Schulungs-Ppt für maschinelles Lernen in Aktion mit Anwendungsfällen aus der realen Welt

Folie 3

Auf dieser Folie wird die Bedeutung der Sprachübersetzung erörtert, da sie ein Kommunikationsmittel ist, das Menschen aus verschiedenen mehrsprachigen Gemeinschaften verbindet. Es betont auch die entscheidende Bedeutung der Entwicklung innovativer technischer Lösungen für das uralte Problem der digitalen Kluft, die durch sprachliche Einschränkungen verursacht werden kann.

Folie 4

Auf dieser Folie wird Google Translate als Anwendungsfall der automatischen Sprachübersetzung durch maschinelles Lernen erläutert. Google Translate ist ein mehrsprachiges Übersetzungstool, das Google kostenlos zur Verfügung stellt. Es verfügt über eine Website-Schnittstelle sowie mobile Android- und iOS-Apps, und Entwickler können seine Anwendungsprogrammierschnittstelle (API) verwenden, um Browsererweiterungen und Software-Apps zu erstellen.

Anmerkungen des Kursleiters:

Google Translate bedient täglich über 500 Millionen Menschen und übersetzt über 100 Milliarden Wörter pro Tag.

Folie 5

Auf dieser Folie wird Microsoft Translator als Anwendungsfall der automatischen Sprachübersetzung mithilfe von maschinellem Lernen vorgestellt. Microsoft Translator ist ein mehrsprachiger Cloud-Dienst für maschinelle Übersetzung (MT), der mit Verbraucher-, Entwickler- und Unternehmensanwendungen funktioniert.

Folie 6

Auf dieser Folie geht es um den Facebook Translator, ein weiteres Tool zur automatischen Sprachübersetzung. Facebook Translator (FT) hat ein neues Übersetzungstool und einen neuen Ansatz eingeführt, mit dem Benutzer die Website in ihre Sprachen übersetzen können. Es unterstützt über 100 Sprachen.

Folie 7

Auf dieser Folie werden Einschränkungen der automatischen Sprachübersetzung aufgeführt, z. B. der Verlust des prägnanten Elements des Inhalts, zweifelhafte Korrektheit der Übersetzung, mangelnde Präzision, schlechte Qualität und technologische Einschränkungen.

Anmerkungen des Kursleiters:

• Der Inhalt verliert sein prägnantes Element: Durch die Verwendung eines alternativen Wortes für jedes Wort in der Ausgangssprache verwässern maschinelle Übersetzungstechniken die Prägnanz der Informationen, wodurch die Kommunikation langwierig wird, den Leser beleidigt und seinen Fokus vom Hauptziel des Textes ablenkt
• Zweifelhafte Korrektheit der Übersetzung: In jeder Sprache ist Genauigkeit ein Muss für eine effektive Kommunikation. Daher ist es wichtig, sich daran zu erinnern, dass die Integrität des Inhalts bei der Übersetzung eines Dokuments in eine andere Sprache niemals geopfert werden sollte. Während des Übersetzungsprozesses kann die maschinelle Übersetzung die Genauigkeit des Textes nicht aufrechterhalten
• Mangelnde Präzision: Computergestützte Übersetzungen (CAT) können hinsichtlich der Genauigkeit bei der Übersetzung mehrdeutiger Terminologie nicht mit menschlichen Übersetzungen mithalten können. Menschliche Übersetzer mit umfassender Erfahrung können garantieren, dass die übersetzten Materialien korrekt, exakt und konsistent sind
• Schlechte Qualität: Die geringe Qualität des übersetzten Textes ist ein grundlegender Nachteil der maschinellen Übersetzung. Maschinelle Übersetzungen können den Text nicht in den richtigen Kontext bringen, und menschliche Übersetzer müssen kulturelle Bezüge, umgangssprachliche Redewendungen, Fachjargon und andere Nuancen berücksichtigen
• Technologische Einschränkungen: Viele Speziallösungen in diesem Bereich können nicht bearbeitet werden, da die maschinelle Übersetzung systematischen Prinzipien folgt. Maschinelle Übersetzung kann keine Dateiformate wie PDF, DOC und TXT übersetzen

