Machine Learning vs. Mathematische Modellierung

00:00:00: Intro

00:00:07: Hallo und herzlich willkommen bei digital future dem inovex Podcast.

00:00:11: Mein Name ist Wolfgang Schoch und ich freue mich heute ganz besonders denn heute gibt es eine Premiere hier im Podcast ich habe nämlich zwei Gäste.

00:00:19: Und zwar meine zwei Kollegen den Doktor Robin Senge und den Doktor Florian Wilhelm.

00:00:24: Die beiden sind Experten im Bereich künstliche Intelligenz machine learning und vor allem auch Mathematik und genau darüber sprechen wir heute.

00:00:32: Was ist eigentlich künstliche Intelligenz was ist eigentlich mathematische Modellierung und ist es eine vielleicht besser ist es andere oder sind es beides die gleichen Sachen mit dem

00:00:40: frühen Abend irgendwie ich bin super gespannt und Florian schön dass du da bist ich würde direkt mal in Dich übergeben wer genau bist du wo kommst du denn her und was machst du genau bei uns.

00:00:51: Ja hallo Wolfgang und hallo an alle Zuhörerin

00:00:55: ja vielen Dank dass ich dabei sein kann ich bin seit insgesamt knapp sechs Jahren bei inovex ich habe einen mathematischen Hintergrund das heißt ich habe Mathematik studiert an der Universität Karlsruhe damals noch

00:01:10: dort auch promoviert im Bereich mährische Mathematik also sehr sehr angewandt

00:01:15: und bin dann quasi darüber auf den Datenbereich gekommen bei mir ging es damals um erziehst E-Modelle als Gespräch Klimamodelle

00:01:24: und da fallen auch viele große Daten an das hat mich schon immer fasziniert

00:01:29: da bin ich darüber bin ich dann zu dem Thema big data und auch data science gekommen irgendwann bin ich dann zu inovex gegangen weil ich an Vati Projekt Vielfalt sehr spannend fand.

00:01:38: Und war da vier Jahre lang war sie unterwegs als als data scientist in verschiedenen Projekten wo sehr stark Umpersonalisierung ging Empfehlungssysteme hat alles sehr sehr Spaß gemacht super super spannend

00:01:52: und seit knapp zwei Jahren

00:01:55: habe ich deinen Schritt gemacht Richtung head of data science also sprich bin jetzt ziemlich bei inovex und kümmer mich eben um intim aber natürlich auch weiterhin das mein Steckenpferd ist bin ich inhaltlich mit dabei und interessiere mich

00:02:10: Pferde für data science und eben mathematische Modellierung.

00:02:15: Sehr spannend vielen Dank Florian Robin wie sieht's denn bei Dir aus was ist denn dein background und was machst denn du eigentlich den ganzen Tag bei uns.

00:02:24: Hallo Wolfgang ja auch.

00:02:27: Ein hallo von meiner Seite an alle die zuhören am genau mein Name ist Robin Single ich bin ein Kollege von Florian also auch Team geht bei uns in der DNA data management.

00:02:41: Abteilungen in der wir alles bearbeiten rund um daten.

00:02:48: Genau von Hause aus bin ich Informatiker wenn ich komme also sozusagen von der anderen Seite an die data science ran.

00:02:58: Ich habe ja noch Informatik auf Diplom studiert in Marburg.

00:03:04: Und hab dann auch erstmal ein paar Jahre als Softwareentwickler gearbeitet.

00:03:09: Bin dann zurück an die Uni hab mich dann sehr stark in diesem Bereich maschinelles Lernen vertieft Abdallah.

00:03:18: Dann auch genau meine Promotion abgeschlossen und.

00:03:23: Ja seitdem bin ich bei E-Bikes also jetzt seit knapp sieben Jahren war selber viele in Projekten unterwegs im Bereich Lieferketten also SNA.

00:03:38: Ziel beim großen deutschen Einzelhändlern und wie Florian auch bin ich jetzt seit ner Weile eben Team Lied.

00:03:46: Und ja betreuen Projekte in ganz Deutschland und mit unterschiedlichen Schwerpunkten.

00:03:56: Sehr sehr cool Robin kannst du vielleicht mal für jemanden den ich erklären was sich hinter diesem riesengroßen Begriff machine learning oder er eigentlich

00:04:07: verbirgt weil ich empfinde das oftmals auch wie so ein Passwort dass man irgendwo überall mit drin haben muss damit eine Lösung cool ist und damit man drüber sprechen kann aber kannst du vielleicht mal

00:04:19: am ein und ein bisschen zusammenfassen was das eigentlich ist.

00:04:24: Ja das kann ich versuchen das ist natürlich ein extrem breites Feld ja also künstliche Intelligenz oder area.

00:04:33: Das ist ein Bereich wenn man das akademisch betrachtet dann beinhaltet das sehr viele Themen

00:04:40: also nicht nur das machine learning oder das maschinelle lernen von dem wir eigentlich bei uns in den Projekten häufig Gebrauch machen sondern das beinhaltet auch noch eine ganze Reihe weiterer Dinge wie z.b. Sensorik

00:04:55: und auch all das Bauen von ja Maschinen die daneben auch so mein Anführungszeichen intelligent mit ihrer Umgebung agieren.

00:05:09: Genau unser Steckenpferd ist an der Stelle eben wie gesagt dass das maschinelle lernen das ist so ein bisschen der der Kern aus.

00:05:18: Aus diesem Bereich ereilt den den wir jetzt auch nutzen.

00:05:23: Hast du da vielleicht ein Beispiel ich werde ich find's immer super eine super greifbar wenn man wenn man eben so ein so ein einfaches Beispiel hat Spaß Tabletten Beispiel für ein Problem wo man mit zu Maschinen maschinellem lernen gut rangehen kann und eine gute Lösung zu finden.

00:05:39: Vielleicht fange ich mal mit einem Beispiel an wo das keinen Sinn macht mit maschinellem lernen ranzugehen also es gibt ja eine ganze Reihe von Sommer mal.

00:05:49: Problemen und wenn ich jetzt Problem sage dann meine ich natürlich irgendwie ein mathematisches oder ein.

00:05:55: Ein Problem dass man sagen kann ist es Problem wenn man so will.

00:06:01: Beende alle aus der Mathematik vielleicht auch noch aus der aus der Schule das Problem den größten gemeinsamen Teiler zu finden als Beispiel ja.

00:06:10: Dafür dafür gibt es eine Lösung die ist mathematisch die kann man mathematisch aufschreiben und dann kann man eine Lösung für finden und das ist sozusagen deterministisch kann man.

00:06:25: Kennt man und diamanten schreiben und.

00:06:28: Maschinelles Lernen ist im Prinzip an der Stelle entstanden wo man es sozusagen nicht mehr geschafft hat also wo man Probleme von der Brust hatte wo man es nicht mehr geschafft hat zu eine Lösung hin zu schreiben.

00:06:41: Das kann zweierlei Gründe haben das kann entweder den Grund haben dass das Problem so komplex ist dass man wenn man das wenn man die Lösung programmieren würde dass das sehr lange dauern würde.

00:06:55: Einfach vom Implementierungsaufwand her oder es ist schlicht und ergreifend die Lösungen noch nicht bekannt.

00:07:05: Und in beiden Fällen ist es sozusagen eine Möglichkeit jetzt eben mit so maschinenlernen.

00:07:13: Verfahren daran zu gehen und da dreht man sozusagen das.

00:07:17: Bisschen um dann geht man da lässt man oder sagt man ich explizit Hey Computer löst das Problem mal auf diese Weise.

00:07:26: Sondern man gibt dem Computer Beispiele dann Beispiele und sagt.

00:07:34: Ja nehmen wir mal das Beispiel das Problem Gesichter in Bildern zu erkennen.

00:07:39: Da würde man dann jetzt den dem Computer eine Menge von Bildern geben die ein Gesicht enthalten und man würde genauso gut.

00:07:48: Bitte eine Menge von Bildern geben die eben kein Gesicht enthalten und Mann.

00:07:53: Sagt im Prinzip jetzt nur noch diese Menge die Aktbilder die hat Gesichter auf dem Bild und dies nicht Computer.

00:08:01: Versuch doch mal selber die Kriterien zu finden die diese Bilder unterscheiden das ist im Kern sozusagen die Herangehensweise bei solchen Maschinen.

00:08:13: Das heißt du

00:08:15: du gehst nicht vor mit was ich mit welcher Methode das irgendwas gelöst werden soll er da mit welcher ist hat mal Formel vielleicht wenn man es jetzt zur Vergleich mit dem größten gemeinsamen Teiler sondern der Computer Besuch dann da.

00:08:29: Irgendeine Art von Muster selbständig zu zu finden mit Hilfe dessen dann so ein Problem gelöst werden kann.

00:08:36: Ja richtig man kann sich vorstellen wenn.

00:08:40: Man sich jetzt mal auf den stand umstellen wollte dass man das tatsächlich selbst programmiert ja so das Erkennen eines solchen Gesichts in einem Bild dann müsste man ja.

00:08:51: Ja was hätte man dafür Daten zur Verfügung man würde ja die sozialen die einzelnen Pixel des Bildes hätte man vielleicht das Eingabe

00:08:59: und dann würde man Prinzip müsste man dann programmieren ja wenn das Pixel

00:09:05: XY dieser Farbe hat und das ist das machbar die gleiche Farbe hat dann hat man vielleicht in die sowas wie eine Kante erkannt diese Kanten müssten dann bestimmte Formen ergeben und so weiter und das

00:09:17: der spart man sich das überlässt man dann im Prinzip dem dem Computer oder dem dem Programm.

00:09:24: Maschinelle Lernverfahren das daneben diese Dinge erkennt.

00:09:29: Okay.

00:09:31: Das wenn vielleicht vielleicht wenigstens mit meinem meinen eigenen Worten noch mal so ein bisschen zusammenfassen möchte zum Gesicht das natürlich auch was total komplex ist in mein für mich als Mensch ist es easy

00:09:43: aber

00:09:44: wenn man sich mal überlegt ist so eine riesen Pixelfläche und das sind verschiedene Farben da dann irgendwie automatisch Formen zu erkennen und dann vielleicht ein wenig zu unterscheiden es ist jetzt ein menschliches Gesicht oder ist es irgendwie eine andere eine andere Form ingwe

00:09:58: das erscheint mir schon super super kompliziert aber wenn man vielleicht was einfacheres nimmt als im Gesicht sowas wie Schrift.

00:10:05: Gibt es schon super lange auf Systeme die die Schrift erkennen also so OCR Systeme.

00:10:11: Finde da hast du dann im Idealfall hast ja fällt wie ein weißes Papier und eine schwarze Tinte und dann ist es aber trotzdem noch mal echt kniffelig manche Buchstaben gleich voneinander zu entscheiden unterscheiden ist es cool oder es ist oder so,

00:10:25: unterm.

