Skip to main content

Links zu den Themenbereichen

Hier finden Sie interessante Demos verschiedener Softwarehersteller von AI-Technologien kategorisiert nach folgenden Themengebieten:

Unsere bisherigen Top 5 – Online Demos sind bis jetzt:

  1. Character AI
  2. ChatGPT
  3. Google Teachable Machine
  4. A neural network playground
  5. GauGan

Texterkennung

IBM Watson

Die Auswahl der Beispiele fanden nach den einfachen Kriterien der Verfügbarkeit und Zugänglichkeit statt. Zum Zeitpunkt der Beschreibung war nicht notwendig, zur Nutzung dieser Demos ein Konto anzulegen.

IBM Watson Knowledge Studio

Grafik zur Veranschaulichung

Anwendungsszenario:
Die Problemdomäne in einem Text wird analysiert und Inhalte wie Subjekt, Objekt und Eigenschaften werden erkannt und abstrahiert. Anschließend erfolgt jeweils eine Zusammenfassung, auf deren Basis ein Ereignis für die Berichtserstattung dokumentiert wird oder eine Berechnung erfolgen kann. Die Inhalte, die in der Zusammenfassung dargestellt werden, können auf die Quelle rückreferenziert werden.

Quelle: https://www.ibm.com/demos/live/watson-knowledge-studio/self-service/home
 

IBM Watson Natural Language Understanding Text Analysis (NLU)

Zwei Grafiken zur Veranschaulichung

Anwendungsszenario:
In dieser NLU Demo kann der Benutzer einen selbstgewählten Text analysieren lassen und es werden Metadaten wie Konzepte, Entitäten, Schlüsselwörter, Kategorien, Empfindungen, Emotionen, Beziehungen, semantische Rollen und Syntax extrahiert und mit einer Konfidenz assoziiert.

Quelle: https://www.ibm.com/demos/live/natural-language-understanding/self-service/home

IBM Watson Text to Speech Demo (TTS)

screenshot zur Veranschaulichung

Anwendungsszenario:
In dieser Text-to-Speech Demo kann der Benutzer frei eingetragenen Text vorlesen lassen. Auszuwählen sind die Optionen Sprache, Stimme, Geschwindigkeit und Stimmhöhe. 

Quelle: https://www.ibm.com/demos/live/tts-demo/self-service/home

IBM Watson Language Translator Demo

screenshot IBM Watson Language Translator Demo

Anwendungsszenario:
In dieser Übersetzungsdemo trägt der Benutzer einen Text in einer beliebigen Sprache ein die erkannt wird. Anschließend wird die Zielsprache gewählt, in die übersetzt werden soll. Des weiteren können auch Dokumente oder Webseiten durch Angabe einer URL übersetzt werden.

Quelle: https://www.ibm.com/demos/live/watson-language-translator/self-service/home

Klassifizieren

Google Teachable Machines

Foto mit Marker, Fineliner und Wäscheklammer

Quelle: https://teachablemachine.withgoogle.com/train/

Anwendungsszenario:
Die Benutzer*innen können zwischen der Klassifzierung von Bildern, Posen und Audioaufnahmen wählen. Anschließend können über die Webkamera, das Mikrofon und über Dateien Trainingsdaten übermittelt werden und daraufhin wird das Modell trainiert. Das Modell kann Online getestet werden, oder aber auch heruntergeladen werden und mit entsprechenden Codebeispielen in Tensorflow auf verschiedenen Plattformen eingebettet werden.

Dokumentation der Beispieldaten:
Im folgenden wurden drei Klassen definiert: Marker, Fineliner und Wäscheklammer. Acht Objekte dienten jeweils als Trainingsmenge und zwei als unbekannte Testmenge. Die Erkennungsrate bei den Stiften lag in der Regel bei über neunzig Prozent, die der Wäscheklammern war stark davon abhängig, in welchem Winkel diese in die Kamera gehalten wurden.

Google Quickdraw

Quelle: https://quickdraw.withgoogle.com/

Anwendungsszenario:
Die Benutzer bekommen einen Hinweis was gezeichnet werden soll, führen eine Zeichnung aus und die künstliche Intelligenz versucht, das zu erkennen.

