MaskinInlärning NyAs Dokument MIND MaskinInlärning NyAs Dokument

Outline Vad är AI och vad är machine learning Vår resa Vad har vi utvecklat i sommar Var står vi nu Demonstration!

Inför demonstrationen Skicka bilder till: johan.burstrom@umu.se

Vad är AI? Då man tänker AI så kanske det första som kommer till tanken är robotar som liknar en action film.

2 Minuter Johan Faktum är att AI består av ett antal ben i olika inriktiningar. Machine learning – Olika sätt för datorn att utföra en uppgift och bli bättre på det. Natural Language processing – Syntax: Regler i språk, Semantik: Meningen bakom orden. Speech – Text-to-speech, Speech-to-text Expert system – Omvandla stora handböcker till system. Robotik – Robotar, Allt från interaktion till funktion Planning – Planering och optimering, ganska nödvändigt för exempelvist självkörande bilar Computer Vision – Hur bilder representeras i en dator.

MaskinInlärning Använder sig av statistiska metoder för att förbättra sig Populärt nu på grund av kraftigare datorer och förenklade verktyg Två lägen: Träning - Klassificering Johan Går ut på att göra massvis med matematiska uträkningar Mer beräkningskraftiga, uträttar många matris multiplikationer och därav utmärkt för GPU enheter Enkla verktyg idag som kommer från teknik jättarna Beskriv lägena med en liknelse

Vi kan börja med att förklara väldigt övergripligt vad maskinlärning handlar om. Man kan tänka sig likna maskininlärning med en lat students innersta dröm. Man låter en smart person eller dator med kraftig beräkningskapacitet lära sig känna igen mönster.

Efter ett tag blir den smarta studenten bra på att känna igen mönster Efter ett tag blir den smarta studenten bra på att känna igen mönster. Den här nyvunna kunskapen om att kunna känna igen mönster sparas ner i hjärnan eller på en fil om man mot förmodan är en dator.

Nu kan andra studenter som inte har samma smarthet eller beräkningsförmåga ta del av den här kunskapen. Den smarta studenten skickar sin hjärna till en annan student.

När nu den lata studenten ska utföra sitt mönsterigenkänningsprov är personen nervös eftersom studenten inte har studerat inför provet.

Men det går som tåget, eftersom studenten kan ta del av kunskapen som den smarta studenten har lärt sig. Närmre hur detta är applicerbart för NyAs dokumenthantering ska Christoffer berätta för oss.

Träning Träning i machine learning är att hitta mönster som knyter eller skiljer en kategori från en annan Olika metoder Supervised Unsupervised 3 Minuter Johan Nätverket består av vikter som avgör hur viktiga olika delar av indatan är. Supervised är att man med facit i hand belönar om nätverket gissar rätt och straffar nätverket då det har fel. Unsupervised learning består av att man presenterar datan och en algoritm försöker själv hitta likheter och skillnader och rama in olika grupperingar. Liknelse Lärarledd undervisning vs Forskning

Supervised Learning Supervised learning är lite som lärarledd undervisning

Unsupervised Learning

Klassificering Använder sig utav träningens resultat Avgöra ifall någonting tillhör en kategori eller en annan Steg Skala ner en bild Låta den gå genom klassificeraren Avläsa resultatet Binär eller flerkategorisk I form av en fråga 2 Minuter Sebastian Använder sig utav träningen för att avgöra klassificering. Klassificering är att sätta en klass på data (I vårt fall dokument) Pre-processing: Vårt fall skala ner en bild men kan vara saker som att öka kontrast eller annan manipulation Processing: Låter en klassificerare sätta värde på de olika klasserna Post-processing: Avläsa resultatet, är det nog relevant?

Flerkategorisk fråga

70% Björn, 25% Katt, 5% fisk

Binär fråga

80% klappa, 20% klappa inte

Hur tolkar man svaret?

Hur fungerar Klassificeraren? Vi har använt Convolutional Neural Network (CNN) Stor potential främst vid bildigenkänning Vi har även kollat på Random Forest Större potential i textigenkänning 1 Minuter Sebastain Alla fungerar olika, vi har främst använt oss utav Convolutional neural network. Detta på grund av att den har visat stor potential i bildigenkänning och det är som bilder vi kollar på dokumenten.

Hur CNN fungerar 2 Minuter Johan Convolutional neural network fungerar genom att med ett litet fönster utföra matrismultiplikationer mot ”Features” DVS om fönstret matchar en inlärd feature så kommer den få ett högt värde. Ju högre siffra desto mer trovärdhet finns för att dessa överenstämmer. Nätveket försöker lära sig vilka features som ska närvara för att datat ska matcha en viss klass.

Vår resa Fredrik Kanske ska göras till animation

Vad har vi gjort i sommar? Två delar: Träning - Klassificering Integration mot nuvarande system En klassificerare baserad på exjobb

Var vi står nu Prototyp i testmiljö Vi utforskar bättre klassificerare Anpassar beprövade Nätverk Bygger större dataset

Demo