AAI ab Kap. 7

Clustering = eine Kategorie von Algorithmen im maschinellen Lernen, die Daten in ähnliche Gruppen sortiert - je nach ausgewählter Clusteringtechnik kann ein anderweitiges Ergebnis resultieren.

-explorative Verfahren
-deskriptives maschinelles Lernverfahren
-Ziel: Identifikation möglichst homogener Muster-Gruppen im Datensatz
-kein Vorwissen über Daten notwendig
-keine feste Zielvariable gegeben
-kein vorhersagegetriebenes Lernverfahren

1. Kundensegmentierung
-Bestimmung von aussagekräftigen Kundensegmenten
-Zuschneiden individueller Aktionsangebote für individuelle Kundencluster
-Möglichkeit der gezielten Kundenansprache und des personalisierten Marketings
-Steiegrung des Umsatzes

2. Betrugserkennung
-Erkennung von ungewöhnlichen Transaktoinen
Durchführung von Ausreißeranalysen mittels Clustering
Bsp. für potentielle Indikatoren
-Eingabe korrekter Kartenprüfnummer
-Dimensionen der Geldsumme
-Details über IP-Adresse

1. Ableitung von Wissen/Mustern bezüglich der Ähnlichkeit von Datenpunkten
2. Ableitung von Wissen/Mustern über Ausreißer, welche sich im Vgl. zu anderen Daten anderweitig verhalten und nicht zu einer Gruppe zugeordnet werden können

1. Bestimmung der Cluster - Anzahl k
2. Initialisierung: Zufällige Auswahl von k Zentren zu Beginn
3. Zuweisung aller Datenpunkte zum Nächstliegenden Zentrum (Basis: Distanzmetrik)
4. Verschieben der Cluster - Zentren in den Mittelpunkt aller zugeteilten Datenpunkte
5. Durchführung der Schritte 3 und 4 bis sich die Cluster-Zentren nicht mehr verschieben ODER ein definiertes Abbruchkriterium erreicht ist (z.B. Anzahl Durchläufe/Iterationen etc.)

Distanzmetrik: Abstand zw. Datenpunkte u. Clusterzentrum
Z.B. euklidischer Abstand, Manhattan-Distanz...

Ziel: Generierung einer hierarchischen Cluster-Struktur
-Ableitung eines Dendogramms
-Keine vorhergehende Definition der Cluster-Anzahl k erforderlich (wird im Nachgang bestimmt)


Möglichkeiten des hierarchischen Clusterings:
1. Agglomeratives Clustering = anhäufendes Clustering
2. Divisives Clustering = Aufteilendes Clustering

1. Initialisierung: Beginne mit der Annahme, dass jeder Datenpunkt ein eigenes Cluster darstellt
2. Linkage (=Zusammenführung): Zusammenführung der Cluster mit dem geringsten geometrischen Abstand zueinander
3. Durchführung des 2. Schrittes bis ein Abbruchkriterium erreicht wird
-> in jedem Schritt werden 2 Cluster mit geringstem geometrischen Abstand zusammengeführt

-Wesentliches Werkzeug zur Evaluation von Clustering-Ergebnissen

-wird von oben nach unten gelesen

-Achsen des Dendogramms: Auflistung einzelner Datenpunkte auf x-Achse, Gegenüberstellung des ausgewählten Distanzkriteriums auf y-Achse

-Hierarchische Zuordnung einzelner Cluster erkennbar:

Erkennung von Hauptgruppen: Distanz zur Nächstliegenden Gruppe relativ Gering

Erkennung von Ausreißern: Distanz zur Nächstliegenden Gruppe verhältnismäßig hoch

(Bewertung anhand Wahrheitsmatrix nicht möglich, da Klassenlabels im Clustering unbekannt)
1. Manuelle Beurteilung durch Experten (Beurteilung durch Vergleich der Ähnlichkeit der Datenpunkte, welche derselben Gruppe zugeordnet worden sind - sehr aufwändiges Beurteilungsverfahren)

2. Silhouette Diagramm beim k-Means Clustering
(Bewertung der Qualität der Cluster-Seperation durch berechnete Kennzahlen (bei +1 kleiner Abstand, Datenpunkt womögl, im richtigen Raster, bei 0 kann gleichermaßen beiden Gruppen zugeteilt werden, bei -1 womögl. Im falschen Cluster))

