Please enable JavaScript.

Coggle requires JavaScript to display documents.

Was geht mit KI, Was nicht - Coggle Diagram

- - - - Siri, Alexa, Übersetzungen
        
        :check:
    - - Beispiel Email Routing anhand von Betreff
        
        Funktioniert gut, wenn kurzer Text und weniger Zielklassen :check:
        
        Schwierig, wenn langer Text oder viele Zielklassen :explode:
    - - Aus langen Texten (Verträgen) Textpassagen extrahieren :explode: :explode:
        
        Jeder Text anders
        
        In der Regel zu wenig Daten
        
        Struktur sehr hetrogen
        
        Nur mit Spezialanbieter für solche Lösungen
      - Papier->Scan->KI
        :no_entry:
        Falsche Priorität: Erst Digitalisierung, dann KI
    - - Extreme viele Daten sind verfügbar (google, Apple, etc)
      - Wenige aber präzise Zielklassen
        (Wenn nur eine Antwort richtig ist, dann dürfen es nur wenig Klassen sein)
      - Mögliche überlappende Zielklassen
        (Viele Antworten sind möglich, kleine Fehler sind verzeihbar)
  - - - Anpassung auf andere Anwendungsfälle aber häufig mit Problemen :fire:
      - In der Regel:
        
        Im allgemeinen massive Menge an Daten notwendig
        
        Trainingsdaten sind wichtig und oft schwer zu bekommen
        
        Künstlich Daten erzeugen :check:, aber dann Validierung mit realen Bildern aus dem Zielprozess wichtig
        
        TransferLearning :check:, aber dann mit realen Bildern aus dem Zielprozess validieren
      - Bilder raten
        https://quickdraw.withgoogle.com/
    - - Im allgemeine überraschend gute Ergebnisse :check:
      - Bekannte Beispiel:
        Videoverfälschungen, KI Art, etc
      - In der Regel sind massive Datenmengen notwendig
      - Merkmal:
        
        Präzision ist nicht wichtig.
        
        Fehler werden nicht als solche wahrgenommen, weil es kein "richiges Ergenis" gibt :warning:
  - - - :check:
      - Beispiel:
        Vorhersage des Energiebedarfs
    - - :check:
      - Aufgrund des Online-Verhaltens ist Kunden interessiert sich Kunde wahrscheinlich am meisten für Produkt X
    - - Einkommen des Haushaltes X
      - :check:
  - - - Schwierigkeiten:
        
        Validierung der KI
        
        Es kann nur der Mainstream in den Daten gelernt werden, alles was selten ist, ist anomal. Muss aber nicht "fraud" sein.
      - Modellierung der Zielgröße; Idealerweise inkl. Sicherheitsinterval
        
        Alle Regressionsansätze
        
        Auto-Encode Ansätze (Spezielle Neurale Netze)
    - - Standard-Ansätze
        
        Klassifikations-Ansätze
        
        Logistische Regression
        
        Boosting Trees
        
        Neural Nets
        
        ...