The Neural Ordinary Differential Equations paper by Chen et. al. was awarded as one of the 4 best papers at NeurIPS 2018. The core idea is to model a time-series by modelling its derivative with a neural network. In Julia you can readily apply this approach, also with stochastic, delayed and other differential equations. In this workshop you are going to implement such state-of-the-art models yourself – with ease, thanks to Julia. We will go over the theory behind neural differential equations, why Julia is especially apt for this, and experience hands-on its power for predicting time-series. Looking forward to see you all! Prerequisites: No prerequisites. Everyone is highly welcome. If you want to join the hands-on part, just bring your own laptop with junolab.org installed.
24.06.2020 - Mittwoch
Alexa und Siri zeigen wie gut Spracherkennung für Deutsch funktionieren kann. Die großen Cloud-Anbieter haben alle ein kommerzielles Speech-to-Text API im Angebot, über das sich deren Dienste direkt einbinden lasen. Jedoch verbietet sich der Einsatz von US-Cloud-Diensten in manchen Geschäftsbereichen aus Gründen der Verschwiegenheit, der Datenschutzes oder anderen Gründen. Zahlreiche open-source Projekte bieten Speech-to-Text Funktionalität an und erlauben es die Verarbeitung selbst zu hosten oder offline zu betreiben. Meist unterstützen diese open-source Projekte aufgrund ihrer Projekthistorie Englisch am Besten. Deutsch und andere Sprachen werden auch unterstützt, allerdings weniger gut als Englisch. In diesem hands-on Workshop verwenden wir vorab trainierte Modelle und machen mit den Teilnehmern einen Schnelldurchlauf durch die populären Frameworks SpaCy, NLTK, Glove Word, BERT mit speziellem Fokus auf die Verarbeitung von deutscher Sprache. Prerequisites: laptop, Python installed (from anaconda.com)
Mit Künstlicher Intelligenz verändern sich die Paradigmen der Mensch-Technik Interaktion grundlegend. Der Computer wandelt sich zunehmend vom Werkzeug zum Partner. Beispielsweise ähnelt die Interaktion mit digitalen Companion- oder Assistenzsystemen nicht mehr der Nutzung, sondern eher der Zusammenarbeit. Diese neuen Formen der Interaktion müssen mit Methoden der menschzentrierten Gestaltung entwickelt werden. Im Workshop werden zwei solche Methoden vorgestellt und erprobt, die für den Einsatz im KI-Kontext adaptiert wurden. Szenario Design kann eingesetzt werden, um die Ausgangssituation bzw. die Probleme mit dem aktuellen Stand der Technik zu beschreiben und nachfolgend auch die Vision der zukünftigen Nutzung mit der angestrebten KI-Anwendung konkret darzustellen. Der Vorteil: Szenarien lassen sich schnell und einfach erstellen und sind für verschiedenste Stakeholder leicht nachvollziehbar. Ein Szenario kann im Anschluss in einen Service Blueprint übertragen werden, wo nun auch auf die technischen Komponenten der KI-Anwendung eingegangen wird. Anhand eines Service Blueprints lassen sich noch ungeklärte Lücken im Konzept identifizieren. Zudem bildet er eine strukturierte Grundlage für die Entwicklung der KI-Anwendung. Voraussetzungen: Keine Voraussetzungen. Ggf. eigene KI-Anwendungsidee bzw. KI-Produktidee.
The rise of Artificial Neuronal Networks (ANNs) as the majorly utilized AI technology seems unstoppable: Machines are now able to classify images in super-human speed, beat master players in the ancient Chinese game “Go” and the complex strategy game StarCraft 2. But there is an important question increasingly overshadowing the rise of ANNs: How do they work and come to their decisions? An example from Mount Sinai Hospital drastically shows why it is so crucial to answer this question: In 2015, researchers developed and trained an ANN with a huge set of patient records. It can predict the onset of schizophrenia extremely well. As this is usually very hard to diagnose, medical experts wanted to understand the prediction. But “Deep Patient” is so complex that not even its own creators can understand its decisions, which is extremely unsettling. This is why we’d like to motivate peers to make the coming decade the era of Explainable AI (XAI). Prerequisites: Artificial Neuronal Networks, Statistical theory, Mathematical understanding