Funktionsweise
Die Eingaben der ca. 15 Millionen Benutzer führten zu ca. 50 Millionen Bildern, die genutzt wurden, um Modelle zu trainieren: https://www.googlewatchblog.de/2017/05/quick-draw-google-datenbank/ 

Grafikproduktion

GauGan (Nvidia)

Es wird eine Landschaft mit bewaldeten Bergen - vor und nach der Bildbearbeitung - dargestellt.

Anwendungsszenario:
Benutzer*innen beschreiben mit Wörtern die Szenerie und die AI generiert daraus ein Bild. Anschließend kann der Benutzer das Bild nachbearbeiten, indem Teile selektiert werden und dafür Ersatzmuster generiert werden (s. a. Videotutorial: https://www.youtube.com/watch?v=r5P9-zOfWyE)

Quelle: gaugan.org/gaugan2/

Zuletzt aufgerufen am: 22.12.2022

Which face is real

Es werden die Gesichter einer Frau und eines Mannes gezeigt.

Anwendungsszenario:
Die Benutzer*innen sollen zwischen einem echten und einem künstlichen von der KI generierten Gesicht unterscheiden. Anschließend wird die richtige Lösung gezeigt.

Funktionsweise: Die Implementations (s. a. https://github.com/NVlabs/stylegan) basiert auf den StyleGAN Algrorithmus von mehreren Nvida Entwicklern. Das Training basiert auf einem GAN Netzwerk, bei dem die eine Seite photorealistische Gesichter erzeugt, während die andere Seite versucht, die Echtheit solcher zu identifizieren (s. a. https://www.whichfaceisreal.com/methods.html)

Quelle: https://www.whichfaceisreal.com
Zuletzt aufgerufen am: 22.12.2022

Textproduktion

Talk to Transformer

Screenshot einer Bildschirmansicht

Anwendungsszenario:
Die Benutzer*innen geben einen Text ein, dieser soll durch die Textmaschine logisch ergänzt werden.

Einschränkung: Pro Tag nur 1000 freie Wörter, sonst wird darüber hinaus das Anlegen eines kostenpflichtigen Kontos gefordert.

Quelle: https://app.inferkit.com/demo
Zuletzt aufgerufen am: 22.12.2022

Musikproduktion

Zu Ehren Johann Sebastian Bach

screenshot - Eine Maschine "druckt" ein Notenblatt mit einer Melodie aus.

Anwendungsszenario:
Die Benutzer*innen tragen die Noten einer selbsterfundenen Melodie ein und die Musikmaschine harmonisiert diese und fügt mehrere Stimmen hinzu, sodass das Stück aus: soprano (S), alto (A), tenor (T) and bass (B) besteht. Die Harmonisierung basiert auf einer Anpassung durch ein MLModell, das mit mehreren hunderten Musikstücken trainiert wurde (hier Johann Sebastian Bach). Durch Drücken des Aktualisierungsbuttons kann ein Kompositionsvorschlag geändert werden. Die dabei entstehenden Midi-Dateien können heruntergeladen werden.

Funktionsweise:
Das ML Modell basiert auf dem Coconet Modell, das zur Harmonisierung und Komposition dient, und wurde in TensorFlow implementiert und in Magenta.js integriert. Trainiert wurde es, indem von den Eingangsdaten zufällig Noten entfernt wurden. Ziel des Modelltrainings war es dann, immer eine sinnvolle harmonische Ergänzung durchzuführen, die mit entsprechenden Metriken bewertet wurde (s. a https://magenta.tensorflow.org/coconet)

Quelle: https://www.google.com/doodles/celebrating-johann-sebastian-bach
Zuletzt aufgerufen am : 22.12.2022

Natural Language Processing

ChatGPT

screenshot der Anwendung

Anwendungsszenario:

Die Benutzer*innen starten auf der Weboberfläche oder in einer Konsolenanwendung ( s. a. Demonstrator im Showroom) eine Unterhaltung mit dem Chatbot. Persönliche Fragen können vom Chatbot nicht beantwortet werden, jedoch können intellektuelle Konversationen geführt werden.

