Probeklausur 1 - Künstliche Intelligenz (EKI)

1.1 (4 P)

• (A) Richtig ist b) "Maschinen oder Software-Anwendungen, die das Verhalten menschlicher Intelligenz zeigen." (2 P) - das ist die wortgetreue Kerndefinition der Folien.
• (B) Richtig ist d) Knowledge Representation. (2 P) Die Bereiche Knowing und Learning liegen auf der Achse Acquiring intelligence (Intelligenz erwerben); Perceiving, Communicating, Reasoning und Acting gehören zu Applying intelligence.

1.2 (3 P) Reihenfolge (2 P, je halber Punkt bis 2 P):

1. Technology Trigger
2. Peak of Inflated Expectations
3. Trough of Disillusionment
4. Slope of Enlightenment
5. Plateau of Productivity

Der KI-Winter entspricht der Phase Trough of Disillusionment (Tal der Ernüchterung). (1 P)

1.3 (3 P)

• a) Falsch - der Turing-Test geht auf Alan Turing zurück, nicht auf den Dartmouth-Workshop.
• b) Wahr - Dartmouth 1956 prägte den Begriff "Artificial Intelligence".
• c) Wahr - enttäuschte Erwartungen, Förderkürzungen, Kollaps des KI-Markts.

1.4 (2 P) Die zwei Paradigmen sind (je 1 P):

• Non-symbolic AI / Machine Learning (nicht-symbolische, datengetriebene KI)
• Symbolic AI / Knowledge-based AI (symbolische, wissensbasierte KI)

Tipp: Merken Sie sich die Achse ("Acquiring" unten = Wissen/Lernen erwerben, "Applying" oben = anwenden) zusammen mit den sechs Bereichen Perceiving, Communicating, Reasoning, Acting, Learning, Knowing - daraus lassen sich fast alle Landkarten-Fragen ableiten.

2.1 (2 P) Ein Entscheidungsbaum hat die Klassen als Blätter (hier: Ü bzw. G). Die inneren Knoten enthalten die Entscheidungen/Tests auf ein Feature (z. B. "Sex = männlich?"), und an den Kanten stehen die Werte/Antworten dieser Entscheidung (z. B. Ja, Nein). (je 1 P für Blätter + innere Knoten, Kanten zusammen)

2.2 (4 P) Der Datensatz enthält 6x Ü und 2x G, also $c_{\text{Ü}} = 6/8 = 0{,}75$ und $c_{\text{G}} = 2/8 = 0{,}25$.

2.3 (5 P) Split "Sex = weiblich?":

• $T_{lower}$ (weiblich): IDs 1, 2, 3 -> 3 Datensätze, alle Ü. Reine Menge, also $H(T_{lower}) = 0$. (1 P)
• $T_{upper}$ (männlich): IDs 4-8 -> 5 Datensätze, davon 3 Ü und 2 G, also $c = 0{,}6$ bzw. $0{,}4$. (1 P)

Entropieverlust (2 P für die gewichtete Formel, 1 P für das Ergebnis):

2.4 (5 P) Split "Alter < 10?":

• $T_{lower}$ (Alter < 10): IDs 1, 2, 4, 5 -> 4 Datensätze, alle Ü. Also $H(T_{lower}) = 0$. (1 P)
• $T_{upper}$ (Alter >= 10): IDs 3, 6, 7, 8 -> 4 Datensätze, davon 2 Ü und 2 G (50/50). Also $H(T_{upper}) = 1$. (1 P)

Entscheidung (2 P): Da $0{,}311 > 0{,}204$, liefert der Split "Alter < 10?" den größeren Entropieverlust und wird zuerst gewählt. Man wählt an jedem Knoten das Feature/Wert-Paar mit dem größten Entropieverlust. (1 P)

Der Baum nach dem ersten Split:

flowchart TD
    T["T: H(T) = 0.811"] --> Q["Alter < 10 ?"]
    Q -->|"Ja"| L["Blatt: Ueberlebt (H = 0)"]
    Q -->|"Nein"| R["T_upper: H = 1.0 (weiter aufteilen)"]

2.5 (2 P) a) Wahr - maximale Entropie bei ausgeglichener 50/50-Verteilung. b) Falsch - eine reine Menge hat Entropie 0, nicht 1.

Falle: Der Split "Sex" wirkt intuitiv stark, weil er eine reine Teilmenge (alle Frauen überleben) erzeugt. Trotzdem gewinnt "Alter < 10", weil hier die reine Teilmenge größer ist (4 statt 3 Datensätze) und die verbleibende Restmenge kleiner gewichtet wird. Immer den gewichteten Entropieverlust ausrechnen, nicht raten.