00:10:27: Ja da genau an der Stelle ist vielleicht einfach die Varianz sozusagen das Problem.

00:10:35: Genau Buchstaben seiner mal eine Mama das lateinische Alphabet das ist jetzt hat man eine Reihe von Buchstaben und letztlich sind die natürlich deutlich für sich genommen deutlich

00:10:48: weniger komplex als er so ein Gesicht aber.

00:10:51: Jeder hat eine andere Handschrift und ihre Menschen sind eigentlich relativ gut darin auch fremde Handschriften zu lesen.

00:10:59: Ja zu abstrahieren und

00:11:02: große Schriften kleine Schriften irgendwie mit seitenstellung oder sonst irgendwas dass das können wir eigentlich ganz gut auseinanderhalten

00:11:10: unter dieser diese waariyan in dieser in den Schriften die ist dann eben in dem Fall dass die Herausforderung.

00:11:20: Okay und wenn natürlich die Schriften von dem Arzt stammt dann ist es natürlich noch meine viel viele größere Herausforderungen.

00:11:27: Ja da hat auch keine er irgendeine Chance.

00:11:30: Ja manche manche Informationen die müssen einfach so geheim bleiben dass man die nicht automatisiert verarbeiten kann ich verstehe okay ja das heißt machine learning ist

00:11:43: ein Ansatz mit dem du mit Hilfe von Soja

00:11:47: Trainings bei Spielen automatisch Verfahren entwickeln lassen kannst von dem Computer mit dem du ähnliche Probleme lösen kannst.

00:11:56: So was für Bilderkennung du hast viele Bilder wo Gesichter drauf sind oder keine oder natürlich in der Informatik arbeitet man nicht so gern mit Gesichtern sondern mit Katzen und kannst dankbar sein System dadurch zu

00:12:09: heraus heraus bilden das daneben sowas erkennt auf dem Bild okay.

00:12:14: Am Florian wenn wir jetzt mal vielleicht zu diesen kleinen Sprung zur Mathematik gehen kann man solche Probleme auch mathematisch lösen,

00:12:23: also größter gemeinsamer Teiler okay dass das hatte ich damals auch in der Schule schon bisschen her mein Matheunterricht und da ich war damals auch nicht der beste aber daran kann ich mich noch gut erinnern.

00:12:33: Dass man da wirklich deine Formel hergeleitet hat und man konnte dann auch beweisen dass diese Formel stimmt und dann konnte man dir einfach benutzen und konnte das durchrechnen,

00:12:42: was für ein Stellenwert hatten so so Mathematik und so mathematische Modellierung heute wenn man solche real-world Probleme haben.

00:12:50: Ja also da kommt ganz stark auf den auf den Anwendungsfall an also jetzt sowas wie Gesichtserkennung

00:12:58: ist etwas wo ich ganz klar sagen würde da braucht man einfach neuronale Netze das sind die

00:13:06: ja die klassischen Methoden aus der Mathematik wo man vielleicht irgendwie so ein gauß-filter hätte also wirklich erstmal Kanten detektieren würde und

00:13:15: dann irgendwie versuchen würde zu beschreiben parametrisch wie so ein Gesicht auszusehen hat

00:13:21: wäre wahnsinnig aufwändig und auch ja vom zum Aufwand

00:13:28: ja nicht zu Händen und von der von der Komplexität also das ist ein

00:13:32: klassisches klassischer Fall würde ich sagen da hat die die jüngste Vergangenheit ja auch gezeigt dass da einfach die ja Computer wischen Modelle die Aufnahmen einnetzen passieren dass die da eigentlich unschlagbar gut sind

00:13:45: bzw umgekehrt gesehen alles was davor da war eben geschlagen haben und zwar mit einem richtig großen signifikanten Unterschied also da

00:13:54: für diesen Anwendungsfall in anderer ist NLP also sprich natural language processing wenn es darum geht

00:14:03: irgendwie seine Auswahl geschriebenen Text zu generieren oder eben auch aus der Sprache raus aus der gesprochenen Sprache eben zu extrahieren also eigentlich immer dann wenn wir.

00:14:17: Sozusagen stark unstrukturierte Daten haben dann ist es definitiv etwas wo

00:14:24: eben gerade etwas mit mir so schön sagt also worunter ich verstehe diese tiefen neuronalen Netze und deren Architektur und wo die eben glänzen wo die ganz klar einen riesen Vorteil haben

00:14:38: weil die eben durch reines geben von von Trainingsdaten und von Ergebnissen jetzt z.b. supervised learning woraus Diäten.

00:14:49: Zum Teil durch immer noch nicht ganz verstanden Art und Weise Netze generieren die daneben das Problem lösen und z.b. in der Katze von dem Unternehmen wie man immer so schön hat

00:15:01: unterscheiden können und das mit na ja sehr hohen Trefferquote zum Teil höher als bei einem Menschen.

00:15:11: Ich muss ganz kurz unterbrechen weil er ist schon mal zwei Suchbegriffe gefallen sind die vielleicht ist nicht jedem Menschen die so bekannt sind dass eine neuronale Netze wer von euch kann mir das mal ganz kurz definieren das neuronales Netz ist.

00:15:27: Ich kann ja mal anfangen und Robin korrigiert mich dann einfach so aus der Sicht der Mathematik.

00:15:34: Ich muss das nutzen wenn ich euch zwei Experten heute mal da habe da muss ich mal die ganzen Fachbegriffe auch mal vernünftig definieren lassen damit ich die Definition halt auch privat weiter verwenden kann.

00:15:45: Also wer mich ist also die die Motivation stammt ja von so einer Gehirnzelle von so einem neuronalen Netz also von dem einzeln Neuron.

00:15:53: Und die Idee ist halt einfach dass das der gewichtetes Signale reingehen und die irgendwie über eine Aktivierungsfunktion was rausgeben ist kriegt es erstmal abstrakt.

00:16:05: Es ist letztendlich ja mehrere Eingaben die eben gewichtet.

00:16:13: Und dann entscheidet im einfachsten falls was wegen den Trash holt ob die Zelle feuert oder nicht

00:16:21: und diese diese Neuronen haben halt eben immer zu zusammen schaltet in großen Netzwerken

00:16:29: was denn so ein bisschen die Idee auch hinter dem Gehirn ist also hat man sich aus der Biologie abgeschaut dass die eben alles approximieren können

00:16:38: was man approximieren wlan an z.b. stetigen.

00:16:44: Funktionen auf irgendeinem kompakten Intervall lasse das heißt wenn ich mir irgendeine Funktion vorstelle die ich die ich malen kann mit mit einem Strich

00:16:53: auf dem Blatt Papier

00:16:55: dann wird's neuronales Netzwerk wird wenn ich genug Beispiele dem Netzwerk gebe wird dass die Funktion

00:17:05: ja sehr sehr gut nachbauen können

00:17:09: und das klappt eben nicht nur mit Funktion also wenn ich mir eben ja eine Funktion auf dem Blatt Papier mal sondern daneben auch mit irgendwie Gesichtern das sind ja dann 2D Bilder

00:17:21: mit irgendwelchen Pixel werden oder auch Sprache was jetzt irgendwelche Signale sind bzw wenn ich textuelle Daten habe eben

00:17:30: entsprechend Buchstaben und und Leerzeichen und so weiter und ja das macht eben für mich neuronales Netzwerk aus man hat das sehr sehr lange

00:17:41: hat man quasi immer nur so sehr kleine neuronalen Netzen gehabt also die nicht sonderlich tief sind die nur quasi 3-layer hatten des das input leer und es Autos Leon ein verstecktes.

00:17:55: Und eben durch den Fortschritt in den letzten Jahren an an Computer und dann rechne Ressourcen hat man jetzt eben die Möglichkeit dass man die sehr sehr tief macht diese Netze und

00:18:07: plötzlich erkennt hat man erkannt dass die damit ganz tolle Eigenschaften haben dass die quasi automatisch

00:18:14: mehr der weniger Features generieren jetzt z.b. bei Gesichtern dass die automatisch erkennen

00:18:23: was kannten sind das den anderen Lehrern erkennen ok so sieht quasi im Gesicht aus also so wie sieht es so so so die ungefähren Umrisse von dem von dem Gesicht

00:18:36: und das ist es komplett selbständig Land und daneben erkennt was ein Gesicht ist und und was nicht.

00:18:42: Okay das hört sich natürlich jetzt für jemanden der es sich nicht so viel mit neuronalen Netzen beschäftigt natürlich schon ganz krass wie Zauberei an wenn solche neuronalen Netze automatisch solche Sachen erkennen

00:18:56: ich habe vorhin auch schon mal Gesichter sind also supercomplex können wir das Beispiel vielleicht ein bisschen vereinfachen für vier Buchstaben die man erkennen wenn ich jetzt neuronales Netz haben ich möchte der mit Buchstaben oder festgeschriebene zahlen erkennen

00:19:10: dann wär ja so der Input für meine Neuronen wäre vielleicht zu die einzelnen Pixel oder von Franz 100 zahlen und ich könnt ja wenn ich's doch einfacher macht vielleicht sagen.

00:19:21: Benutzt dann nur so ganz kleine Bilderchen dich erkennen möchte die sowas nicht 20 auf 20

00:19:25: Pixel groß sind dann hätte ich ja nur 20 x 20 m Informationen irgendwie dich da so rein reinstecken muss und Sonnenschein eural neuronales Netz.

00:19:38: Genau vielleicht an der Stelle.

00:19:41: Ich glaube erstmal für mich ist die Vorstellung dass also 1 € und feiert das ist sozusagen kann man sich eigentlich an so einer Matrix ganz gut,

00:19:53: ganz gut vorstellen du hast ja gerade gesagt ne man hat irgendwelche Buchstaben den sonder 20 x 20 Matrix beispielsweise dargestellt werden das heißt.

00:20:03: Dieser Matrix da befinden sich jetzt.

00:20:05: Numerische Werte zum Beispiel zwischen 0 und 52 ist um es häufig so ein so ein Range für sondern ja.

00:20:14: Bertha Spritpreise

00:20:17: und jetzt ist es so dass du Neuronen das ist wenn man so will also die Florian das ja eben auch schon gesagt hat es ist ein gewichtetes gewichtetes Mittel

00:20:29: im Groben das heißt wenn da jetzt jedes einzelne.

00:20:36: Jedes einzelne Pixel sozusagen als Eingabe genommen wird dann werden bestimmte Pixel eben.

00:20:44: Kommt großer Wert am09 untereinander anderen x 1 = 255 sondern.