Quelle: Openai.com
Zuletzt aufgerufen am: 22.12.2022

import openai
# Set the OpenAI API key
openai.api_key = "xxxxxxxx-yyyyyyyy-zzzzzzzzzz"
def doChat():
# Start a loop that will run until the user enters 'quit'. userInput = ""
print ("To exit chatGPT console demonstrator just enter quit.") while userInput != 'quit':
# Ask the user for a input. userInput = input("User: ") # Call the Assistant API
response = openai.Completion.create( engine="text-davinci-003", max_tokens= 2048, prompt=userInput,
temperature=0.2 )
# Print the response print(response["choices"][0]["text"])
if __name__ == '__main__': doChat()

To exit chatGPT console demonstrator just enter quit.

User: What is the moon?

The moon is Earth's only natural satellite. It orbits around Earth, reflecting sunlight and creating the night sky. The moon has no atmosphere and is made up of rock and dust. It has a heavily cratered surface and is covered in dark patches called maria.

User: Can we already travel to the moon?

No, we cannot currently travel to the moon. The last human to visit the moon was in 1972, and since then, only robotic spacecraft have been sent to explore the lunar surface.

User: Does mankind have to settle to other planets?

No, mankind does not have to settle to other planets. There is no requirement or obligation to do so. Whether or not mankind chooses to settle to other planets is a decision that will be made in the future.

User: Do you know Albert Einstein?

Yes, Albert Einstein is a famous scientist known for his work in physics and his theory of relativity.

User: What is the theory of relativity?

The theory of relativity is a scientific theory developed by Albert Einstein that explains the relationship between space and time. It states that the laws of physics are the same for all observers, regardless of their relative motion, and that the speed of light in a vacuum is the same for all observers, regardless of their relative motion. The theory of relativity has two main components: the special theory of relativity and the general theory of relativity. The special theory of relativity applies to objects moving at a constant speed in a straight line, while the general theory of relativity applies to objects moving in curved space-time.

User: That's great. Can you explain me please the Bolzman machine?

A Boltzmann machine is a type of artificial neural network that is used to learn probability distributions over its set of inputs. It is a type of stochastic recurrent neural network that is composed of symmetrically connected neurons. It is named after Ludwig Boltzmann, who developed a similar model of neural networks in the late 19th century. Boltzmann machines are used for a variety of tasks, including classification, clustering, and prediction. They are also used in deep learning applications, such as deep belief networks and restricted Boltzmann machines.

User: So it was a good idea to adjust your max_tokens parameter. Now we can talk without disturbance. Will this talks be for ever free?

No, unfortunately not. This talk will be free for a limited time only. After that, there may be a fee associated with continuing the conversation.

User: So this good to know. It is my most successfull test with a chatbot and I hope that fee won't be so high that we can show other students your capabilities.

I'm glad to hear that you had a successful test with the chatbot. The fee for using the chatbot will depend on the type of service you require and the complexity of the project. We would be happy to discuss your project and provide you with a quote.

User: So, thank you very much for this nice chat in this console application. In future it will be helpfull to train you on specific QnA fields. See you soon.

Thank you for the chat! It was great talking to you. I'm looking forward to seeing what this console application can do in the future. See you soon!

Einschränkung:
Erfordert die Einrichtung eines ChatGPR Kontos. Dies kann auch genutzt werden, um API Keys zur Entwicklung eigener Software zu generieren.

Character AI

screenshot der Unterhaltung mit "Harry Potter"

Anwendungsszenario:
Benutzer*innen starten auf der Weboberfläche eine Unterhaltung mit einem persönlichen bekannten Charakter (Person aus Geschichte, Star, fiktiver Held). Persönliche Fragen werden vom Chatbot beantwortet und eine sinnvolle Unterhaltung im Rahmen der jeweiligen Umgebung ist möglich.

Einschränkung:
Derzeit sind keine bekannt

Quelle: https://beta.character.ai/

Verschiedenes

Google AI Experiments

Screenshot zur Veranschaulichung

Webseite von Google, die eine weitere Zusammenstellung zahlreicher Beispiele bietet und auch die Einreichung eigener Experimente ermöglicht.