3.1 (4 P) Vorhersage in den Zeilen, tatsächlicher Zustand in den Spalten:

(2 P für korrekte TP/FP/FN/TN-Anordnung, 1 P Type I = FP, 1 P Type II = FN)

3.2 (6 P) Gesamtzahl der Vorhersagen: $30+20+10+140 = 200$.

(je 1,5 P pro Maß)

3.3 (2 P) Die Treffergenauigkeit ist bei unausgewogenen (imbalanced) Datensätzen irreführend - ein Modell kann eine hohe Accuracy erreichen, obwohl es die seltene Klasse kaum erkennt. In diesem Fall sollte der F-Score verwendet werden (harmonisches Mittel aus Precision und Recall). (1 P + 1 P)

3.4 (4 P) Abweichungen $\hat{f}_i - y_i$: $-2,\ 0,\ -3,\ +4$.

(1 P MAE, 1,5 P MSE, 1,5 P RMSE)

Tipp: Precision beantwortet "Wie viele meiner Positiv-Vorhersagen stimmen?", Recall "Wie viele echte Positive habe ich gefunden?". Bei der Krankheitserkennung ist ein hoher Recall oft wichtiger, weil ein übersehener Kranker (FN) schwerer wiegt als ein Fehlalarm (FP).

4.1 (3 P) Ein RDF-Tripel besteht aus Subjekt, Prädikat und Objekt (1 P). Subjekt und Prädikat sind jeweils eine Resource; das Objekt kann eine Resource oder ein Wert (String, int, float, date, ...) sein (1 P). Zeichen (1 P): a ist die Abkürzung für rdf:type und drückt die Instanz-Beziehung ("ist ein") aus; ; verkettet mehrere Prädikat-Objekt-Paare für dasselbe Subjekt; . beendet ein Tripel.

4.2 (5 P)

:Movie_27 a :Movie ;
    :title "Inception" ;
    :release_date "2010" ;
    :genres :Genre_878 .
:Genre_878 a :Genre ;
    :name "Science Fiction" .

Bewertung: a :Movie (1 P), :title "Inception" als String-Literal (1 P), :release_date "2010" (1 P), :genres :Genre_878 als Verweis auf eine Resource (1 P), Genre-Resource mit a :Genre und :name "Science Fiction" (1 P). Der Titel und der Genre-Name sind Werte (Literale), das Genre selbst ist eine Resource.

4.3 (4 P) Die Query liefert eine Tabelle mit 2 Spalten (?t = Filmtitel, ?n = Genre-Name) und einer Zeile pro passender Film-Genre-Zuweisung (2 P). Da Filme mehrere Genres haben können, erscheinen Titel ggf. mehrfach. Der Join entsteht dadurch, dass die Variable ?g an zwei Stellen benutzt wird (:genres ?g beim Film und ?g :name ?n beim Genre): dieselbe Variable erzwingt jeweils denselben Wert und verbindet so Film- und Genre-Tripel (2 P).

4.4 (4 P)

PREFIX : <https://www.themoviedb.org/kaggle-export/>
SELECT DISTINCT ?t
WHERE {
  ?m a :Movie ;
     :title ?t ;
     :genres ?g .
  ?g :name "Drama" .
}

Bewertung: korrektes Grundgerüst PREFIX/SELECT/WHERE (1 P), Muster mit ?m a :Movie und :title ?t (1 P), Einschränkung des Genres über den konkreten Wert :name "Drama" mit gejointer Variable ?g (1 P), DISTINCT zur Vermeidung von Duplikaten (1 P).

Tipp: "Bedingung" heißt in SPARQL: einen konkreten Wert statt einer Variablen ins Muster schreiben (:name "Drama"). "Join" heißt: dieselbe Variable mehrfach verwenden. "Keine Duplikate" heißt: SELECT DISTINCT.

5.1 (4 P) Grundidee (1 P): Ein Text wird als Multi-Set (bag) von Worten mit ihren Häufigkeiten dargestellt - ohne Grammatik und ohne Wortreihenfolge.