Folie 8

Diese Folie veranschaulicht die Bedeutung des maschinellen Lernens in der medizinischen Diagnose. Künstliche Intelligenz und maschinelles Lernen haben sich in den letzten Jahren zu wichtigen Werkzeugen zur Lösung komplizierter Fragestellungen in den Disziplinen entwickelt. Insbesondere die durch maschinelles Lernen unterstützte Diagnose hat das Potenzial, das Gesundheitswesen zu revolutionieren, indem sie riesige Mengen an Patientendaten nutzt, um genaue und maßgeschneiderte Diagnosen zu stellen.

Folie 9

Diese Folie zeigt, wie maschinelles Lernen das Diagnosemodell basierend auf den Informationen, die klinische Daten liefern, verbessern kann. Die Informationen umfassen alles von klinischen Symptomen bis hin zu biochemischen Tests und bildgebenden Geräten.

Hinweise des Dozenten: Datentypen, die mithilfe von maschinellem Lernen für eine präzise medizinische Diagnose verwendet werden können, sind:

• Krankheitsdaten: Physiologische Messungen und Daten zu erkannten Krankheiten oder Symptomen sind Beispiele für Krankheitsdaten
• Umweltdaten: Informationen darüber, wie eine Person der Umwelt ausgesetzt ist, z. B. Rauchen, Sonnenbaden und Wetterbedingungen
• Genetische Daten: Die gesamte DNA-Sequenz einer Person oder ein wesentlicher Teil davon wird als genetische Daten bezeichnet

Folie 10

Auf dieser Folie werden die Vorteile des maschinellen Lernens in der medizinischen Diagnose aufgeführt, z. B. das Auffinden von Risikofaktoren, eine höhere Diagnoseeffizienz und die Reduzierung unnötiger Krankenhausbesuche.

Anmerkungen des Kursleiters:

• Risikofaktoren finden: Finden Sie heraus, welche Faktoren am engsten mit der Wahrscheinlichkeit einer Erkrankung verbunden sind
• Diagnoseeffizienz steigern: Krankheiten können früher und präziser diagnostiziert werden
• Reduzieren Sie unnötige Krankenhausbesuche: Krankenhausbesuche sollten nur dann durchgeführt werden, wenn der Patient tatsächlich medizinische Hilfe benötigt

Folie 11

Diese Folie beleuchtet Anwendungen des maschinellen Lernens in der medizinischen Diagnose. Zu diesen Anwendungen gehören Pathologie, Onkologie, Genetik und Genomik, Dermatologie und psychische Gesundheit.

Anmerkungen des Kursleiters:

