Seite - 63 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

iit-Themenband – Künstliche Intelligenz 63 Unabhängig von der Modellierung des Erkenntnisprozesses erfolgt die Umsetzung der Kombination von Visual Analytics und maschinellem Lernen. Hierfür orientieren sich die Methoden an den vier Hauptverfahren Regression, Klassifikation, Clustering und Dimensionsreduktion (Einleitung Teil A). Interaktive Systeme erlauben die Modi- fizierung der verwendeten Algorithmen durch eine Anpassung der Parameter, der Vergleichswerte oder der zugrundeliegenden Algorithmen selbst. Dabei können die Nutzerinnen und Nutzer auf einer graphischen Benutzeroberfläche Datenpunkte, Variablen und Parameter sehen, Datenbereiche auswählen, Algorithmen nur auf diese Teilbereiche anwenden und sich im Anschluss die Auswirkungen auf die analy- sierten Daten anschauen. Ziel ist es, das Expertenwissen und die Algorithmen in Einklang zu bringen und im Falle einer Abweichung den Algorithmus möglichst effektiv anzupassen. Ein anschauliches Beispiel für diese Verfahren stammt aus einem Video der Firma Enlitic (Howard 2014). Hier werden Bilder anhand eines interaktiven Clusterverfahrens in wenigen Minuten sortiert, indem das Computersystem dem Nutzer immer wieder die Ergebnisse vorführt und dieser die Wichtigkeit und Unwich- tigkeit bestimmter Merkmale hervorhebt. Die Zusammenarbeit erinnert an die Arbeit eines Forensikers, dem stets nur die relevanten Ergebnisse präsentiert werden und der dann darin Zusammenhänge erkennt. Dimensionsreduktion und GAN Ein Verfahren, das sich insbesondere um das Verständnis von Zusammenhängen bemüht, ist das der Dimensionsreduktion. Damit ist gemeint, dass ein hochdimensi- onaler Parameterraum durch einen kleineren Parameterraum möglichst so abgebil- det wird, dass dabei keine Informationen verloren gehen. Dabei sind die Variablen des kleineren Parameterraums lineare Kombinationen oder nicht lineare Kombinati- onen der ursprünglichen Variablen. Die Verwendung lässt sich am Beispiel Bilderken- nung anschaulich erklären. Für diese Anwendung werden Algorithmen des maschi- nellen Lernens, insbesondere Neuronale Netze, auf die Erkennung von Bildern trai- niert. So können diese Netze aus vielen Bildern sehr treffsicher beispielsweise Hunde oder Gesichter erkennen (Einleitung Teil A). Im Prozess wird ein Bild und somit ein hochdimensionaler Raum, der aus Informationen über Position und Farbwert eines jeden Bildpunktes besteht, durch einen kleineren Raum abgebildet, der nur die Infor- mation enthält, was auf dem Bild zu sehen ist. Das komplexe hochdimensionale Bild wird auf eine einfachere Information reduziert, die beispielsweise nur abbildet, ob es sich um einen Hund oder Elefanten handelt (siehe Abbildung 3.2). Man kann diesen Prozess auch umkehren und herausfinden, welche Merkmale eines Bildes denn einen Hund ausmachen oder charakterisieren, beziehungsweise aus wel- chen Parametern welches Hundebild entsteht. Hierfür sind insbesondere die GAN sehr hilfreich, da sie helfen, diejenigen Eingabeparameter zu entdecken, die ein