Bag-of-Words (3 P), Groß-/Kleinschreibung und Satzzeichen ignoriert:

BoW = {"Der": 2, "Film": 2, "ist": 2, "gut": 1, "spannend": 1}

5.2 (6 P)

• Film: $\text{idf} = \log_{10}(1000/1000) = \log_{10}(1) = 0$, also $\text{tfidf} = 4\cdot 0 = \mathbf{0}$.
• gut: $\text{idf} = \log_{10}(1000/100) = \log_{10}(10) = 1$, also $\text{tfidf} = 2\cdot 1 = \mathbf{2}$.
• Meisterwerk: $\text{idf} = \log_{10}(1000/10) = \log_{10}(100) = 2$, also $\text{tfidf} = 1\cdot 2 = \mathbf{2}$.

(je 2 P pro Term) Der Term "Film" erhält das Gewicht 0, obwohl er am häufigsten vorkommt: Er steht in allen 1000 Dokumenten ($df = N$), ist also nicht unterscheidungsstark - genau das ist die Idee von tf-idf, allgegenwärtige Füllwörter abzuwerten.

5.3 (4 P) (a) Das n-Gramm-Modell betrachtet Sequenzen aus N aufeinanderfolgenden Worten statt nur einzelner Worte; so wird ein Stück Wortreihenfolge/Kontext erfasst (kombinierbar mit tf-idf) (1 P). Bigramme von "der Film ist gut" (1 P): "der Film", "Film ist", "ist gut".

(b) Zwei Beispiele (je 1 P), z. B.:

• Information Retrieval: Text (Anfrage) -> relevante Dokumente.
• Maschinelles Übersetzen: Text in Sprache A -> Text in Sprache B.
• (auch gültig: Question Answering: Fragetext -> Antworttext; Information Extraction: Text -> Wissensgraph; Texterzeugung: Wissensgraph -> Text.)

Falle: Bei tf-idf zählt nicht nur, wie oft ein Wort im Dokument steht (tf), sondern auch, in wie vielen Dokumenten es überhaupt vorkommt (df). Ein sehr häufiges Wort mit $df = N$ bekommt idf = 0 und fällt komplett weg.

6.1 (3 P)

• a) Wahr - Hype = Hyperbel, illustriert an den Fehlprognosen von Minsky (1967/1970) und Kurzweil (2005).
• b) Falsch - Bias entsteht nicht durch böse Absicht, sondern durch verzerrte Trainingsdaten und Modellannahmen.
• c) Wahr - der offene Brief des Future of Life Institute nennt autonome Waffen die dritte Revolution der Kriegsführung (nach Schießpulver und Atomwaffen).

6.2 (3 P) Bias bedeutet, dass ML-Modelle aus historischen Daten lernen und dabei Vorurteile aus der Vergangenheit in die Zukunft projizieren (2 P). Fallbeispiel (1 P): die ProPublica-Recherche "Machine Bias" (2016) über die COMPAS-Software zur Vorhersage künftiger Straftäter, die schwarze Angeklagte benachteiligte (Beispielfälle Vernon Prater vs. Brisha Borden).

Tipp: Die Leitfrage des Ethik-Kapitels lautet "Wer soll entscheiden, Mensch oder Maschine?" - Beispiele für delegierte Entscheidungen mit gravierenden Folgen sind der Hochfrequenzhandel (Flash Crash) und autonome Waffen.

7.1 (3 P) (a) Im DBMS sind die Daten persistent gespeichert und die Query wird volatil (einmalig) darüber ausgeführt - die Daten kommen zur Query. Bei CEP ist es umgekehrt: die Regel ist persistent (läuft dauerhaft mit), während die Daten als fliessender Ereignisstrom an ihr vorbeilaufen (2 P). (b) Die zwei Parameter sind n = Dauer (duration), die Länge des Fensters, und m = Häufigkeit (windowing frequency), der Schritt, um den das Fenster weiterrückt (1 P).

7.2 (3 P)

(1 P pro korrektem Summanden bzw. 3 P für das richtige Endergebnis mit Rechenweg)

7.3 (2 P) Zuordnung zum jeweils näheren Zentrum ($m_1 = 1$, $m_2 = 20$):

• $1 \to m_1$ (Abstand 0 vs. 19), $3 \to m_1$ (2 vs. 17), $4 \to m_1$ (3 vs. 16)
• $20 \to m_2$ (19 vs. 0), $22 \to m_2$ (21 vs. 2)
• Cluster: $C_1 = \{1, 3, 4\}$, $C_2 = \{20, 22\}$ (1 P)

Neue Zentren (Mittelwert je Cluster) (1 P):

Tipp: Der DBMS-vs-CEP-Gegensatz ("persistente Daten + volatile Query" gegen "persistente Regel + fliessender Strom") ist ein Klassiker - präzise die Umkehrung merken.