Klassif

Fahrzeug ist in der Lage richtige Aktionen zur richtigen Zeit auszuführen, selbstständiges Handeln durchs System ohne menschlichen Eingriff
5 Stufen der Automatisierung:
Stufe 0: keine Automatisierung (ggf. Warnsysteme)
Stufe 1: Assistenz (Fahrassistenz durch zeitweise Übernahme, Z.B. Stau, Parken)
Stufe 2: Teilautomatisierung (Übergabe der Lenkung in bestimmten Fällen, Fortlaufende Überwachung DURCH Fahrer, Eingriff durch den Fahrer bei Dringlichkeit notwendig)
Stufe 3: Hochautomatisiert (keine dauerhafte Überwachung durch Fahrer notwendig -> nur bei Aufforderungen durch System muss Fahrer übernehmen
Stufe 4: Vollautomatisiert (Möglichkeit vollständiger Abgabe der Fahraufgabe an System - fahrer muss nicht, kann aber)
Stufe 5: Fahrerlos (Vollumfängl. Fahren, kein Eingriff)

Ist eine Komponente, die eine gemessene physikalische Größe in ein analoges elektrisches Signal umwandelt

-Stetige Speicherung der Sensordaten
-Weiterverarbeitung und Integration der Daten in KI-Modelle
-Verknüpfung und Kombination von Datenmengen zur Ableitung von Fahrentscheidungen
- Auf Basis dieser Entscheidungen werden Aktoren durch elektrische Signale aktiviert


Herausforderung: Kosten für Sammeln ausreichender Sensordaten sehr hoch, Datenabdeckung jeglicher Zustände (StVO, Stau, Wetter usw.), Kritische, seltene vorkommende Fahrszenarien müssen abgedeckt werden

KI als Fahrassistenz: KI als persönlicher Assistent
-Analyse von Verkehrssituationen
-Voraussagen Fahrverhalten
-Vorhersagen Verhaltensmuster (z.B. Wechsel Radiosender an bestimmten Ort)

Objekterkennung durch KI:
-Wahrnehmung von Verkehrsteilnehmern, Verfolgung von Objekten
-Herausforderung: heftiger Regen oder Überblendung

Verhaltensplanung durch KI:
-Vorausschauende Planung der nachfolgenden Fahrschritte
-Festlegung von Fahrstrategien für optimale Fahrweise
Bsp: Aquaplaning, optimierte Bremsung, optimierte Beschleunigung, Lenkrad nicht einrasten

Industrie 1.0: Mechanisierung mit Wasser- und Dampfkraft

Industrie 2.0: Elektrizität, Massenanfertigung (Fließband), Telekommunikation

Industrie 3.0: Automatisierung durch Elektrotechnik und Informationstechnik, erste Heimcomputer

Industrie 3.0: individuelle Massenproduktion, IoT, KI, Cloud, Selbstlernzentrum Algorithmen, Big Data

Wandel eines herkömmlichen Computers zu intelligentem Gerät, Vernetzung von Gegenständen mit Internet, Selbstständige Kommunikation

Z.B. Intelligente MEssgeräte: Verkehrslage, Wetterlage, GPS
Montagebänder in der Fertigung
Smart-Watches

Bereitstellung von IT-Ressourcen oder Anwendungen im Internet
Fokus: Speicherung von Daten intelligenter Geräte auf Cloud
Möglichkeit vieler Dienste und Services unabhängig von Ort u. Zeit dynamisch zu nutzenD

Digitalisierung: Umwandlung analoger Signale in digitale Signale, die mit Computer verarbeitet werden können


Veränderung der Produktions- und Arbeitswelt durch zunehmende Digitalisierung

Veränderung der Wertschöpfungsprozesse und Geschäftsmodelle

Industrie 4.0: Intelligente Vernetzung von Maschinen und Abläufen in Industrie mit Hilfe von Informations- und Kommunikationstechnologie
Verschmelzung von Fertigungsprozessen mit Informationstechnologie

Vorteile:
-KI trifft Entscheidungen autonom und arbeitet mit Maschinen zusammen, um Prod. zu opt.
-Produktionszyklen werden kürzer und transparenter
-Entfallen der Informationswege
-Kundenbedürfnisse fließen in Echtzeit in Produktion ein
-Wartung und Instandhaltung regeln sich weitgehend eigenständig
-Aufträge laufen automatisch in richtiger Reihenfolge ab
-Mensch und Maschine als Partner

Hauptziel predictive maintenance: Warnung für Team, wenn Maschine noch läuft, aber demnächst kaputt gehen wird

Predictive maintenance: Strategie vorausschauender Instandhaltung durch Zustandsüberwachung der Anlagenleistungen, die bei Normalbetrieb durch Zustandsüberwachung die Leistung verfolgt, um festzustellen, wann Wartungsarbeiten ausgeführt werden müssen.