Quelle: https://experiments.withgoogle.com/collection/ai
Zuletzt aufgerufen am: 22.12.2022

Microsoft AI Demos

Eine Zusammenstellung einfach zugänglicher AI-Demos

Eine weitere Zusammenstellung einfach zugänglicher AI-Demos:

  • Machine Teaching (Trainieren und verwenden von Modellen)
  • Routenplaner
  • Textanalyse
  • Sprachververständnis
  • Videoanalyse mit Azure
  • Computervision

Einschränkung:

Manche Demos wie zum Beispiel Azure-Videoanalyse erfordern die Installation lokaler Anwendungen.

Quelle: https://aidemos.microsoft.com/

A neural network playground

Anwendungsszenario:
Die Benutzer*innen sollen die wichtigsten Parameter von neuronalen Netzen kennenlernen, zu welchen Datensätze, Features, Gewichte, Zahl der versteckten Schichten und Neuronenzahl, Art der Aktivierungsfunkton, Lernrate, Regularisierung u. a. zählen, um Klassifizierungs- und Regressionsaufgaben mit optimierten Netzarchitekturen durchzuführen.

Quelle: https://playground.tensorflow.org/
Zuletzt aufgerufen am: 22.12.2022

Explainable AI

Screenshot zur Veranschaulichung

Anwendungsszenario: Die Benutzer*innen zeichnen eine Zahl und wählen Modellarchitekturen, Parameter und Heatmap aus, damit diese nach dem MINIST Datensatz erkannt werden.

Quelle: https://lrpserver.hhi.fraunhofer.de/handwriting-classification
Zuletzt aufgerufen am: 22.12.2022

Magenta

Quelle: https://magenta.tensorflow.org/demos/

Auf dieser Webseite sind eine Vielzahl von musikalischen Online-Demos zum Magenta Framework von Tensorflow vorhanden. Benutzer*innen finden anhand der präsentierten Anwendungen einen schnellen Einstieg in folgende Themengebiete:

  • Allgemeine Beispiele zu Magenta.js
  • Community Beiträge
  • Colab Notebooks
  • Native Anwendungen (z. B. auch Integration in Ableton)
  • Spezielle Hardwarelösungen
  • Beat-Composer
  • Kompositionsergänzungen
  • Synthesizer Entwicklung durch Mix mehrerer Instrumente
  • Midi Erkennung in Wavedateien oder Mikrofoneingaben
  • Vieles mehr

Tensorflow

Tensorflow Lite
Quelle: https://www.tensorflow.org/lite/examples

Auf der Tensorflow Lite Webseite gibt es eine Vielzahl von fertigen Modellen und Beispielapplikationen, die online ausprobiert und einfach portiert werden können ( z. B. Android, Google Coral)

Folgende Thmengebiete werden abgedeckt:

  • Bildklassifizierung
  • Objekterkennung
  • Posenerkennung
  • Spracherkennung
  • Gestenerkennung
  • Segmentierung
  • Textklassifizierung
  • Empfehlungssysteme
  • Beantwortung in der natürlichen Sprache
  • Ziffernerkennung
  • Bildmanipulation (Stiltransfer)
  • Smart Reply (bei Interaktion mit Benutzern)
  • Generierung von hochauflösenden Bildern aus niedrigauflösenden
  • Audioklassifizierung
  • Videoklassifizierung
  • Bestärkendes Lernen
  • Optical Character Recognition (OCR)
  • Training von Modellen auf den Endgeräten

Tensorflow

Quelle: https://www.tensorflow.org/overview

Gegenüber Tensorflow Lite liegt der Schwerpunkt von Tensorflow, auf leistungsfähigen Rechnermaschinen ausgeführt zu werden.

Auf dieser Webseite der Tensorflow Entwickler finden Benutzer*innen umfangreiche Tutorials, Github-Beipielprojekte zu vielen verschiedenen Themen (vgl. Tensorflow Lite), CommunityNews und weitere Vernetzungsmöcglichkeiten sowie Best-Practice-Lösungen.