00:20:53: 5 ist oder so eine kleine wer hat denn beim Neuron an und durch die durch die Gewichtung innerhalb des Neurons entscheidet das Neuron welche.

00:21:04: Welche Pixel wichtig sind.

00:21:08: Und das heißt also es entscheidet sich dann so feuern wenn die Pixel.

00:21:15: Die eine die für dieses Mal ron relevant sind Wendy auch in hohen Werther und.

00:21:23: Das ist jetzt sozusagen die sagt eine Entscheidung dieser eine sehr ja.

00:21:29: Ja keine einfache Entscheidung die so ein Euro und so ein einfaches einzelnes Neuron treffen kann und dadurch dass es aber jetzt ganz viele Neuronen gibt und dieser alle sozusagen einzeln dieser Entscheidungen treffen.

00:21:43: Kann sich daneben jetzt können sich halt eben komplexere Muster sozusagen zusammensetzen.

00:21:49: Okay und durch dieses durch diese Beispiele mit denen ich da dieses Training durchführe kann ich diese diese Gewichte so ein bisschen nachjustieren

00:21:59: okay guck mal das muss es vielleicht ein Narr sein und das ist das ist noch ein anderes aber vielleicht

00:22:07: dadurch dadurch ist dann bitte sei wird es ein Lernprozess dann durchgeführt wurde und finde das so.

00:22:13: Also dass das sogenannte training der neuronalen Netze oder das,

00:22:17: die eigentliche lernen Prozedur die haben sie eben von den Gewichten gehabt also von diesem Bericht in Mitte

00:22:24: und diese Gerichte das sind letztendlich die Parameter dieser neuronales Netz hat und diese Parameter die werden sagen jetzt anhand von Dragons Beispielen.

00:22:36: Gesetzt oder ihm trainiert er also auf das spezifische Problem angepasst und dann entsprechenden Algorithmus accommodation der dass der das dann macht.

00:22:48: Okay cool.

00:22:50: Also z.b. du hattest es die Frage mit mich Handschrift erkennen möchte wie man sich das vorstellen kann also bei mir jetzt

00:22:57: irgendwie von von Zahlen ausgehen die man jetzt wirklich in perfekten schwarz auf dem weißen Hintergrund gemalt hat also mal quasi nur schwarze

00:23:06: PIXELA und weiße Pixel und auch jetzt mal nicht so viele Pixel vielleicht einfacher 40 x 40 und.

00:23:16: Dann wäre jetzt ist normale Vorgehen dass mir erstmal versucht irgendwo zu unterscheiden wo ist denn.

00:23:22: Die eigentliche Zahl und wo ist der Hintergrund also diese Kanten die würde man ja detektieren wollen,

00:23:28: was heißt wie man das in Computer wischen häufig macht man nimmt das so in kleinen man nennt es dann irgendwie Stenzel oder Colonel also so ein kleines.

00:23:39: 3 mal 3 Feld und schiebt es über dieses 40 x 40 Gitter drüber.

00:23:47: Und wenn dann quasi man an diese Stelle kommt wohl schwarze und weiße Pixel benachbart sind sieht man ja an der Differenz das wenn man jetzt sagt irgendwie

00:23:57: ganz weiß ist dass ich immer 255 da werd und ganz schwarz ist der Wert Null

00:24:03: als wenn ich von einem Pixel auf den anderen die Differenz mir anschaue und sie dann aha da ist 155 dann ist es gerade diese Kantate dieser Moment

00:24:11: wo weiß zu schwarz springt und es kann man z.b. dann mit einem Kanten Detektor erkennen und wenn man das jetzt

00:24:20: über das ganze Bild erkennen dann kann man aus den Kanten wiederum dann die Struktur von so einer Zahl erfassen.

00:24:29: Und das kann man sich dann als des Landkreises Netzwerk über diese verschiedenen Schichten.

00:24:34: Und kann dann irgendwann sagen okay das war jetzt mal spät die Zahl eins und was man früher halt gemacht hat da hat man sich diese.

00:24:42: Dieser diese Stenzel oder Colonel Handys hergeleitet hat man z.b. gesagt okay

00:24:48: das ist jetzt irgendwie in Laplace Operator irgendwie die zweite Ableitung des ist dann irgendwie mit - 14 - 1 - 1 in jede Richtung wenn man sich das wie so ein Kreuzbiss umluftzeichen vorstellt.

00:25:02: Also den mittleren tickt du werd mal 4 die nebendran jeweils mit -1 und.

00:25:09: Da dran erkennt man dann quasi so eine Kante und das hat mir früher vorgegeben dann hat man schon mal die Kanten gehabt

00:25:15: und dann muss man aber jetzt wird's dann richtig schwierig was mache ich mit diesen ganzen Kanten wie definiere ich wie die zueinander in Relation stehen müssen dass es dann so eine Zahl eins gibt und.

00:25:27: Kam gerade diese super Idee von von künstlicher Intelligenz oder von diesen tiefen neuronalen Netzen ist dass man quasi gar nichts mehr vorgibt

00:25:34: man sagt nur noch es gibt diese Körne und welche Gewichte die haben ob das jetzt hier oder -1 ist gebe ich gar nicht vor ich lass das in das neuronale Netz steckt ist quasi alles selbst rausfinden

00:25:46: und mit genug Trainingsdaten entstehen dann automatisch solche solche Colonel die irgendwie.

00:25:54: Klever Sinn und das Problem zu lösen das ist so ein bisschen die Mikey wo man auch noch nicht so ganz verstanden hat warum das so gut funktioniert also ja also das ist sich irgendwie in der Sache annähern durch.

00:26:07: Back-propagation ist irgendwie klar nur die Frage ist dass es dann auch gut generalisiert.

00:26:12: Also spricht dass es nicht nur auf den Werten funktioniert die man rein gegeben hat sondern auch auf neuen Beispielen

00:26:19: das ist eben noch so ein bisschen die die Magie oder auch die die Faszination die dann die Leute haben wenn sie mit neuronalen Netzen arbeiten das ist gut klappt.

00:26:29: Okay ok ja klingt auf jeden Fall ein bisschen im Bett bisschen wie Zauberei wenn man wenn man dann am Schluss auch gar nicht mehr vielleicht genau versteht warum das Problem gelöst wird es man hat.

00:26:40: Wenn man wenn man nicht das ist ja letzter nicht das ist ja eine Blackbox an Dich genommen habe oder also ich weiß was ich für Daten reinstecken kann ich kann die Resultate beurteilen ich weiß technisch wie es funktioniert wenn ihr zu neuronales Netz hab

00:26:53: hast du was da technisch dran ist ich kann ja auch mir diese diese Gewichte anschauen die es wert ist der Parameter

00:27:00: aber ich versteh ich weiß nicht warum dieses sind letztendlich weil das im Teil von diesem von diesem Prozess ist wenn ich wenn ich da jetzt zu lernen Daten rein stecke oder.

00:27:11: Na also die die Interpretation also wenn man jetzt mal so ein neuronales Netz gelernt hat.

00:27:20: Dann im Nachhinein zuschauen wie.

00:27:24: Wie funktioniert das jetzt eigentlich da da gibt es da gibt es schon die ein oder andere Methode sich das da so ein bisschen rein zu schauen aber es ist schon so wie du sagst es ist in gewisser Weise eine Black Ops 3

00:27:37: häufig diese neuronalen Netze und gerade wenn wir jetzt von tiefen neuronalen Netzen sprechen sehr vielen Playern und mit sehr vielen

00:27:44: unterschiedlichen tatsächlich auch also in den letzten Jahren haben hat sich das auch noch mal sehr stark weiterentwickelt was für.

00:27:54: Arten von Sauer meine Neuronen da existieren können sondern All-Net die sind auch nicht mehr alle gleich dann.

00:28:04: Dann wird es halt sehr schwierig und dann ist es sozusagen nicht mehr so gut vorhersehbar und das möchte ja möchte man ja unter Umständen was denn eigentlich der

00:28:14: der Output von so einem neuronalen Netz ist wenn man eingegebenes angegebene input hat.

00:28:20: Ja also gerade dass du sagst finde ich auch noch mal interessant wenn ich jetzt meine meine Katzen erkennen kann auf meinen Fotos und ich habe es wohl dafür so eine Technologie wie ist ein neuronales Netz in machine learning Technologien.

00:28:34: Dann ist es für mich als User ja erstmal eine gute Sache denn mein Problem dass ich hatte

00:28:39: zwar die Klassifizierung von meinem Fotos ist der Hund drauf ist der Kratzer drauf die ist damit gelöst aber wenn ich jetzt vielleicht Funktechnologie habe um automatisch an der Börse meiner mein Geld zu investieren

00:28:51: dann ist es vielleicht ja auch ein ganz gutes Gefühl zu wissen warum macht eine wachten dieser Algorithmus oder warum macht denn dieses System X oder Y und nicht nur darauf zu vertrauen dass das schon alles irgendwie

00:29:04: also gut funktioniert dann oder das ist immer zu meinen Gunsten funktioniert in meinem Interesse.

00:29:09: Könnte uns da nicht so die mathematische Modellierung dann helfen Florian bei solchen Problemen wo ich sag hey ich möchte einfach gerne wissen.

00:29:18: Warum passiert irgendwas das kann kompliziert und komplex sein dann muss ich mich ja mal reinfuchsen irgendwie in Mathematik oder in Finanzmathematik und in höhere Mathematik und noch ganz andere Mathematik

00:29:29: oder mir ist von Experten wir dich vielleicht zur zur Hand holen der Miss erklärt am kannst du kannst du vielleicht mal so

00:29:38: Beispiele nennen wo mathematische Modellierung der Goldstandard ist.

00:29:44: Ja also mathematische Modellierung ums ganz kurz einzuführen noch vom vom Begriff.

00:29:52: Um das noch kurz zu erklären ist ja erstmal die die Kunst war sie irgendein Problem irgendein Problemstellung

00:30:02: erstmal die Sprache der Mathematik zu übersetzen also irgendeine klare nachvollziehbare Formulierung zu finden und sich dann diese Formulierung anzuschauen und aus der Analyse dieser Formulierung

00:30:14: eben dann irgendwie Mehrwerte auch antworten oder generell Hilfen zu bringe zu bekommen die in irgendeiner Form nützlich sind für den.

00:30:24: Fröhlichen Anwendungsfall das heißt der Ausgang ist halt immer der Anwendungsfall

00:30:31: was man immer versucht zu lösen und der Blick ist erst im zweiten Schritt auf die eigentlichen Daten um.

00:30:39: Dann bisschen Unterschied zu machine learning oder auch ai herzustellen das heißt.