Auswertung Sensordaten durch KI -> Speicherung Sensordaten zum frühzeitigen Erkennen von Fehlern
Durchführung von Ausreißeranalysen
Vorhersage von Fehlern oder optimalen Wartungsintervallen

1. Fairness: Gleichberechtigte Behandlung aller Menschen

2. Zuverlässigkeit: Zuverlässigkeit und Verlass auf KI-System

3. Datenschutz- und Sicherheit: Sicherheit von KI-Systemen und Respektierung des Datenschutzes

4. Barrierefreiheit: KI-Systeme sollten allen Menschen zu Gute kommen

5. Transparenz: Nachvollziehbarkeit der KI-Entscheidungen für Kunden und Beteiligte

6. Kontrolle: Verantwortlichkeit und Kontrolle des Menschen u. Rechenschaft ggü .den Menschen

Verzerrung von Daten: Daten beeinflussen Güte und Qualität von KI-Entscheidungen -> Gewährleistung der Fairness

Verzerrung der Stichprobe: unausgewogene Trainingsdaten z.B. durch historische Auswahlentscheidungen

Verzerrung von Attributen: Verzerrung vorhandener Attribute,
KI lernt von vergangenen Trainingsdaten und dabei bleiben Umstände unberücksichtigt, z.B. Anpassung Bildungssystem, Wegfall Militärdienste...

Durch unausgewogene Trainingsdaten kann es zur Diskriminierung führen

Durch Verwendung von historischen Daten, kann es unfaire Vorschläge geben

Aufgrund nicht sichtbarer Entscheidungen der KI -> KI-Black-Box

Bei den meisten Algorithmen handelt es sich um "Black Boxes"

Es sind lediglich die Ergebnisse der Analysen sichtbar
Gründe für Entscheidungen sind häufig nicht nachvollziehbar -> nicht erklärbar, wie KI zum Ergebnis kommt.

Bsp: Intransparenz weshalb eine Krankheit diagnostiziert wird oder eine Person bei Bewerbung ausgewählt wird
-> wird problematisch bei hochsensiblen Anwendungsgebieten wie z.B. Medizin oder Personalentscheidungen

1. Weak AI: Einsatz von KI bisher auf bestimmte Zwecke begrenzt (Chatbots im Kundendienst, vorausschauende Wartung, vorhersagen von Produktempfehlungen..)

2. Ki kann große Datenmengen sehr gut verarbeiten, aber KI kann Daten nicht verstehen -> KI besitzt keinen Verstand

3. Ki kann falsche Entscheidungen und Schlüssel nicht erkennen

4. KI kennt keine außerordentlichen Zustände, z.B. Pandemiezeiten

Gewährleistung einer vollständigen Transparenz von KI-Modellen

Klärung von Haftungsfragen: wer haftet, wenn KI zu falschen Entscheidungen kommt

Sicherheitsrisiken: Schutz vor Hackerangriffen, insb. In hochsensiblen Bereich mit personenbezogenen Daten

-Fehlen von "guten Daten" (sowohl Quantität als auch Qualität"

-Fehlende Aussagekraft eigener Daten

-Fehlen von etablierten Datenstraetgie im Unternehmen

-Unkontrollierte Verwendung von KI-Werkzeugen

-Gesetzliche Rahmenbedingungen zum Datenschutz -> Verletzung der Compliance-Anforderungen

-Verwendung von repräsentativen Datensätzen als fundamentale Basis ->KI als Abbild historischer Daten

-Berücksichtigung ethischer, rechtlicher Lemmas und Regeln

- KI für richtige Aufgaben nutzen

-Vornehmliche Nutzung von KI, wo sie den größten Nutzen stiftet -> Mischung menschlicher Kompetentenzen mit KI als Ideal