Ab jetzt gerechnet in 15 Minuten können Sie Ihren Freunden mitteilen, dass Sie eine KI programmiert haben. Sie benötigen keinerlei Vorerfahrungen, nur ein Google-Konto.
Das von den KI-Enthusiasten Jacob Beautemps und Philip Häussler auf YouTube vorgestellte Minimalbeispiel lautet: „Finde den Zusammenhang zwischen den Zahlenreihen x = [1,2,3] und y = [2,4,6] und erstelle daraus eine Vorhersage für x = 7.“ Das Beispiel zeigt auf frappierend einfache Weise alles, was man über KI wissen muss.
Folgen Sie in der Video-Beschreibung dem Link zum Google Colab Projekt. Dort führen Sie das Beispielprogramm aus, indem Sie (in den eckigen Klammern vor „import“) den „Play“-Button drücken, dann warten Sie auf das Ergebnis. Und um tatsächlich selbst aktiv zu werden, können Sie z.B. die Zahl der „epochs“ ändern und die KI erneut starten. Mit den „Epochen“ bestimmen Sie, wie oft die KI die Chance haben soll zu lernen, das Ergebnis zu verbessern.
Von all dem, was Sie in der nächsten Viertelstunde über KI erfahren werden, nehmen wir nur eines vorweg: während Ihre menschliche Intelligenz den Zusammenhang zwischen x und y augenblicklich erkannt hat, braucht die KI ein paar Sekunden dafür. Das deutet an, dass KI für wirkliche Anwendungen auf sehr große Rechenleistungen angewiesen ist … also auf Hardware, die Sie bei Omtec finden.
| Command | Comment |
|---|---|
| import tensorflow as tf | Here we import the tensorflow library, which is the perfect introduction to neural networks. A library is a prescribed program. It makes our work a lot easier. |
| from tensorflow import keras | We import a special part from tensorflow: keras. |
| model = keras.Sequential ([keras.layers.Dense (units = 1, input_shape = [1])]) | We define our neuronal network, and create a neuron as Dense. There is only one neuron in this example, usually AI works with significantly more neurons. Our neuron is in one layer, and more neurons entail several layers. Think of them like levels in a mesh. |
| model.compile (optimizer = 'sgd', loss = 'mean_squared_error') | Here we compile our neural network, whereby loss measures the degree of error, which is then optimized with optimizer. |
| xs = [1, 2, 3] | Series of numbers 1 |
| ys = [2, 4, 6] | Series of numbers 2 |
| model.fit (xs, ys, epochs = 1000) | We fit our compiled model with our two series of numbers. epochs = 1000 means that the program makes 1000 runs in order to train. Feel free to change the number. The more runs, the better the estimate. At the same time, you can see that the change in loss becomes less and less, the more runs are made. So, at some point, there is hardly any improvement. |
| print (model.predict ([7])) | Here we let our neural network estimate the second number (new ys) if the first number is 7 (new xs). The print command simply displays the output value. |