• Pathologie: Angesichts des weltweiten Mangels an Pathologen gibt es gute Gründe dafür, maschinelles Lernen zur Weiterentwicklung dieser Disziplin einzusetzen. Aufgrund der Notwendigkeit, umfangreiche Datensätze zu analysieren, ist die Pathologie auch für Anwendungen der künstlichen Intelligenz profitabel. Maschinelles Lernen kann die Präzision der Blut- und Kulturanalyse verbessern, indem es die Quantifizierung von Gewebe und Zellen automatisiert, Krankheitszellen kartiert und interessante Bereiche auf einem medizinischen Objektträger markiert. Es kann auch dazu beitragen, Paradigmen für das Tumor-Staging zu entwickeln und die Geschwindigkeit des Profilscans zu erhöhen, um die Produktivität von medizinischem Fachpersonal zu steigern
• Onkologie: In der Onkologie ist die frühzeitige Erkennung eines bösartigen Tumors von entscheidender Bedeutung, weshalb diagnostische Genauigkeit und Präzision von entscheidender Bedeutung sind. Onkologen können maschinelles Lernen nutzen, um Krebs im Frühstadium zu erkennen. Medizinische Experten können somatische Mutationen mithilfe von Techniken wie DeepGene erkennen (eine somatische Mutation ist eine erworbene Veränderung im genetischen Code einer oder mehrerer Zellen).
• Genetik und Genomik: Maschinelles Lernen und künstliche Intelligenz (KI) sind wesentliche Bestandteile der präventiven Genetik. Wissenschaftler nutzen Algorithmen, um zu bestimmen, wie Medikamente, Chemikalien und Umweltvariablen die menschliche DNA beeinflussen
• Dermatologie: Ärzte gehen davon aus, dass der Einsatz von maschinellem Lernen in dieser Disziplin die Anzahl unnötiger Biopsien reduzieren wird, die Dermatologen durchführen müssen. Es stehen funktionale Implementierungen des maschinellen Lernens zur Verfügung, darunter ein Algorithmus, der Melanome mit größerer Präzision als ein Mensch von gutartigen Hautläsionen unterscheidet, sowie Tools, die die Entwicklung und Veränderungen von Hautmalen verfolgen. Es kann auch bei der Erkennung pathologischer Zustände und Algorithmen helfen, die biologische Marker für Akne, Nagelpilz und seborrhoische Dermatitis lokalisieren
• Psychische Gesundheit: Durch maschinelles Lernen kann künstliche Intelligenz einen revolutionären Einfluss auf die Forschung im Bereich der psychischen Gesundheit und die Effizienz der medizinischen Diagnostik haben. Personalisierte kognitive Verhaltenstherapie (CBT), unterstützt durch Chatbots und virtuelle Therapeuten, und die Prävention psychischer Erkrankungen mithilfe von Techniken des maschinellen Lernens können Hochrisikogruppen dabei helfen, soziale Isolation zu vermeiden. Es kann auch dabei helfen, Gruppen mit hohem Suizidrisiko zu identifizieren und ihnen Unterstützung und Hilfe zu bieten. Maschinelles Lernen wird zur Diagnose klinischer Depressionen, bipolarer Störungen, Angstzuständen und anderer psychischer Erkrankungen eingesetzt

Folie 12

Diese Folie beleuchtet Anwendungen des maschinellen Lernens in der medizinischen Diagnose. Zu diesen Anwendungen gehören Neurologie, Intensivpflege, Augenheilkunde, Diabetes und öffentliche Gesundheit.

Anmerkungen des Kursleiters:

• Neurologie: Die Einbeziehung maschinellen Lernens in die Sammlung, Verarbeitung und Interpretation von Forschungsdaten kommt den Neurowissenschaften und der Neurologie zugute. Innovative Technologien sind von entscheidender Bedeutung, um die Grenzen der neurologischen Forschung voranzutreiben, von der Verarbeitung von Scans über die Bereitstellung von Einblicken in das menschliche Gehirn bis hin zur Erkennung von Verhaltensmustern
• Intensivpflege: Auf der Intensivstation kann maschinelles Lernen Ärzten dabei helfen, Hochrisikopatienten zu identifizieren und sicherzustellen, dass keine frühen Anzeichen einer Verschlechterung ignoriert werden. Innovative Technologien können Ärzten Informationen über die Gesundheit ihrer Intensivpatienten bieten. Intensivmediziner haben beispielsweise herausgefunden, dass delirante Patienten durch den Einsatz von Technologie besser auf Licht (als auf Lärm) reagieren
• Augenpflege: Zu den neuesten Entwicklungen, die Gesundheitszentren nutzen, gehören KI-gesteuerte Sehtest-Tools, die dabei helfen, eine medizinische Point-of-Care-Diagnose auf der Grundlage von maschinellem Lernen für ophthalmologische Erkrankungen zu erstellen. Es hilft auch bei der Erkennung diabetischer Retinopathie und liefert Ärzten Erkenntnisse über die Behandlung durch die Auswertung von Patientendaten. Mit der Implementierung von maschinellem Lernen können auch hochpräzise Glaukom- und Katarakt-Screenings durchgeführt werden
• Diabetes: Maschinelles Lernen kann in diesem Bereich durch den Einsatz von Vektormaschinenmodellen und die Entwicklung neuronaler Netze für das Prä-Diabetes-Screening, die Einrichtung von Tools für die Steuerung einer maßgeschneiderten Insulinabgabe und die Schaffung künstlicher Bauchspeicheldrüsensysteme hilfreich sein. Es kann dabei helfen, genetische und andere Indikatoren für Diabetes zu identifizieren und behandelbare Probleme bei Diabetikern vorherzusagen, um deren Lebensqualität zu verbessern
• Öffentliche Gesundheit: Mitarbeiter im Gesundheitswesen können maschinelles Lernen nutzen, um den Umfang der medizinischen Diagnostik zu erweitern und von der Untersuchung einzelner Fälle zur Überwachung von Gemeinschaften und zur Antizipation von Krankheitsausbrüchen überzugehen