00:30:45: Am um zur Frage zurückzukommen was den Anwendungsfälle also Anwendungsfälle sind für mich immer dann wenn ich strukturierte Daten habe also gerade nicht,

00:30:57: Bilder und geraten ich irgendwie textuelle Daten oder Audiodaten sondern wenn ich eher

00:31:05: die man so kennt tabulare Daten habe wo ich eben in welchem es rein habe oder Daten wie es im industriellen Umfeld anfallen

00:31:15: und wo ich dann eben irgendwie ja irgend Erkenntnis entsprechen bekommen wir also klassische Anwendungsfälle sind z.b. Lamm Empfehlungssysteme.

00:31:29: Finde ich wenn man es rein kollaborativ sieht.

00:31:33: Also ein Beispiel wenn wir ja Netflix aufmachen bekommen wir ja relativ schnell sehr viele Filme empfohlen die wirklich auch sehr sehr häufig extrem gut in eigenen Geschmack treffen also zumindest ist es bei mir so.

00:31:48: Wann fängt der an und mit einer Serie und dann die nächste ach cool die ist ja so ähnlich oder hey schaue ich mir auch noch an und ich meine das

00:31:55: dahintersteckt halt auch relativ viel mathematische Modellierung weil man was was Netflix ist endlich tut es versucht so irgendwie zu erkennen was die

00:32:09: Charakteristika von verschiedenen Benutzertypen es von Anwender Anwenderin die sich Netflix anschauen und dann zu erkennen okay

00:32:19: wo ist der Geschmack von von von einem Anwender vielleicht ähnlich einer Anwenderinnen einer Zuschauerin

00:32:26: und dann kann man so Beispiel aus Filmen die die eine Person nur nicht geguckt hat die dann

00:32:31: werden dann gegebenfalls für andere interessant um das also erstmal so ganz abstrakt zu beschreiben und dann kann man eben mit sehr vielen Annahmen kann man da.

00:32:43: Der entsprechende

00:32:44: mathematische Modelle aufbauen bei diesem rein kollaborativen Ansatz ins eben z.b. so so matrixfaktorisierung and

00:32:54: um dann letztendlich gute Empfehlung zu geben eine anderen Fall immer dann wenn es physikalisch wird also wenn.

00:33:03: Wir hatten ja mal ein Projekt wo was uns und physikalischer Prozess da war was ich irgendeine Stör Wert in einem Fluid angereichert hat

00:33:14: und auch da ist es eben so dass man durch Wissen über diesen physikalischen Prozess schon.

00:33:21: Herleiten konnte wie eigentlich eine Lösung aussehen sollte welche Lösungen komplett unmöglich sind

00:33:30: also z.b. Inge negativer Wert wäre absolut unmöglich gewesen einfach physikalisch oder auch

00:33:37: In Extremo werd und durch entsprechende mathematische Formulierungen kann man im

00:33:44: Gleichungen entsprechend formulieren die man dann immer noch mit Daten an passt also man hat immer noch dieses dieses fitting oder dieses trainieren ist immer noch dabei

00:33:55: aber man steckt eben extrem viel domänenwissen mit rein und es ist manchmal auch bei.

00:34:02: Anwendungsfällen Wie sieht auch Marketing Effekte

00:34:07: kann das sehr sehr nützlich sein das kann immer dann wenn es um Kausalität geht kann das sehr sinnvoll sein oder wenn ich eben wenig

00:34:17: wenig Daten habe was sehr häufig auch,

00:34:20: vorkommt am man denkt immer man man lebt ja im Zeitalter von Big Data man hat von allem beliebig viele Daten aber häufig ist es so dass wenn man in die Anwendungsfälle rein schaut und wenn man dann die Daten entsprechend schneidet also

00:34:34: auf einzelne Kategorien runter geht dass man dann gar nicht mehr so viele Daten hat ein klassisches Beispiel Z ist wenn ich.

00:34:43: Nenne die man Prognose machen möchte für.

00:34:48: Für Supermärkte also sprich die Frage beantworte wie viel sollten die Supermärkte eigentlich einkaufen in den nächsten Wochen damit

00:34:58: die Regale entsprechen voll aber auch nicht zu voll Sinn dann

00:35:03: ist immer Weihnachten so ein Problem zu modellieren also Weihnachten ist irgendwie eine verrückte Zeit für für retailer generell.

00:35:11: Das war zum Einkaufen generell eine verrückte Zeit Weihnachten.

00:35:14: Ich spreche spreche aus Erfahrung.

00:35:17: Genau also es ist plötzlich werden ganz andere Produkte gekauft und Produkte werden irgendwie x-mal mehr gekauft als im Rest vom Jahr und so weiter und

00:35:26: da das jedes Jahr ein bisschen unterschiedlich ist wie Weihnachten auf die Feiertage fällt aufs Wochenende.

00:35:34: Hat man dann relativ schnell obwohl man von tausenden Supermärkten irgendwie die letzten 5 Jahre an an Daten hat und denkt wo ich habe.

00:35:42: Data definitiv wenn ich mir dann aber diesen Effekt an Weihnachten anschaue merke ich dann plötzlich das

00:35:48: Weihnachten dann hat man nur noch quasi von den 1000 Filialen die man hat,

00:35:55: also diese 1000 Datenpunkte oder halt mal drei oder vier je nachdem wie lange man da Weihnachten annimmt

00:36:01: und dann hat man letzten 5 Jahre also noch mal 5 also hat man jetzt mal so pi mal Daumen 5000 mal die anzahl der der Weihnachtstage

00:36:12: und wenn die jetzt alle unterschiedlich fallen dann habe ich gar nicht mehr so viele Daten dass ich jetzt Modell

00:36:19: einfach komplett ohne Expertenwissen loslaufen lassen kann

00:36:25: und das ist dann auch wieder sonstwie Sport wo es Sinn macht z.b. dieses Feature wirklich händisch noch zu modellieren und so ein paar Sachen mitzugeben wo man einfach weiß es verhält sich so.

00:36:37: Dass ich auch immer eine Gefahr weil man auch Fehler machen kann also immer wenn ich wissen in so ein Modell mit rein gebe dann kann ich natürlich falsch liegen.

00:36:45: Aber ich kann es auch damit deutlich Daten effizienter machen dass ich eben durch Vorwissen was ich rein stecke dann weniger Daten brauche um diese feinjustieren aufzumachen.

00:36:57: Das heißt wenn du jetzt mit mathematische Modellierung eine Problemlösung randschau rangehst

00:37:04: dann schaust du dir erstmal die ganzen Fakten an die es gibt die ganzen Gesetzmäßigkeiten am liebsten ist es dir wenn das strukturierte Daten sind wo man dann halt auch in welche Regeln oder zur ableiten kann durch das Beispiel gerade gebracht mit diesem

00:37:18: mit dieser Physik Fragestellung wo es dann da auch noch mal irgendwelche Rahmenbedingungen gibt welche Werte die müssen positiv sein die müssen indem

00:37:26: Bereich sein und auf Basis dessen fängst du dann an zu Modell aus zur Arbeit und zu die die Realität dann quasi mathematisch abzubilden

00:37:35: das weiß da bist du aber dann aber auch abstrahieren müssen oder also.

00:37:39: Also man kann also Modelle zeigen der Vereinfachung der Realität also da will man ja hin

00:37:46: und der aber der kann ist wie du gesagt hast also das ist erstes erstmal wichtig zu verstehen den Anwendungsfall wirklich durch und durch verstanden zu haben was soll wirklich damit gelöst werden.

00:37:59: Und wie sind die Zusammenhänge was sollte ich mir anschauen was sollte ich verstehen.

00:38:06: Und dann schaue ich in die Daten des heißt diese die Daten

00:38:11: bekommen dann bisschen in nachrangigen wert also man braucht sie

00:38:18: aber man geht halt immer auch mit gewissen Annahmen rein und

00:38:22: stell dann z.b. auch mal fest dass Daten an mancher Stelle vielleicht auch überhaupt keinen Sinn machen also Datenqualität ist ja häufig in Anwendungsfällen auch ein Thema.

00:38:32: Und wenn ich quasi nur den Daten glaube dann kann ich auch Fehler machen also man kann Fehler machen mit falschen Annahmen

00:38:39: man kann auch Fehler machen indem man Daten vertraut die vielleicht gar nicht die Qualität haben die man gerne haben möchte und da ist zumindest meine These dass man.

00:38:52: Wenn man den den Anwendungsfall wirklich im Blick behält und auch den Anwendungsfall verstanden hat dass man dann solche Fehler einfach schneller,

00:39:00: findet weil man dann Inkonsistenzen eben schneller feststellt.

00:39:07: Würdest du sagen dass es ein Vorteil ist bei der mathematischen Modellierung im Vergleich jetzt zur zu machine learning dass du

00:39:14: Fehler vielleicht einfacher erkennen kannst weil du weißt wie so ein Modell funktioniert aber du da einfach so durch blickst was da genau passiert.

00:39:23: Also ich würde sagen das ist schon also für mich ist es ein Vorteil dass ich eben diese.

00:39:31: Diese Möglichkeiten noch habe da auch die Daten noch mal auf die Konsistenz und auf die Sinnhaftigkeit noch mal.

00:39:40: Ja noch mal zu überprüfen bzw mir wird mir würde auffallen wenn etwas überhaupt keinen Sinn macht also auch da wieder das einfache Beispiel wenn ich jetzt

00:39:51: beim deinem demand forecasting wenn ich dir jetzt in meinen Werten was immer mal wieder vorkommt irgendwie ab Verkaufszahlen von -5 habe annimmt

00:40:00: Tag wenn ich weiß okay ich kann halt nur 10 es quasi kleinste Zahl an Abverkauf dich haben kann das heißt -5 okay ging da jetzt irgendwas zurück wurde da was in the rain gebucht

00:40:14: dann dann stehe ich quasi Fragen dann stelle ich Fragen an den Kunden ja wie ist denn die Zahl zu interpretieren wenn ich jetzt quasi das alles nicht mache und so einfach nur sag okay gib mir die Daten.

00:40:27: Welche Spalte soll prognostiziert werden ich werde es in meinem Modell dann wird da irgend ein Ergebnis rauskommen und das Ergebnis.

00:40:37: Ist dann vielleicht nicht so so sinnvoll und ich bin gerade diese Fragen auch zu erkennen

00:40:42: okay bis mir die Daten zu interpretieren ja könnte man das nicht erst so machen auf das ist ja schon ein super Erkenntnis für ein Anwendungsfall

00:40:51: Amrum dann gegebenfalls auch die Prozesse die die Daten generieren zu verändern dass man z.b. Rückläufer anders Bucht oder

00:41:00: ja also ich finde einfach das Verständnis im Anwendungsfall wirklich verstanden zu haben und früh mit Domain Experten ExpertInnen zu reden.

00:41:11: Und die miteinzubeziehen ist ebenso das wichtiger.

