Understanding AI

Der Activation Atlas ist eine Methode, während der Bilderkennung Vorgänge in einem künstlichen neuronalen Netzwerk darzustellen.

Anatomy of an AI zeigt am Beispiel von Amazon Echo die unzähligen Komponenten und Faktoren, die hinter der Produktion von künstlich intelligenten Systemen stecken.

In Artificial Senses werden die unverarbeiteten Sensordaten von Maschinen, die uns umgeben, live visualisiert.

Chinas staatliche Nachrichtenagentur Xinhua präsentierte im November 2018 ihre ersten KI-Nachrichtensprecher.

Maschinelle Bilderkennung und -generierung kann bereits fantastische Ergebnisse hervorbringen, doch nicht immer können Maschinen fehlerfrei mit den Daten umgehen.

Autonome Maschinen: Die selbstfahrenden Donkey Cars des Ars Electronica Center können sich ohne menschliche Steuerung von A nach B manövrieren.

Der Embedding Projector von TensorFlow zeigt eine Visualisierung von Vektorräumen.

EYES ist eine Serie von Experimenten mit kinetischen Skulpturen.

Das TUM Visual Computing Lab von Matthias Nießner an der Technischen Universität München experimentiert mit einer Gesichtsübertragungssoftware in Echtzeit.

Forma Fluens (lateinisch „fließende Form“) zeigt eine überlappende Sammlung von Zeichnungen, die von über einer Milliarde Personen geschaffen wurden.

GauGAN ist eine Anwendung, die mit wenigen Pinselstrichen in der Lage ist, komplexe Landschaften zu errechnen.

Joy Buolamwini und Timnit Gebru untersuchten die Voreingenommenheit von KI-Programmen in der Gesichtserkennung.

In dieser Anwendung können durch die Benutzung eines Reglers bestimmte Äußerlichkeiten von Personen manipuliert werden.

GPT-2 ist ein Machine-Learning-Modell, welches darauf trainiert worden ist, englischsprachige Texte selbstständig zu vervollständigen.

Die Fortschritte in der Künstlichen Intelligenz prägen unser Alltagsleben in vielerlei Hinsicht. An dieser Station haben Sie die Gelegenheit, sich selbst mit aktuellen Anwendungen vertraut zu machen.

Das Video von National Geographic erklärt, wie sich das Auge im Laufe der Zeit entwickelt hat und geht der Frage nach, wie Tiere die Welt sehen könnten.

Erleben Sie die Leistung von Deep Learning-Algorithmen in einer Live-Umgebung.

Learning to See ist eine fortlaufende Reihe von Arbeiten, die modernste Algorithmen des Machine Learning verwenden, um darüber zu reflektieren, wie wir die Welt verstehen.

Das Projekt zielt darauf ab, eine kritische Perspektive auf Machine Learning-Bilddatensätze zu bieten.

Moralische Dilemmas im Straßenverkehr.

Trainieren Sie unterschiedliche Neural Networks und sehen Sie, wie sich die künstliche Intelligenz aufgrund Ihrer Eingaben verhält.

Maler*innen wurden eingeladen und gebeten, Porträts einer Person zu malen, das nicht von Gesichtserkennungssoftware erkannt werden kann.

Jordan Peele übertrug seine eigene Mimik mit Hilfe der Deep Fake-Technologie auf die Gesichtszüge von Obama.

Zwei industrielle Roboterarme als Marionettenspieler. Über eine von der Forschungseinheit „Creative Robotics“ der Kunstuniversität Linz entwickelte App können Besucher*innen die beiden Roboterarme per Smartphone steuern und die daran befestigten Marionetten bewegen.

Beim pix2pix-Vorgang können freie Skizzen gezeichnet werden, die von einem Conditional Generative Adversarial Network (cGAN) in Katzenbilder umgewandelt werden.

PixelPlayer ist ein System, das lernt, Klänge, die einzelnen Bildbereichen in Videos zugeordnet sind, zu lokalisieren.

Prompts sind klar formulierte Anweisungen oder Fragen, die dazu dienen, spezifische Reaktionen oder Antworten von einem KI-Programm generieren zu lassen. An der Prompt Battle Training Station können Besucher*innen ihre Prompting Skills trainieren.

Das ShaodwGAN interpretiert in allem, was es sieht, Berge, selbst in der menschlichen Gestalt.

Wissenschaftler*innen der University of California in Berkeley haben eine interaktive Karte erstellt, die zeigt, welche Hirnareale auf das Hören verschiedener Wörter reagieren.

Kann eine Maschine „hören“ und auch „verstehen“, was sie hört?

Diese Personen existieren tatsächlich nicht. Sie wurden von Grund auf von einer Maschine errechnet, genauer gesagt von einer speziellen Form eines Generative Adversarial Network (GAN), dem StyleGAN.

Alle Einträge für den Prix Ars Electronica (ein von der Ars Electronica ausgeschriebener Wettbewerb) seit der Gründung des Prix-Archivs 1987 sind in diesem Netzwerk gesammelt.

Dieses Video von Experiments with Google erklärt, wie ein multidimensionaler Vektorraum bei maschinellem Lernen funktioniert.

Volumetric Data Collector basiert auf der Idee, einen LiDAR-Sensor – einen häufig in autonomen Fahrzeugen eingesetzten 3D-Lasersensor – als erweitertes Sinnesorgan des menschlichen Körpers zu verwenden.

What a Ghost Dreams Of setzt sich mit einem neuen „Geist“ unserer Zeit auseinander: die digitale Überwachung in unserer Gesellschaft.