingekommen ist. Ich hol auch noch mal kurz kurz den Schirm weg. Auch immer noch schön, die Gesichter zu sehen, statt nur die Folien. Ähm, genau. Vielen Dank fürs Feedback auch. Ist auch noch eine lustige Konversation da dazu zu. Wer gerne Videospiele spielt und wer nicht, wer gerne Computerspiele spielt und wer nicht. Wer schon seine Großpapa gewonnen hat und welche Emotionen das dann geweckt hatte. Ähm. Genau. Ich schaue noch kurz. Gerd sagte noch die Frage Was ist mit dem Thema Ethik und Moral? Das ist ein Thema, was wir in zwei Monaten, wenn ich es richtig sage, was dann noch kommt. Dann zeige ich doch wieder die Folie. Genau. Äh, also jetzt haben wir also diesen B bestochen wie Maschinen. Dann, im Juli sprechen wir über das Thema Was ist eigentlich der Stand jetzt der künstlichen Intelligenz? Und im August kommen wir dann mit Verena zu Ethik und Moral. Die künstliche Intelligenz. Schauen wir uns auch noch so Risiken und Gefahren an, in. September sprechen wir dann auch über Politik und Gesetze. Sprechen wir zum Beispiel auch über Datenschutz, über Copyright und andere rechtlichen Aspekte, die vielleicht für Ihr Unternehmen relevant sind. Und dann später im Herbst kommen wir auch noch mit dieser weiteren Themen. Also das ist alles, was wir noch geplant haben, aber das sind wirklich einzelne Webinare. War ja auch über Ethik und Moral. Wäre schade um das nur in ein paar Minuten noch hier rein zubringen. Genau. Günther hat noch ein paar Fragen für eine weitere Beispiele für Belohnungen oder Bestrafungen. Äh, ja, ich. Ich würde sagen, das ist wirklich auch so diese Idee von diese Taube, wenn Sie eine oder wenn Sie selbst zum Beispiel eine Hund oder eine Katze haben und Sie würde dieses Tier etwas lernen möchten, wie wie würden Sie dann umgehen? Mit Belohnungen und Bestrafungen, damit Sie es lernen können? Und dann können Sie wirklich so auch an diese Pseudo Belohnungen denken und sagen okay, wenn es dann einen Schritt in die richtige Richtung geht, werde ich das belohnen. Ähm, aber ja, denke immer dran, kann es nicht so sein, dass die Katze dann denkt okay, ich muss nur einen Schritt vorwärts machen und dann habe ich meine Belohnung und bleibe. Ich sitze und ich mache nichts weiteres. Das ist wirklich, wirklich gut aufbaut in Ihren Endziel. Genau. Vielleicht das noch dazu. Ja dann, Ähm. Vielen, vielen Dank für alle Rückmeldungen im Chat. Vielen Dank auch, dass Sie heute dabei waren, dass Sie mit mir diese Zeitreise gegangen sind. Ich hoffe, es hat Ihnen auch ein wenig Spaß gemacht. Mehr hat es auf jeden Fall Spaß gemacht. Um also diese Sache weiter herauszufinden, dann einzutauchen und ja, wie gesagt. Vielen Dank, dass Sie heute dabei waren. Ich wünsche Ihnen allen noch einen sehr schönen Tag. Genieße die Sonne auch noch und wir sehen uns bald wieder. Tschüss.