00:41:16: Für für die mathematische Modellierung und dann zu einem Modell zu kommen es kann auch sein dass man dann am Ende

00:41:25: sich auch eines Modells aus dem machine learning bedient es kann auch sein also dass man z.b. wirklich sagt okay an der Stelle brauche ich

00:41:34: irgend einen universellen approximator was letztendlich solche.

00:41:39: Sachen sind jetzt mal schwersten random forest oder Creighton boost efficiency oder vielleicht sogar neuronales Netzwerk

00:41:46: Abend es kann auch vorkommen dass man dann zu der Erkenntnis kommt aber es steht halt wirklich diese Anwendungsfall im Mittelpunkt und ich habe zumindest aus meiner Erfahrung auch sehr häufig erlebt dass es dann zum Teil auch sehr sehr einfache Modelle sind also

00:42:00: irgendwelche ja eine lineare Regression

00:42:04: die häufig belächelt wird aber wenn man gutes Feature Engineering macht und dann mit einer linearen Regression kann es auch ein sehr sehr gutes Modell sein was das Problem löst.

00:42:17: Und zusätzlich auch noch einfach zu die Backen ist und irgendwie auch klar und verständlich also darum also ich bin Freund auch von von sehr einfachen Verfahren die einfach nur so komplex sind wir so wirklich sein müssen

00:42:30: um den Anwendungsfall zu lösen.

00:42:32: Robin was meinst du dazu also für mich klingt das so eine mathematische Modellierung

00:42:38: da guckt man das die Lösung einfach ist man versteht die Lösung man erkennt da auch ganz schnell Probleme oder Fehler weil

00:42:46: man ja alles gut durch modelliert hat und ja es kann mal sein dass man vielleicht doch mal so bisschen machine-learning brauchst Zimmer nicht Randbereiche dann ist es doch okay

00:42:57: wenn man vorher Mathematische oder erstmal rausgefunden hat das ist auch wirklich notwendig ist

00:43:02: aber für die Sachen wo es drauf ankommt wie z.b. Netflix Empfehlung und das sind was glaube ich nicht dass das was wirklich wirklich wirklich wichtig es ist dass die gut sind wenn man zwei Freizeit die muss ja sinnvoll verschwendet werden also.

00:43:16: Da setzt man schon lieber auf Mathematik aber klar es gibt auch andere wichtige Bereiche Kätzchen erkennen auf Fotos etc.

00:43:24: Da ist machine learning guter Ansatz klar oder halt der mich heinickel Türk bei Amazon der wär vielleicht auch noch ein ganz guter Ansatz was meinst du dazu.

00:43:34: Wolfgang ich finde es erstmal super wie schön überspitzt du das jetzt gerade dargestellt hast.

00:43:39: Was heißt nichts.

00:43:45: Ja ich würde.

00:43:46: Zusammengefasst.

00:43:47: Ja ich habe da ich habe die ganze Zeit überlegt ich bin ja eigentlich schon ziemlich nah bei bei Florian aber ich hätte ihm auch gesagt.

00:43:59: Das was du da geschrieben hast das ist für mich eigentlich machine learning nur es ist natürlich klar dass es unter Umständen vielleicht nicht in jedem Projekt sogl.

00:44:13: Der Heiz und diese Einfachheit mit KI Modellen.

00:44:20: Zu hantieren ja die verleitet natürlich dazu dass man sagt ich habe hier ein Datensatz.

00:44:26: Und ich werde da jetzt mal ein tiefes neuronales Netz drauf.

00:44:32: Und das lernt ihr das Problem also sozusagen zu lösen und dann bin ich fertig so und das ist halt heutzutage tatsächlich super super einfaches gibt hervorragende Bibliotheken die.

00:44:47: Ja die Modelle aller möglicher Fasson sozusagen anbieten und die kann man nutzen da.

00:44:56: Braucht man dann nur genug Rechenzeit und dann lernen die schon was vernünftiges aber.

00:45:04: Ich bin da völlig bei Florian wenn er sagt hey wir müssten da eigentlich sozusagen mehr Gehirnschmalz reinstecken und von der vom Bußgeld kommen.

00:45:13: Ich muss aber auch sagen dass ich an der Stelle verschwimmen für mich diese Begriffe machine learning und mathematische Modellierung.

00:45:23: Letztlich kann man natürlich nicht verhehlen dass.

00:45:26: Solche Tiefe neuronale Netze auch eine sehr matt man sehr Mathematische Kern haben genauso wie ich jetzt beispielsweise.

00:45:35: Die genannten Modelle wie so ein lineares Modell der oder auch ein.

00:45:40: Einen Jahren sowohl als Teil der Saubermann machine learning Toolbox aufpassen würde wie aber auch natürlich als als mathematisches.

00:45:51: Tool er so ich glaube das Entscheidende ist und,

00:45:57: ich meine wenn man wenn man so bisschen in die Lerntheorie geguckt dann ist es ja auch so dass man also maschinelle lernen.

00:46:04: Probleme da gibt es eine ganze Reihe von Komponenten die man da einbezieht wenn man wenn man die verwendet und zwar sind das dann nicht nur die Daten sondern das ist.

00:46:15: Auch Hintergrundwissen das wird häufig mehr oder weniger explizit einem solchen Modell mitgegeben.

00:46:23: Nämlich in erster Linie mal dadurch dass man sich überhaupt für eine Modellklasse entscheidet das heißt also ob ich.

00:46:32: Jetzt eine logistische Regression oder ein random forest oder.

00:46:39: Eben vielleicht ein neuronales Netz mit einer bestimmten Struktur wähle das ist etwas was sozusagen einen ja was ein was dem Gewissen bei ist mitbringt der das Lernen überhaupt möglich macht.

00:46:53: Unterm.

00:46:55: Ich hatte mir eben überlegt den Florian zu fragen wo er denn eigentlich den Unterschied sieht zwischen er dazwischen einer jetzt z.b. die.

00:47:05: Die Gesichte in so einem Neuron zu lernen oder eben aber auch die Parameter die er in seinem mathematischen Modell er vielleicht noch übrig hat er zu fetten.

00:47:17: Aus dem gute Frage.

00:47:21: Ja also die Parameter in der mathematischen Modell haben ja meistens eine direkte Bedeutung also ich will ja nicht Modell was was einfach ist und was irgendwie interpretierbar ist

00:47:34: und wenn ich in Parameter habe.

00:47:39: Bei dem einen Anwendungsfall war das z.b. eine degradations Zahl dann kann ich die entsprechend der Daten eben bestimmen.

00:47:50: Aber in weiß ich wenn da wenn da irgendwie eine vier steht dass es dann auf leichten prozentualen Zusammenhang.

00:47:59: Deine Änderung pro Stunde ist in in irgendein Fluid z.b. und.

00:48:07: Das ist sehr sehr schwierig bei bei neuronalen Netzen also wenn ich einen wenn ich ein sehr flaches neuronales Netz habe dann kann ich sagen okay ich habe jetzt vielleicht

00:48:19: also bei Computer wischen dann ganz viele dieser einzelnen können oder stances.

00:48:26: Und die geben mir letztendlich irgendeine Form von ja von Operationen aber was die genau machen.

00:48:36: Es ist wirklich sehr sehr schwierig von der Interpretation und.

00:48:41: Ich ich gebe auf jeden Fall Robin da vollkommen Recht der der Bereich ist nicht trennscharf also das auf keinen Fall das ist irgendwie.

00:48:49: Alles du bist der Graubereich und

00:48:53: ob mir jetzt linear regression er sagt ok ist eigentlich statistisches statistische Sache irgendwie Methode der kleinsten Quadrate oder ob man sagt ja das ist eigentlich schon klar machine burning das ist Interpretationssache.

00:49:08: Aber es ist mir so dass dies die Denkweise für mich.

00:49:12: Dass ich sage ich möchte also das domänenwissen ist unglaublich wichtig der Anwendungsfall muss verstanden sein und die Methode kommt danach was man aber schon häufiger erlebt.

00:49:25: Gerade bei Leuten die ich was in der eine data science Ausbildung genossen haben dass die Person erst wieder Methodik direkt einsteigen also das ist so ein bisschen

00:49:36: Rezepte dass man sagt okay ich habe tabulare Daten gradient boosted decision trees dana Hammermethode

00:49:45: und Adi Spalte muss ich vorher sagen jetzt wende ich das einfach an ohne wirklich überhaupt mein Daten rein geguckt zu haben oder ohne.

00:49:54: Verstanden zu haben was eigentlich der Use-Case dahinter ist und die die Art des Vorgehens.

00:50:01: Das heißt nicht dass das alles so machen aus dem Bereich machine learning aber das ist sowas was ich heute ja gesehen habe dass das so reflexartig gemacht wird

00:50:11: und um dem bisschen was dagegen zu setzen finde ich einfach den

00:50:16: beginn neuer Begriff im Begriff die mathematische Modellierung der natürlich auch selbst schon sehr alt ist dagegen zu setzen und wieder zu sagen nee also die Daten sind nicht

00:50:26: immer das absolut Wichtigste und nicht der Einstieg der Einstieg ist das Problem und das Verständnis des Problems und dann schaue ich mir die Daten an und dann helfen die mir

00:50:37: ondal und das ist für mich der Unterschied erstmal kann bei allen beiden Parameter haben auf jeden Fall und,

00:50:47: ich habe letztens eine Sache gesehen die fand ich ganz cool wo

00:50:52: wo irgendwelche partiellen Differentialgleichungen mit neuronalen Netzen gelöst wurden und letztendlich.

00:51:01: Die die diese Differentialgleichungen wo auch immer schwierig ist die erstmal aufzustellen oder zu wissen in welchem Anwendungsfall.

00:51:09: Traurig einig welche das ist ja dann die wiederum des domänenwissen

00:51:12: das war aber in dem paper schon vorgegeben also klar also die man hat es vorgegeben man hat quasi nur die Eigenschaft der neuronalen Netze genutzt dass die eben

00:51:22: nimm super universelle approximators sehen und da das habe ich absolut hin gemacht und würde ich auch irgendwie als als.

00:51:32: Mathematische Modellierung ist sehen jetzt im weitesten Sinne weil man einfach,

00:51:39: Eigenschaften für sich genutzt hat die Sinn machen an der Stelle

00:51:43: an anderen Sachen also jetzt auf z.b. tabulare Daten auf jeden Fall erstmal neuronales Netzwerk drauf zu werfen bevor ich deutlich simpler mit toten ausprobiert ab.