Folie 13

Diese Folie zeigt die Spitzenreiter im Bereich der medizinischen Diagnose, die maschinelles Lernen implementiert haben. Dazu gehören Google Health, Corti, IBM Watson Health und MedX.

Anmerkungen des Kursleiters:

• Google Health: Google Health hat sich mit dem DeepMind-Team zusammengetan, um einen Algorithmus zur Brustkrebsdiagnose zu entwickeln. Das daraus resultierende System war ein großer Erfolg und übertraf menschliche Radiologen hinsichtlich der diagnostischen Präzision
• Corti: Corti ist eine KI-basierte Software, die Notärzte dabei unterstützt, Informationen aus Patienteninteraktionen zu extrahieren. Neben der Auswertung des Gesprächsinhalts zeichnet das System auch den Stimmton des Anrufers auf und analysiert Hintergrundgeräusche, um dem medizinischen Personal ein vollständiges Bild der Lage vor Ort zu vermitteln
• IBM Watson Health: Watson Health hat kürzlich ein innovatives Programm zur Früherkennung von Brustkrebs vorgestellt. Auch Biorasi, eine Plattform zur Optimierung der Arzneimittelherstellung, wurde vom Unternehmen entwickelt
• MedX: Dieses Unternehmen aus dem Silicon Valley revolutioniert das Gesundheitswesen mithilfe von Datenwissenschaft und prädiktiver Analyse. Anstatt sich auf den direkten Kontakt zwischen Ärzten und Patienten zu konzentrieren, bietet das Unternehmen Tools für intelligente operative Entscheidungen

Folie 14

Auf dieser Folie wird die Bilderkennung vorgestellt. Das Finden von interessanten Objekten in einem Bild und die Bestimmung, zu welcher Kategorie sie gehören, wird als Bilderkennung bezeichnet.

Hinweise für den Kursleiter: Die Bilderkennung ist eine Computer-Vision-Anwendung, die Aufgaben wie Objekterkennung, Bildidentifizierung und Bildkategorisierung umfasst.

Folie 15

Auf dieser Folie wird die Funktionsweise der Bilderkennung mithilfe von maschinellem Lernen erläutert. Techniken des maschinellen Lernens werden verwendet, um verborgenes Wissen aus einem Datensatz mit guten und schlechten Proben herauszufinden und so Bilder zu erkennen.

Hinweise des Dozenten: In Kombination mit robuster KI-Technologie und GPUs ermöglicht Deep Learning erhebliche Fortschritte im Bereich der Bilderkennung. Bildklassifizierungs- und Gesichtserkennungsalgorithmen mit Deep Learning erreichen bei der Objekterkennung in Echtzeit eine Leistung auf menschlichem Niveau.

Folie 16

Diese Folie veranschaulicht Bilderkennungsmodelle für maschinelles Lernen wie Support Vector Machines, Bag of Features-Modelle und den Viola Jones-Algorithmus.

