Suche
Machine-Learning-Anwendungen

Maschinelles Lernen in der Praxis: Sehende Roboter und Doom spielende KIs

Melanie Feldmann
shutterstock_208905199

© Shutterstock / Inozemtsev Konstantin

Das letzte Mal lernte eine Künstliche Intelligenz durch ein Computerspiel Autofahren, diesmal lernt sie Doom spielen. Aber natürlich nicht um die Weltherrschaft zu erringen, sondern um zu zeigen, wie sich eine KI in 3D-Umgebungen zurechtfinden und mit ihr interagieren kann. Außerdem: Sehende Roboter zum Selbstbauen und Quantenmechanik.

Künstliche Intelligenz spielt Doom

Roboter mit künstlicher Intelligenz werden die Weltherrschaft übernehmen, die Menschheit als überflüssig ansehen und sie ausmerzen. So, oder so ähnlich klingen dystopische Vorhersagen unserer Zukunft. Natürlich kann man Künstlichen Intelligenzen beibringen zu töten – zumindest virtuell. Forscher der Carnegie Mellon University haben einen Künstlichen Intelligenz beigebracht Doom zu spielen. Dabei geht es aber nicht um eine moralisch-motivierte Demonstration, was möglich ist, sondern darum, zu zeigen, was Maschinelles Lernen aus Pixel-Daten lernen kann. Die KI erkennt Gegenstände sowie Gegner und findet sich in der 3D-Umgebung eigenständig zurecht. Und sie spielt besser als ein Mensch.

Wer sind meine Twitter Follower?

Ein bisschen Stalking in Internet macht Machine Learning auch einfacher. Um herauszufinden, wofür sich die eigenen Twitter Follower interessieren, lädt man die Twitter-Bios der Follower über das Twitter API herunter und lässt anschließend einen Keyword Extractor drüberlaufen. Wie das genau funktioniert haben die Entwickler von MonkeyLearn in einem Blogpost erklärt. Sie freuten sich über viele Entwickler-Follower mit Schlagworten wie Developer, Programmer oder Software Engineer. Leider klappt es momentan nur für englischsprachige Bios.

Lesen Sie auch: Google stellt neurales Netzwerk für maschinelle Übersetzung vor

Neue Materialien entdecken

Die Matrix visualisiert die Bildungsenergie – ein Indikator für die Stabilität – von rund zwei Millionen möglichen Verbindungen: Jedes Pixel entspricht einem der 2 Millionen Kristalle, die aus je vier chemischen Elementen bestehen. Je nach Kombination der Elemente weisen sie einen hohen (rot) oder tiefen (blau) Energiewert auf. Zwei Elemente sind vertikal und horizontal spezifiziert; jede Box enthält nochmal eine entsprechende Auflösung für die beiden weiteren Elemente. (Quelle: Universität Basel, Departement Chemie)

Die Matrix visualisiert die Bildungsenergie – ein Indikator für die Stabilität – von rund zwei Millionen möglichen Verbindungen: Jedes Pixel entspricht einem der 2 Millionen Kristalle, die aus je vier chemischen Elementen bestehen. Je nach Kombination der Elemente weisen sie einen hohen (rot) oder tiefen (blau) Energiewert auf. Zwei Elemente sind vertikal und horizontal spezifiziert; jede Box enthält nochmal eine entsprechende Auflösung für die beiden weiteren Elemente. (Quelle: Universität Basel, Departement Chemie)

Chemische Zusammensetzungen zu berechnen ist nicht nur bei Medikamenten eine kniffelige Angelegenheit. Auch in den Materialwissenschaften bereiten manche Stoffe den Wissenschaftlern Kopfzerbrechen: zum Beispiel Elpasolith. Elpasolith ist ein glasiges, transparentes, glänzendes und weiches Mineral mit kubischer Kristallstruktur und besteht aus vier verschiedenen Elementen. Für die Wissenschaftlich ist das Mineral interessant, da es je nach  Zusammensetzung ein metallischer Leiter, Halbleiter oder Isolatoren sein kann. Und manchmal kann es auch Licht emittieren, wenn es Strahlung ausgesetzt wird. Aufgrund seiner chemischen Komplexität ist es rechnerisch fast unmöglich, die Stabilität und Eigenschaften aller theoretisch denkbaren Kombinationen von vier Elementen in der Elpasolithstruktur quantenmechanisch vorherzusagen. Forscher der Universität Basel haben dieses Materialdesign-Problem mit Machine Learning gelöst. Dazu berechneten sie zunächst die quantenmechanische Vorhersagen von Tausenden von Elpasolithkristallen mit zufällig ausgewählter chemischer Zusammensetzung. Die Resultate nutzten sie, um statistische Machine-Learning-Modelle zu trainieren. Die Forscher konnten so unter den 2 Millionen Kristallen 90 bisher unbekannte Kristalle identifizieren, die thermodynamisch stabil sind.

Ein eigener Roboter, der sehen kann

Objekterkennung ist eine der spannendsten Gebiete des Machine Learning. Mit günstiger Hardware und dem Open Source Framework Tensorflow kann jeder seinen eigenen sehenden Roboter bauen, wie Lukas Biewald in einem Artikel erklärt. Die kleinen Roboter im Einsatz sieht man im Video:

Wer braucht schon Photoshop, wenn er ML hat?

Der Neural Photo Editor der University of Edinburgh nutzt Machine Learning, um Änderungen vorherzusagen und anzuwenden, die der Anwender bei Bildbearbeitung machen möchte. Wenn man zum Beispiel eine helle Farbe auswählt und beginnt über die Haare eine Person zu malen, nimmt der Editor an, dass man die Haarfarbe ändern möchte und macht dies entsprechend. So schnell kann man eine neue Frisur ausprobiere. Der Editor liegt auf GitHub, das erklärende Paper dazu gibt es hier.

Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Hinterlasse eine Antwort

Deine E-Mail-Adresse wird nicht veröffentlicht.