00:51:56: Das ist für mich dann wiederum ein falsches vorgehen weil dann habe ich ja kaum noch Chancen zu verstehen was das neuronale Netzwerk auf diesen Daten überhaupt tut und da würden wir Fehler in den Daten

00:52:08: auch gar nicht auffallen und es ist schwierig also was bei neuronalen Netzen halte ich sehr sehr schwierig ist

00:52:17: ist euch es domänenwissen wirklich mit rein zu kriegen also zu sagen

00:52:21: ich weiß aber dass die Werte irgendwie positiv sein müssen oder auch einer gewissen Verteilung genügen solche Dinge es ist bei uns bei neuronalen Netzen wirklich schwer zu erreichen

00:52:32: während bei deutlich einfachen Modellen kann ich so Sachen eben vorgeben.

00:52:39: Das heißt auch Florian meine wenn du von domänenwissen sprichst dann würde ich von Hintergrundwissen sprechen ja also von diesem background knowledge dass man da irgendwie einfliessen lassen kann

00:52:51: und glaube auch in dem Bereich der maschinellen Lernverfahren oder der Verfahren die man klassischerweise irgendwie in diese Kategorie einordnen würde

00:52:59: da gibt es Methoden um so solche Dinge sicherzustellen wie z.b. monotone Eigenschaften von.

00:53:08: Welchen Eingangsgrößen R in Bezug auf die Ausgangsgröße oder irgendwelche.

00:53:15: Soma Wertebereiche die man nicht über oder unterschreiten darf ich glaube da,

00:53:20: da gibt es glaube ich für sehr viele und ja wahrscheinlich hast du recht für neuronale Netze ist das

00:53:28: herausfordernd weil da einfach die Komplizität so groß ist aber für viele andere Lernverfahren ist das durchaus möglich und die langfahren selber haben ja auch.

00:53:38: Immer einiges an ja sagen.

00:53:42: Einiges einige Eigenschaften die man vielleicht möchte number Entscheidungsbaum Beispiel Einstellung Spawn beispielsweise.

00:53:52: Dass man dass man solche Dinger ausnutzt wie.

00:53:57: Dass man seinen seinen Datenraum also denen die Objekte mit denen man da arbeitet dass man die partitioniert na dass man die soziale einteilt in Gruppen und das auch ganz explizit auch für den Nutzer des.

00:54:11: Eines Baums ich glaube das sind auch solche Dinge die.

00:54:15: Potenziell daneben auf Interpretierbarkeit und so weiter einzahlen.

00:54:22: Ich würde jetzt einfach mal sagen ich glaube mathematische Modellierung hört doch eigentlich immer dann auf wenn man

00:54:30: er ist nicht genau weiß aber du sprichst davon vom Domain bist nicht meine

00:54:34: das muss man auch erstmal haben und auf der anderen Seite auch wenn wenn das Problem einfach zu komplex wird oder.

00:54:44: Ja domänenwissen ist definitiv ne Voraussetzung dass man das verstehen kann und

00:54:52: da gibt's definitiv in manchen Bereichen dann einfach Grenzen also jetzt zu sagen ich beschreib.

00:55:02: Irgendwie ein ja wir hatten es ja vorhin von von Gesichtserkennung also im Gesicht mathematisch zu beschreiben.

00:55:12: Stell dich mal einfach unglaublich vor bin ich auch unglaublich wirklich vor ich bin da auch überhaupt kein Experte also da wäre etwas wo ich auch jetzt ohne nachzudenken sein wird ja okay wir brauchen da irgend eine Form von

00:55:25: von neuronalen Netzwerk also damit sie klären mit toten anzufangen hat einfach die Erfahrung jetzt erstmal gezeigt.

00:55:33: Das ist schwierig ist also das hat auch also wie simple man werden kann das hat definitiv auch seine.

00:55:41: Seine Grenzen und damit hat auch die mathematische Modellierung auch irgendwo

00:55:49: dann ihre Grenzen wenn ich den ganzen nicht mehr Herr werden kann dann kann es natürlich sein dass ich einfach noch nicht genug weiß und ich genug verstanden habe oder das ist vielleicht auch gar nicht zu verstehen ist es kann dadurch auch immer irgendwie

00:56:00: passieren dass es zu komplex ist oder das vielleicht habe ich auch nicht die die nötige Reduktion des Problems gefunden er häufig ist es ja so.

00:56:11: Dass man ein wahnsinnig komplexes Problem erstmal aus der Realität hat.

00:56:17: Und dann braucht manchmal ja auch Jahrzehnte bis man erkennt

00:56:22: eigentlich sind da ganz einfache Effekte die dahinter stehen also ich fand und ganz witzig ist Beispiel mal jeder kennt dass du diese.

00:56:33: Diese Vögel Schwärme also dieses diese starren wie die so

00:56:37: genial in riesigen Wolken so quasi zu Krone hin und her fliegen die Richtungen wechseln und man denkt krass sprechen die sich jetzt ab haben die irgendwie alle bluetooth oder irgendwie.

00:56:49: Kontrolle um sich da abzusprechen zu sagen Jungs und Mädchen jetzt alle Links

00:56:55: und man hatte auch irgendwie es ist kaputt ich eine Zeit lang ich habe ihm in der 80er 90er Zone Theorie dass das irgendeine Form von telepathischen Fähigkeiten ist also auch so verrückte Dinge wurden mal.

00:57:07: Sogar in der Fachwelt besprochen weil man nicht erklären sich nicht erklären konnte und letztendlich.

00:57:15: Badestern ich kriege die Lösung auch nicht mehr zusammen ist sind sehr sehr wenige Eigenschaften die letztendlich zu diesem.

00:57:24: Verhalten führen sowas wie wenn jede wenn jeder Vogel quasi einen den gleichmäßigen Abstand also einen vorgegebenen Abstand zum Nachbar halten will

00:57:37: dann sind kleinste Änderungen führen dann.

00:57:41: Durch diese Dynamik in dem System zu Richtungsänderung des ganzen Schwarms also man konnte dann letztendlich so ein Vogelschwarm mit extrem klar mit extrem wenigen annahmen

00:57:53: kann man denn mittlerweile am Computer simulieren ohne jetzt Dinge anzunehmen wie Vögel sprechen sich untereinander ab.

00:58:00: Was wenn ich halt immer faszinierend dass es in deinen ganz kleine ganz kleine Effekte wenn man sie mal verstanden hat.

00:58:09: Die dann irgend Verhalten erklären es sind also Streichfett für mich auch ein bisschen die Faszination an der ganzen Sache oder auch sein System so Sachen wie es Strömungen das ist alles endlich ähm der Bereich.

00:58:22: Mit dem ich mich beschäftigt habe.

00:58:25: Wenn ich verstehen würde als wenn du in meiner Zeit an der Uni wenn ich verzähle wenn ich verstehen will wie eigentlich z.b. Luft um den Flügel von einem Flugzeug irgendwie strömt oder von dem Vogel dann kann ich natürlich sagen das ist ja wahnsinnig Komplex irgendwelche Atome und die stoßen sich ab

00:58:44: oder ich vereinfache das ganze Problem indem ich nur sag ok das ist ein Kontinuum

00:58:49: und es hat gewisse Strömungen also Geschwindigkeitsvektoren an jeder Stelle und irgendeine Dichte und so weiter also ich reduziertes Problem soweit das ist eine schon gar nicht mehr wirklich

00:59:01: der physikalischen Realität entspricht und irgendwann ist dann aber greifbar dass Probleme nach lösbar

00:59:08: und trotzdem habe ich noch Möglichkeiten Erkenntnisse

00:59:13: zu bekommen aus diesem einfachen Modell was dann in der mir in der Realität hilft weil aktuell werden alle Autos und Flugzeuge werden mit irgendwelchen Strömung also computational fluid dynamics.

00:59:28: Tools gebaut oder konstruiert designt und

00:59:34: die passieren ja alle auf extrem vereinfachten Annahme und das ist voll was für mich diegundy.

00:59:40: Die Faszination in die ausmacht dass das funktioniert und ich glaube

00:59:44: diesen Grundgedanken sollte man auch viel häufiger selbst anwenden wenn man eben an irgend so einen Daten Use Case dran geht nicht die Methodik in den Vordergrund stellen sondern erstmal ich will das Problem verstanden haben.

00:59:58: Aber was bedeutet denn das für für den der fürs Berufsbild data science oder data scientist.

01:00:07: Also ich verstehe eure beiden Positionen glaube ich ganz gut also Florian

01:00:10: du meinst es ist wichtig Probleme zu verstehen wenn man sich daran macht mit domänenwissen Dinge zu verstehen findet man vielleicht einfacher Lösung aber und das seid ihr euch ja einig.

01:00:21: Diese ganzen machine learning Verfahren die haben auf jeden Fall der Daseinsberechtigung weil es Problemklassen gibt

01:00:27: die man einfach nicht in endlicher Zeit mit mathematische Modellierung lösen kann sowas wie die Modellierung von von dem Gesicht oder so also

01:00:35: es gibt wir haben riesen Werkzeugkasten das in konkrete Methoden drinnen wie jetzt neuronale Netze CCC

01:00:42: aber da ist halt auch so dieses ganze Mathematische wissen drin aber was muss denn so ein Data scientist denn jetzt eigentlich alles beherrschen um möglichst optimal Problem zu lösen.

01:00:53: Und kann das ein Data scientist heutzutage eigentlich auch leisten dann

01:00:58: ich weiß nicht genau wie es bei uns ist wir haben viele Leute es aus dem Bereich data science aus dem Bauch raus würde ich sagen die meisten haben irgendwie nen Informatikstudium da irgend im Bachelor oder Master die Blumen

01:01:10: gibt's ja noch bei so alten Recken wir uns.

01:01:13: Aber also ich glaube die meisten haben irgendwie doch dann zu data science Schwerpunkt vielleicht gewählt und da ihren Informatik Master gemacht

01:01:21: hat man da heute genügend in Mathematik also ich habe Mathe Mathematik Diplom ich habe mir Informatik Diplom und ich hatte zwei Semester Mathematik 1. Semester 2. Semester aber mir Mathematik

01:01:33: es gab später noch so ein paar Wahl Vorlesung im Bereich Mathe bei mir ist ich habe mathematische Modellierung z.b. als Wahl Vorlesung mal gehabt vor

01:01:41: Bayern aber sonst gabst du mir es nicht so einen richtig großen Mathe schwer.

01:01:49: Ja sicher ich glaube mal das.

01:01:53: Informatiker sagen wir mal dass dass dir jetzt mal so propagiert also Informatiker sind glaube ich durchaus wenn sie ihren Schwerpunkt in diesem Bereich haben entweder einen Preis.

01:02:05: Ja wie man ihn auch jetzt nennen will data science machine learning das sind ja Begriffe die schon.

01:02:12: Eher Synonym sind oder sehr synonym verwendet werden auch ins ist schlecht ursprünglich mal waren aber.