Anmerkungen des Kursleiters:

• Support Vector Machines: SVMs funktionieren, indem sie Histogramme von Bildern erstellen, die die Zielelemente enthalten können oder nicht. Als nächstes vergleicht das Programm die trainierten Histogrammwerte mit denen von Teilen des Testbilds, um festzustellen, ob es Übereinstimmungen gibt
• Bag-of-Features-Modelle: Bag-of-Feature-Modelle wie Scale Invariant Feature Transformation (SIFT) und Maximally Stable Extremal Regions (MSER) funktionieren, indem sie ein Bild scannen und es mit einem Referenzfoto des zu entdeckenden Objekts vergleichen. Anschließend gleicht das Modell die Merkmale des Beispielfotos mit Regionen des Zielbilds ab, um festzustellen, ob es Übereinstimmungen gibt
• Viola-Jones-Algorithmus: Viola-Jones scannt die Gesichter von Personen und extrahiert Merkmale, die dann in einen Boosting-Klassifikator eingespeist werden. Als Ergebnis werden verstärkte Klassifikatoren erstellt und zur Überprüfung von Testfotos verwendet. Ein Testbild muss bei jedem Klassifikator ein positives Ergebnis liefern, um eine erfolgreiche Übereinstimmung zu finden

Folie 17

Diese Folie zeigt die Bilderkennungsanwendung für die Gesichtsanalyse. Der Video-Feed jeder Digitalkamera oder Webcam kann mit modernen Technologien des maschinellen Lernens verwendet werden, um gleichzeitig Gesichtserkennung, Gesichtshaltungsschätzung, Gesichtsausrichtung, Geschlechtserkennung, Lächelnerkennung, Altersschätzung und Gesichtserkennung durchzuführen.

Hinweise des Kursleiters: Computer Vision ermöglicht es Computern, durch Gesichtsanalyse Identität, Absichten, emotionalen und Gesundheitszustand, Alter und ethnische Zugehörigkeit zu bestimmen. Einige Fotoerkennungssoftware versucht sogar, mithilfe einer Bewertung den Grad der wahrgenommenen Attraktivität zu definieren.

Folie 18

Auf dieser Folie werden die auf maschinellem Lernen basierenden Bildidentifikationssysteme besprochen, die im Agrarsektor eingesetzt werden. Diese Systeme nutzen hochmoderne Werkzeuge, die darauf trainiert wurden, die Art des Tieres und sein Verhalten zu erkennen.

Folie 19

Auf dieser Folie wird die Spracherkennung als Anwendung des maschinellen Lernens vorgestellt. Es handelt sich um eine Funktion, die es einer Computersoftware ermöglicht, menschliche Sprache in Text umzuwandeln.

Folie 20

Diese Folie zeigt die Funktionsweise eines Spracherkennungssystems. Der dreistufige Prozess umfasst die Signalebene, die akustische Ebene und die Sprachebene, die ein analoges Signal in eine Transkription umwandelt.

Folie 21

Auf dieser Folie werden die wichtigsten Merkmale eines effektiven und effizienten Spracherkennungssystems aufgeführt. Zu diesen Funktionen gehören Sprachgewichtung, Akustiktraining, Sprecherkennzeichnung und Obszönitätsfilterung.

Anmerkungen des Kursleiters:

• Sprachgewichtung: Sie kann die Präzision verbessern, indem bestimmte Wörter gewichtet werden, die häufig verwendet werden, z. B. Produktnamen
• Akustikschulung: Diese ML-gesteuerten Systeme konzentrieren sich auf den akustischen Teil des Geschäfts. Es trainiert das System, sich an Sprechstile (wie Tonhöhe, Lautstärke und Tempo) und akustische Umgebungen (wie sie in Callcentern vorkommen) anzupassen.
• Sprecherkennzeichnung: Diese Systeme können eine Transkription eines Gesprächs mit mehreren Teilnehmern erstellen, die auf die Beiträge jedes Sprechers verweist oder diese markiert
• Obszönitätsfilterung: Filter können verwendet werden, um bestimmte Wörter oder Phrasen zu identifizieren und die Audioausgabe zu bereinigen

Folie 22

Auf dieser Folie werden Arten von Spracherkennungsalgorithmen dargestellt. Dazu gehören die Verarbeitung natürlicher Sprache, das Hidden-Markov-Modell, N-Gramme, neuronale Netze und die Sprecherdiagnose.

