Bibtex
Cite as text
@Inbook{Wengerek,
Cite-key = "wengerek2022",
Year= "2022",
Volume= "AKWI-Tagungsband zur 35. AKWI-Jahrestagung",
Pages= "185–201",
Journal = "Monographien",
Title= "Probabilistic Programming – ein neuer Baustein für die KI Motto: Wenig Daten? Dann schlau raten!",
Author= "Thomas Wengerek",
Doi= "https://doi.org/10.30844/AKWI_2022_12",
Abstract= "Wenn statt riesiger Datenmengen ein generatives Modell (also ein probabilistischer Simulator) für die Erzeugung bzw. Entstehung der Daten der Anwendungsdomäne zur Verfügung steht, kann dieser Simulator durch bayesianische Inferenz „invertiert“ werden, d.h. es können diejenigen latenten Parameter des Modells bestimmt werden, die für jeweils vorgegebene Daten verantwortlich sind. Universelle Probabilistische Programmiersprachen (PPL) sind derart expressiv, dass sich mit ihnen das generative Modell, etwaige Bedingungen an die Daten und das Vorwissen des Anwenders bzgl. der latenten Parameter des Modells als ein integriertes Programm formulieren lassen. Die Ausführung dieses Programms erzeugt dann Stichproben der bayesianischen Posterior-Verteilung der gesuchten Modell-Parameter. Durch moderne Allzweck-Algorithmen zur Inferenz kann diese Verteilung exploriert und für den jeweiligen Anwendungszweck interpretiert werden. In komplexen Problemstellungen können somit in der Sprache der probabilistischen Logik formulierte Fragen durch Probabilistic Programming beantwortet werden. Dies eröffnet für viele Anwendungsgebiete, auch in der Wirtschaftsinformatik, ungeahnte Möglichkeiten. Die vorliegende Arbeit soll die Ideen und Potentiale des Probabilistic Programming einem breiteren Kreis von Anwender*innen nahebringen. Dazu werden einerseits die grundlegenden Konzepte sorgfältig dargestellt und in ihrem Zusammenspiel motiviert und andererseits werden diese neuen Ideen anhand mehrerer Anwen-dungsbeispiele aus dem einschlägigen Forschungsumfeld vorgestellt. Dabei wurden einige dieser Beispiele, für die Softwaresysteme im Open Source Bereich verfügbar sind, auch praktisch erprobt.",
Keywords= "Bayesianische Inferenz, generatives Modell, probabilistische Logik, Inferenz-Algorithmen, Modell-Invertierung",
}
Thomas Wengerek(2022): Probabilistic Programming – ein neuer Baustein für die KI Motto: Wenig Daten? Dann schlau raten!. AKWI-Tagungsband zur 35. AKWI-Jahrestagung(2022), S. 185–201. Online: https://doi.org/10.30844/AKWI_2022_12 (Abgerufen 04.10.24)
Open Access
Wenn statt riesiger Datenmengen ein generatives Modell (also ein probabilistischer Simulator) für die Erzeugung bzw. Entstehung der Daten der Anwendungsdomäne zur Verfügung steht, kann dieser Simulator durch bayesianische Inferenz „invertiert“ werden, d.h. es können diejenigen latenten Parameter des Modells bestimmt werden, die für jeweils vorgegebene Daten verantwortlich sind. Universelle Probabilistische Programmiersprachen (PPL) sind derart expressiv, dass sich mit ihnen das generative Modell, etwaige Bedingungen an die Daten und das Vorwissen des Anwenders bzgl. der latenten Parameter des Modells als ein integriertes Programm formulieren lassen. Die Ausführung dieses Programms erzeugt dann Stichproben der bayesianischen Posterior-Verteilung der gesuchten Modell-Parameter. Durch moderne Allzweck-Algorithmen zur Inferenz kann diese Verteilung exploriert und für den jeweiligen Anwendungszweck interpretiert werden. In komplexen Problemstellungen können somit in der Sprache der probabilistischen Logik formulierte Fragen durch Probabilistic Programming beantwortet werden. Dies eröffnet für viele Anwendungsgebiete, auch in der Wirtschaftsinformatik, ungeahnte Möglichkeiten. Die vorliegende Arbeit soll die Ideen und Potentiale des Probabilistic Programming einem breiteren Kreis von Anwender*innen nahebringen. Dazu werden einerseits die grundlegenden Konzepte sorgfältig dargestellt und in ihrem Zusammenspiel motiviert und andererseits werden diese neuen Ideen anhand mehrerer Anwen-dungsbeispiele aus dem einschlägigen Forschungsumfeld vorgestellt. Dabei wurden einige dieser Beispiele, für die Softwaresysteme im Open Source Bereich verfügbar sind, auch praktisch erprobt.
Bayesianische Inferenz, generatives Modell, probabilistische Logik, Inferenz-Algorithmen, Modell-Invertierung