01:02:19: Ich glaube da kann man sich schon eine gute Grundausbildung abholen in so einem Informatikstudium wenn man sich gerade in diesem Bereich dann auch spezialisiert.

01:02:31: Natürlich ist es so dass.

01:02:34: Man gerade wenn man natürlich aus der Mathematik kommt dann hat man natürlich eine super Werkzeugkasten dabei diese Dinge von denen Florian gesprochen hat also meinetwegen physikalische Gesetzmäßigkeiten Zusammenhänge oder.

01:02:49: Oder auch andere Dinge aus anderen Use-Case ist wirklich mathematischen zu schreiben aber ich glaube auch wenn man sozusagen von der anderen Seite kommt also quasi von der.

01:02:59: Ja mit der machine-learning Expertise groß geworden ist dass man da wenn man das erkannt hat dass es wichtig ist die richtigen Modelle auszuwählen die richtigen.

01:03:12: Auf die richtige Art und Weise solche Rahmenbedingungen auch in die Modelle aufzunehmen und da gibt es wirklich eine ganze Reihe von Möglichkeiten.

01:03:21: Dass man da durchaus in der Lage ist auch sozusagen von der anderen Richtung in in an der gleichen Stelle anzukommen.

01:03:32: Ich glaube die die Ansätze sind da sind ja gar nicht so so unterschiedlich.

01:03:39: An der Stelle glaube ich ist auch noch mal kann man auch glaube ich noch mal darauf hinweisen dass ich meine.

01:03:47: Dass man auch wissen erzeugen kann durch die Anwendung von maschinellen Lernverfahren also häufig ist es so dass ich mein,

01:03:57: Florian ist gerade beschrieben naja man geht sozusagen knowledge first an so ein Problem ran also ich habe das Hintergrundwissen über das Problem ich Mathe modelliere das und dann stehe ich vielleicht ein paar Meter von Dingen

01:04:11: die ich weiß noch nicht ganz genau hin schreiben kann.

01:04:15: Und data first wär ja dann wahrscheinlich so ein bisschen der andere Ansatz wo man sagt man nimmt erstmal die Daten schmeiß ein paar moderne drauf.

01:04:23: Was dabei raus.

01:04:25: Ich glaube aber auch dass dieser Delta first Ansatz seine Berechtigung hat gerade in dem Bereich wo man vielleicht noch nicht soviel weiß wo man vielleicht an dieses Hintergrundwissen hat und mit den richtigen Modell.

01:04:38: Also es gibt ja durchaus auch Modellklassen die vielleicht heutzutage gar nicht mehr so populär sind ja so Entscheidungsbäume ist beispielsweise eine Modellklasse aber auch regelbasierte Systeme ja die die.

01:04:52: Erzeugen sozusagen über die erzeugen eine Regel Basis aus den Daten die ich da ich da rein stecke.

01:04:59: Und diese Regeln die sind super zu interpretieren er hat die müssen natürlich im Zusammenhang mit den anderen Regeln muss sich das angeschaut werden aber da steht dann z.b. sowas drin.

01:05:15: Wenn ja nimm dir mal das Beispiel in die Kreditwürdigkeit ja das ist ja irgendwie so dass er eins der ersten Beispiele die man in einem Studium des sonnenspeer. Dann sieht also wenn der.

01:05:29: Wenn der Kunde irgendwie älter als 45 ist und zwei Kinder hat und 1000 € im Monat verdient dann.

01:05:40: Er ist eher mehr oder weniger kreditwürdig also solche Regeln die die durchaus auch in einen indischen Problembereich den man da vor der Nase hat.

01:05:53: Den man vielleicht vorher noch gar nicht wusste.

01:05:58: Und insofern kann sozusagen auch wenn man das Problem von der anderen Seite auf zieht dem domänenwissen sagen.

01:06:07: Zumindest vergrößert werden und das wiederum kann dann natürlich auch wieder genutzt werden.

01:06:14: Solche Regeln vielleicht auch mal mit einem Experten zu besprechen zu validieren Hey macht das überhaupt sind das was diese Regel aber wenn das sozusagen bestätigt werden kann.

01:06:25: Dann kann das ja wiederum genutzt werden um vielleicht in dem zweiten oder dritten Schritt dann.

01:06:32: Tatsächlich mal von der anderen Seite zu kommen und zu sagen okay jetzt haben wir.

01:06:37: Andy vielleicht durch diesen data first Ansatz Einsatz generiert

01:06:42: die wir auch irgendwie von Experten Zeit für sinnvoll halten und jetzt gehen wir mal hin und und schreiben das mal runter und besuchen das mal gemeinsam Mathematische, zum modellieren und so kann man auch sukzessive domänenwissen aufbauen.

01:06:59: Ich glaub wir sind auch überhaupt nicht weit auseinander also ich glaube es ist auch es ist ein reines meins.at also dass man in dieser Anspruch dass man die Dinge verstehen will und notfalls auch mal die Daten

01:07:12: infrage stellt also.

01:07:15: Genau also wie kreditwürdig jemand ist mit zwei Kindern und der Monat 1000 € verdient ist er dann die Frage.

01:07:24: Oberflächen Datenfehler an der Stelle war weil es dann doch irgendwie wendest es Produkte halt waren bisschen wenig ist oder sowas aber also insights könnt definitiv aus den Modellen entstehen.

01:07:38: Und das ist während der Stelle ist auch ein sehr sehr interpretierbare ist Modell also.

01:07:46: Also ich würde sagen so zu der zu der Frage was data-scientist mitbringen sollten ist eben dieses meines Erachtens zumindest dies.

01:07:59: Ja

01:08:01: Den Drang wirklich das Problem verstehen zu wollen und auch die Daten verstehen zu wollen und eben nicht nur ich werfe irgendwas drauf und das sieht man halt schon häufiger mal dass so vorgegangen wird

01:08:15: unter dem kann man ja entgegenwirken und ich glaube an Ausbildung ob man jetzt.

01:08:20: Mathematiker Informatiker Physiker Physikerin ist oder auch aus Wirtschaftsingenieurwesen kommt oder was ganz anderes ist eigentlich egal

01:08:30: wenn man da Interesse hat in den Use Case reinzukommen das Internet macht's ja möglich man kriegt so viele Ressourcen

01:08:37: wo man sich selbst ist und Use Case ja auch rein lesen kann und die Theorie auch arbeiten kann

01:08:44: dass man das auch schaffen kann ohne jetzt irgendwie ein Studium genau in dem Bereich gemacht zu haben bis zu einem gewissen Grad natürlich und dann muss man sich eben mit den Domänen ExpertInnen austauschen,

01:08:57: und genau dann kriegt man dadurch.

01:09:02: Irgendwie die die Lösung und es kann ja auch iterativ sein also so wie Robin genau beschrieben hat also man fängt mit was an die Entscheidung für so ein regelbasiertes System kann ja auch erstmal die erste entscheidung sein dass man durch Analyse des use cases

01:09:17: bei den Finanzgesellschaften ist es ja so dass es da ja auch Gesetze gibt du darfst nur regelbasierte Systeme verwenden oder interpretierbare Systeme

01:09:26: dann fängt man eben mit so einem ersten Wurf an der aber jetzt schon den dem Kontext entspricht den Anforderungen

01:09:35: und dann schaut man sich die Daten an und es keine rätemodell und kommt dann vielleicht auf die DOG lass uns doch mal noch ein Feature bauen was so und so ist und dann das ist gleich das was ich als klassisches ml auch sehen

01:09:49: am ich würde es dann nur ein bisschen differenzieren zu diesem Versprechen von diesem

01:09:56: tiefen neuronalen lern von diesem mehr wie man aktuell propagiert weil da war ja das große Versprechen immer

01:10:04: du musst dir gar keine Gedanken machen Feature Engineering mach das neuronale Netzwerk für dich du kannst die Rohdaten verwenden und zumindest.

01:10:13: In vielen Artikeln wurde das als quasi als große großes Versprechen immer transportiert.

01:10:22: Daten no + neuronales Netzwerk = eine sehr coole Lösung und das ist so ein bisschen die Sache die ich angreifen würde und würde sagen nein

01:10:31: also da würde ich ganz klar widersprechen ohne Verständnis und ohne da mal genau rein zu gucken

01:10:39: passieren unglaublich komische Dinge am Ende und du wirst irgendwann auf die Nase fallen das ist vielleicht so überspitzt natürlich,

01:10:47: wer das meine These.

01:10:49: Das ist wenn du sagst dass das so propagiert wurde das bringe ich jetzt auch ein bisschen zusammen einfach mit diesem großen Ayia Hype dance irgendwie immer noch gibt

01:10:59: also so dieses ist es dieses Wort machine learning oder künstliche Intelligenz das wird ja immer irgendwie als

01:11:09: Wunderwaffe angepriesen und wenn man sich mal schaut irgendein Produkten die es auf dem Markt gibt

01:11:15: jedes Produkt hat irgendwo noch ein bisschen künstlich Intelligenz drin um zumindest mal noch einen geilen Werbeslogan zu haben und.

01:11:23: Was mich jetzt zum Schluss von euch beiden noch interessieren würde.

01:11:27: Wir haben vielleicht aktuell so diesen großen Hype immer noch was er angeht denn jeder braucht er damit er auf dem Markt vorne dabei ist aber was würdet ihr denn sagen

01:11:38: wo denn die Reise hingeht in den nächsten ein zwei drei Jahren vielleicht bleibt es so dass man auf jeden Fall nur noch machine learning und er braucht.

01:11:47: Oder gleicht sich das vielleicht ein bisschen an weil was ihr beide mir jetzt erzählt habt,

01:11:52: das klingt für mich einfach nach richtig toll im Teamwork wenn man aus beiden Disziplinen ist es beste nimmt ohne medial vielleicht Fall vielleicht auch im Team einfach mit Leuten arbeitet die zum Teil vielleicht eher den mathematischen Schwerpunkt haben

01:12:05: ohne den Computer sein Schwerpunkt haben.

01:12:08: Man sich dann einfach beim top einfach ergänzt und seid der schau mal mathematisch müssen wir da mal drauf gucken haben noch ein inside und guck mal ich kenne hier vielleicht noch eine

01:12:17: coole neue Anwendung für neuronale Netze und ich habe noch ein paar neue neue Neutronen dabei in den Neuronen

01:12:26: und am dass man sich so einfach erkennen also sowas finde ich natürlich ganz cool.

01:12:31: Ja wenn man sich genau wenn man sich jetzt die Frage stellte geht's in der Zukunft weiter ich glaube irgendwann wird es so sein dass das.

01:12:41: Das im Prinzip in jedem Stück Software oder in jedem Jahr überall da wo sozusagen solche.

01:12:50: Algorithmen sind jetzt endlich Algorithmen.