Anmerkungen des Kursleiters:

• Verarbeitung natürlicher Sprache: Während die Verarbeitung natürlicher Sprache (NLP) keine spezielle Methode zur Spracherkennung ist, handelt es sich um einen Zweig der künstlichen Intelligenz, der sich auf die Mensch-Maschine-Interaktion über Sprachen wie Sprache und Text konzentriert. Viele mobile Geräte verfügen über eine integrierte Spracherkennung, um Sprachsuchen durchzuführen (z. B. Siri) oder die Zugänglichkeit von Nachrichten zu verbessern
• Hidden-Markov-Modell: Hidden-Markov-Modelle ermöglichen es uns, versteckte Ereignisse in ein Wahrscheinlichkeitsmodell einzufügen, beispielsweise Wortart-Tags. Sie werden als Sequenzmodelle bei der Spracherkennung verwendet und weisen jedem Element in der Sequenz, wie Wörtern, Silben, Phrasen usw., Beschriftungen zu. Diese Beschriftungen erstellen eine Zuordnung mit der verfügbaren Eingabe und ermöglichen so die Identifizierung der relevantesten Beschriftungssequenz
• N-Gramm: Dies ist das grundlegendste Sprachmodell, bei dem Sätzen oder Phrasen Wahrscheinlichkeiten zugewiesen werden. Ein N-Gramm ist eine Sammlung von N Wörtern. Beispielsweise ist „Bestellen Sie die Pizza“ eine 3-Gramm-Phrase, während „Bitte bestellen Sie die Pizza“ eine 4-Gramm-Phrase ist. Grammatik und die Wahrscheinlichkeit bestimmter Wortfolgen werden genutzt, um die Erkennung und Genauigkeit zu erhöhen
• Neuronale Netze: Trainingsdaten werden mithilfe neuronaler Netze verarbeitet, die mithilfe von Knotenschichten die Vernetzung des menschlichen Gehirns nachbilden. Jeder Knoten besteht aus Eingaben, Gewichtungen, einer Vorspannung und einer Ausgabe. Wenn der Ausgabewert einen bestimmten Schwellenwert erreicht, wird der Knoten aktiviert und die Daten werden an die nächste Ebene des Netzwerks weitergeleitet. Durch überwachtes Lernen lernen neuronale Netze diese Zuordnungsfunktion und ändern sie dann mithilfe eines Gradientenabstiegs basierend auf der Verlustfunktion
• Sprecher-Diarisierung: Sprecher-Diarisierungsalgorithmen erkennen und segmentieren Sprache basierend auf der Identität des Sprechers. Dies ermöglicht es Programmen, zwischen Personen in einer Diskussion zu unterscheiden und wird häufig in Contact Centern verwendet, um zwischen Kunden und Kundenbetreuern zu unterscheiden

Folie 23

Diese Folie zeigt den IBM-Anwendungsfall der durch maschinelles Lernen gesteuerten Spracherkennung. Spracherkennungstechnologien und -dienste ermöglichen es IBM, komplizierte Geschäftsabläufe zu automatisieren und gleichzeitig wichtige Geschäftseinblicke zu gewinnen.

Anmerkungen des Kursleiters:

• IBM Watson Speech to Text: IBM Watson Speech to Text ist eine cloudbasierte Lösung, die Informationen über Grammatik, Sprachstruktur und Audio-/Sprachsignalzusammensetzung anwendet, um eine individuelle Spracherkennung für eine effektive Texttranskription zu generieren
• IBM Watson Text to Speech: IBM Watson Text to Speech liefert menschenähnliches Audio aus geschriebenem Text, erweitert die Zugänglichkeit über Sprachen und Interaktionsmodi hinweg und steigert die Kundenbindung und -zufriedenheit

Folie 39 bis 54

Diese Folien enthalten anregende Aktivitäten, um das Publikum der Schulungssitzung einzubeziehen.

Schieben Sie 55 bis 82

Diese Folien enthalten einen Schulungsvorschlag, der beschreibt, was das Unternehmen, das Unternehmensschulungen anbietet, für den Kunden erreichen kann.

Schieben Sie 83 bis 85

Diese Folien enthalten ein Schulungsbewertungsformular für den Kursleiter sowie eine Inhalts- und Kursbewertung.