Die Fortschritte, die die Künstliche Intelligenz im letzten Jahrzehnt gemacht hat, sind erstaunlich. Selbstfahrende Autos, Maschinen, die Go-Master schlagen, und Kameras, die Bilder pixelgenau kategorisieren, gehören dank daten- und labelgestütztem Deep Learning heute zur Tagesordnung. Trotz der beeindruckenden Fortschritte wird immer deutlicher, dass Deep-Learning-Netzwerke stark von ihren Trainingsbedingungen abhängig sind und unzuverlässig werden, wenn sie in realen Situationen eingesetzt werden, die sich in Bezug auf Daten, Labels und Ziele von denen unterscheiden, die beim Lernen verwendet wurden. Das einfache Hochskalieren aller Dimensionen beim Training scheint eine Sackgasse zu sein, nicht nur wegen der Rechen-, Speicher- und ethischen Kosten, sondern insbesondere, weil Menschen leicht in der Lage sind, robust und dateneffizient zu generalisieren. Es wurden mehrere Lernparadigmen vorgeschlagen, um die Grenzen des Deep Learning mit der Annahme von unabhängigen und identisch verteilten Zufallsvariablen zu umgehen. Sich verschiebende Datenverteilungen sollen durch Domänenanpassung und Domänenverallgemeinerung behoben werden, wechselnde Label-Vokabulare sind das Thema beim Zero-Shot-, Open-Set- und Open-World-Lernen, während unterschiedliche Ziele im Meta-Lernen und in kontinuierlichen Lernsystemen abgedeckt werden. Es gibt jedoch noch keine Lernmethodik, die dynamisch lernen kann, Domänen, Labels und Aufgaben gleichzeitig und dateneffizient zu generalisieren und anzupassen. Dies ist das ehrgeizige langfristige Ziel des „Real-World Learning“. Prof. Cees Snoek (ordentlicher Professor für Informatik an der Universität Amsterdam) wird einige erste Ansätze und Ergebnisse zur Erreichung dieses Ziels vorstellen.
Dienstag, 23.11.2021, 17:00 – 18:00 Uhr, Online-Event
Weitere Details: https://www.i-aida.org/events/1710/.
Dies ist ein Event von I-AIDA – International Artificial Intelligence Doctoral Academy.