01:12:56: Sinn machen dass die da auch enthalten sein werden und keiner wird Natur sprechen weil das irgendwie ganz normal sein wird das.

01:13:03: So ähnlich wie es Sortieralgorithmen oder Datenbank Indizes oder so da spricht auch keiner mehr drüber und ich kann mir vorstellen dass das früher oder später das auch für solche.

01:13:18: Ja für solche Maschinen anhängen KI Bausteine sozusagen sich so ergeben wird und.

01:13:30: Das wird sozusagen in die.

01:13:34: In den Werkzeugkasten eines jeden Informatikers Mathematikers sozusagen ganz automatisch integriert sein und.

01:13:44: Groß dingermann.

01:13:47: Ja aus dem würde ich total zustimmen.

01:13:51: Dass mein Vati etwas verkauft nur mit dem Label da ist er drin das wird sich irgendwann abnutzen weil die Leute werden immer mehr drauf schauen und als auch die Businesskunden konnten das.

01:14:04: Das ist richtig Lösung einfach gut ist dass man wieder mehr guckt Hey wird eigentlich mein Problem gelöst und wie gut wird gelöst

01:14:11: was dahinter steckt ist ein kann mir ja eigentlich egal sein

01:14:15: und es wird halt immer mehr einfach angenommen dass es funktioniert also dachte dass das Netflix Beispiel wenn man Netflix verwöhnt ist und macht die ARD oder ZDF Mediathek auf.

01:14:30: Was wird mir der gerade eben wieder empfohlen ich schaue jeden Abend die tagesschau und warum steht jetzt wieder irgendwie so ein so ein Pilcher irgendwas Film ganz oben dann.

01:14:44: Dann ist man einfach verwöhnt und denkt sich ok das System funktioniert nicht und ich will jetzt auch nicht haben dass dein Label ai dran steht sondern es muss halt tun und ich glaube da wird die Reise hingehen wie es immer bei einem Hai zeige ist das am Ende

01:14:58: es wird verwendet werden oder ist mit den meisten Fällen so eine Technologie wird verwendet keiner redet mehr drüber aber es ist halt überall mit dabei

01:15:08: glaube ich auch dass es hingehen wird und dass man sich dann.

01:15:13: Ja das man wieder Halt mehr auf die Anwendungsfälle guckt und sich dann halt in dem Gebiet auch sehr gut auskennen muss einfach.

01:15:20: Ich glaube allerdings dass wir den Pik noch nicht erreicht haben also gerade in Deutschland glaube ich das in den nächsten paar Jahren.

01:15:28: Schon noch sehr viele Bereiche aufpoppen werden wo wir sehen Aarau da kann man ja vielleicht auch mal was machen da kann man vielleicht auch ein Fortschritt generieren indem man jetzt wirklich mal.

01:15:41: Solche Methoden anwendet an die man vielleicht vorher noch gar nicht gedacht hat also ich glaube die.

01:15:50: Ja die Landschaft in der wir uns bewegen ja so.

01:15:54: E-Center in Deutschland beispielsweise immer noch sau mal sehr stark dabei Dinge zu digitalisieren ich würde sagen da sind wir uns alle einig dass da die Reise noch lange nicht zu Ende.

01:16:07: Und je mehr das geschieht je mehr man da noch an an Daten auch zur Verfügung hat und Anna Sommer mal.

01:16:16: Geschäftsprozessen und so weiter in die digitalisierten digitale Welt.

01:16:22: Erhebt desto mehr wird es auch möglich sein solche die nur noch anzuwenden und da auch noch mal einen echten echten Mehrwert zu schaffen nichtsdestotrotz

01:16:33: bleibe ich dabei dass das natürlich wenn man dann noch mal ein bisschen weiter denkt dass das dann irgendwie ja keine große Sache mehr sein wird.

01:16:41: Keine große Sache im Sinne von es ist auch für die Leute die Software entwickeln keine große Sache mehr

01:16:49: wenn ich so ein bisschen bei mir so ein bisschen zurück denkt er keine Ahnung hat 10 und 20 Jahren war es echt noch aufwendig und die was mit Datenbanken zu machen da musste man sich richtig reinfuchsen auch in die Daten da mussten sich reinfuchsen Hey wie sieht es irgendwie meine meine Struktur aus meinem ein Motel in der Daten waren sie kann ich effizienter Anfragen generieren damit die Anwendung funktioniert damit eskaliert dass es heute gar kein Ding mehr egal was für eine Technologie dass ich verwende

01:17:16: oder ich selber ich habe früher viel missus Hochtechnologie gemacht ich habe mit Lucien angefangen vor 15 Jahren und da musste man auch noch viel viel nachdenken und

01:17:25: Falle mir das Ganze wie performant sein sollte was die große Herausforderung oder wenn die Suchergebnisse auch einigermaßen verwertbar sein sollten also sonst was auch eine riesen Herausforderung da musste man viel zu naja also search Engineering Einsteck

01:17:39: und heute ist es aber auch kein großes Ding mehr wenn ich heute zu Funktionalität in meiner Applikation haben möchte da gibt's fertige Lösung auch Mortons Forstbereich die kann ich einfach wenden ich muss ein bisschen was konfigurieren

01:17:51: und ich muss da nicht mehr wirklich eine Wissenschaft draus machen wirds dann auch jetzt in diesem ganzen AIML

01:18:00: mm Bereich.

01:18:01: Ich glaube dir dass es da auch soweit kommen wird dass man da einfach viele fertige in Anführungszeichen Lösungen oder oder Konzepte hat die man.

01:18:11: Einfach so anwenden kann im Rahmen von der Softwareentwicklung oder wird man da immer Profis brauchen die die dann auch sich mit data science Themen Mathematik auskennen.

01:18:24: Ich glaub so in vielen Fällen jetzt auch Kontinents Funktionalitäten geben also ich meine.

01:18:32: Zur neuronales Netzwerk für Gesichter und Katzen.

01:18:36: Das wird man von irgendeinem Cloud-Provider wahrscheinlich als Service nutzen würde es noch auf eigenen Daten normal fein tunen und auch in der mathematischen Modellierung ich mein wenn ich am

01:18:51: wenn ich jetzt an computational fluid dynamics denke ich meinte aber dich auch nicht wieder bei Null anfangen und da habe ich meine Software und

01:19:01: kann quasi meinen.

01:19:03: Problem direkt angehen indem ich das beschreib in der Software die mehr das dann löst also es wird ich glaube schon dass da vieles auch angeboten werden wird und man wird halt,

01:19:16: als als data science Person sich immer mehr also als allgemeine immer mehr auf diese Spezialfälle konzentrieren in denen es eben noch keine

01:19:27: Lösung von der Stange gibt also ich glaube schon dass es so eine Spezialisierung wird und dann halt er auf diese customer tailored custom tailored

01:19:37: Lösungen gehen wird am Wehr zu meine Hypothese vielleicht.

01:19:43: Genau ich glaube auch dass es dass ich die die Aufgabe verändern wird und zwar ist es jetzt aktuell ja noch ein sehr sagen wir mal.

01:19:52: Etwas was man dass man herstellt was man baut

01:19:57: also wenn ich jetzt also wie wär das ja eben schon mehrfach besprochen haben ein Kunde kommt mit dem Problem zu uns wir bauen eine Lösungen Prinzip mehr oder weniger von scratch ist es gibt natürlich.

01:20:10: Oma gerne bestimmte was ist Iman Optimierungsalgorithmus oder sowas den man natürlich nicht noch mal selber programmiert sondern nutzt.

01:20:19: Aber ähm.

01:20:20: Es ist aber mal man baut dann noch die ich glaube das wird sich verschieben hinzu etwas das man auswählt also es wird eine Reihe von Algorithmen geben

01:20:31: wie wir ja aktuell auch schon aus der Informatik ganz viele.

01:20:36: Kensei dynamische Programmierung oder greedy-algorithmus oder er oder andere Dinge.

01:20:42: Und jeder Algorithmus hat für spezifische Aufgaben jetzt seine Stärken und Schwächen und es ist sozusagen die Aufgabe des Informatikers da jetzt für ein konkretes.

01:20:54: Problem daneben den richtigen Algorithmus auszuwählen aber der Algorithmus selber der wird nicht noch mal neu implementiert ja und ich glaube so in dem Bereich wird sich das dann auch.

01:21:06: Für das maschinelle lernen oder für die mathematische Modellierung abspielen da wird es da wird es eine Reihe von von Standardkomponenten geben,

01:21:14: die man sozusagen auf dem in erster Linie mal auswählen muss und in zweiter Linie daneben unter Umständen eben noch anpasst an wie Florian sagt eigene Daten oder eben an spezifische.

01:21:27: Situationen die da die da eigene Jungs gegessen.

01:21:32: Das bedeutet also dass es auch in der Zukunft weiterhin spannend bleiben wird.

01:21:37: Immer jedenfalls.

01:21:41: Ja dass das ist ja das Tolle an der Informatik im allgemeinen dass man da wirklich durch die Jahrzehnte hindurch immer so eine tolle Progression hatte es kam immer neue Themen auf

01:21:51: alte Themen hatten irgendwie immer mal wieder so eine neue Dynamik neue Erkenntnisse oder natürlich auch jetzt dieses vielleicht auch im ml Bereich wird ist

01:22:00: durch einfach durch die neue ja Leistungsfähigkeit ihr unsere Geräte heute haben können wir heute einfach Dinge tun die es vor 30 Jahren ja die dann noch nicht funktioniert am einfach.

01:22:09: Florian und Robin es war mir ein Fest mit mich mit euch heute mal über das Thema zu unterhalten,

01:22:16: wir müssen im Nachgang direkt mal klarmachen wann wir noch mal Vorgespräch machen denn ich habe

01:22:22: ganz viele Fragen zum zum Thema machine learning und auch zum Thema Mathematik und was sicherlich noch mal ein bisschen drüber sprechen sollten hier in dem Rahmen da freue mich jetzt schon drauf

01:22:32: ansonsten bleibt mir von meiner Seite nur noch mich für euer ja für eure Teilnahme zu bedanken für das tolle Gespräch.

01:22:41: Hatte die Spaß gemacht.

01:22:44: Mir auch vielen Dank Wolfgang.

01:22:46: Vielen Dank Wolfgang ja danke für Einladung.

01:22:49: Ja und euch vielen Dank fürs Zuhören bei Feedback könnt ihr mir gerne E-Mail schreiben an Podcast at inovex de ansonsten würde mich freuen wenn ihr uns beispielsweise auf unserem Instagram Account folgt der wird verlinkt hier in den shoutouts

01:23:03: Ja und ansonsten wünsche ich euch auch eine schöne Woche und wir hören uns zwei Wochen wieder tschüss.

01:23:09: Intro