hier nur n teyt

Inhaltsverzeichnis

1 little abstracts
2 Keras Examples
3 ADVERSARIAL ATTACKS
4 WHITE BOX ATTACKS
5 BLACK BOX ATTACKS
6 ETHICS
7 XAI
- 7.1 XAI durch Sprachrationalisierung
8 LANGUAGE
9 REPRODUKTIVE KI

little abstracts

little abstracts:

Come you masters of war
You that build the big guns
You that build the death planes
You that build all the bombs
You that hide behind walls
You that hide behind desks
I just want you to know
I can see through your masks

Doch es ist nicht mehr so einfach, heute, unsere Feindbilder so klar zu definieren. Auch nicht sie so klar zu differenzieren von unserem eigenen alltäglichen Tun. Und dazu muß man nicht erst bei Heckler&Koch arbeiten.

Wir sind Teil einer Waffenlobby und wir fördern diese und gestalten ihren makabren Erfolg aktiv durch unseren Alltag mit. Auch wir Kulturschaffende. Auch wir Friedensarbeiter. Auch wir Linksintellektuellen. Auch wir Bauarbeiter. Auch wir Universitätsprofessoren. Auch wir Programmierer. Auch wir Krankenschwestern. Auch wir Ärzte. Auch wir die wir uns klar vom Faschismus und faschistoiden Systemstrukturen, von Ausgrenzung und vom bürokratischen Menschenbild, von alltäglichen Diskriminierungen und von Unterdrückung jeder Art distanzieren. Auch wir die wir an die Würde des Menschen glauben. Auch wir die wir dafür kämpfen. Auch wir die wir dafür mit ihrem Leben bezahlen mussten.

Wir sind leider auch viel zu oft eine Konstruktion der Eliten, die ihre Interessen als Gemeinwohl deklarieren.

All unsere Freiheiten in denen wir uns heute wägen wurden erkämpft. Um dies zu sehen muß man nicht studiert haben.

"Die wirkliche Freiheit wird nicht durch die Beziehung zwischen Wunsch und Erfüllung definiert, sondern durch die zwischen Denken und Handeln.“

Lasst uns aufhören groß Moral zu machen in der Ferne eines medial vermittelten Krieges und lasst uns hier und heute erst einmal genauer die Waffen dieses Krieges ansehen.

Und lasst auf Stephane Hessels "Empört Euch" Handlungen folgen und zwar konkrete.

Brecht: "Zorn und Unzufriedenheit genügen nicht. Das muß praktische Folgen haben."

Wer sind sie heute, die Masters of War, im Gegensatz zu damals?

Welches sind die big guns, die death planes und die Bomben die Bob Dylan ‘63 noch so klar und deutlich benennen konnt. Denn heute scheint das nicht mehr trennbar.

Welche Technologien kommen heute zum Kriegseinsatz?

Von welchen Technologien sprechen wir?

28% aller Tweets zum Migrationspakt kamen von so called Social_Bots, laut der Plattform Botswatch. Wenn wir so sprechen bewegen wir uns im Kreis.

Wie wollen wir auf eine Einflußnahme unseres jeweiligen Handlungsfeldes durch Algorithmen aufmerksam machen, geschweige denn reflexive Diskurse loslösen, bewegen wir uns in der selben Syntax als die technische Infrastruktur der social bots ihnen vorgibt?

Mit Statistiken und hochgerechneten Wahrscheinlichkeiten bleibe ich, zumindest auf diskursiver Ebene auf Distanz. Eine Distanz wäre jedoch notwendig zu den Social_Bots und den Kulturtechniken die wir seit Jahrhunderten gelernt haben zu verinnerlichen anstatt dass wir uns noch weiter in diesen büro- bzw. technokratischen Sprachduktus, noch tiefer in diesen scheinbar fast unmöglich zu reflektierenden Moloch dieser Herrschaftsterminologien zu begeben.

Wir müssen raus da.

Und das tun wir nicht durch Technikfeindlichkeit und Kulturpessimismus. Das tun wir so wie wir das immer tun, möchten wir über ein Phänomen nachdenken. Wir gehen einen Schritt zurück erstmal und schauen uns die ganze Sache von außen an.

Wir trennen sie von unserem Alltag, wie auch immer dieser aussehen mag.

Wenn wir daraufhin zu der Erkenntnis gelangen, wir benötigen diesen Schritt gar nicht, um so besser!

Kommen wir jedoch zu der Erkenntnis, dass wir erstmal gar nicht so genau wissen aus welchen Situationen unseres Alltags wir Abstand nehmen müssen, dann lasst uns als Ausgangspunkt uns Selbst und unseren eigenen alltäglichen Gebrauch mit den Dingen finden. Ein Reflektieren der eigenen Person in einer von uns selbst geschaffenen technisierten Umwelt.

Lasst uns gemeinsam wieder Worte finden, um uns diesen schon fast murmeltierartig auftretenden Diskretisierungen von Mensch in semi-öffentlichen Diskursfeldern und tagespolitischen Nachrichten, sowie in seiner Konsequenz, der mit diesen Diskretisierungen einhergehenden Diskriminierung von einzelnen Personen, entgegenzustellen.

Keras Examples

https://github.com/keras-team/keras/tree/master/examples

einfaches perceptron (schöne skizzen): https://github.com/nature-of-code/NOC-S17-2-Intelligence-Learning/blob/master/week4-neural-networks/perceptron.pdf

ADVERSARIAL ATTACKS

KNN's sind extrem anfällig für...

https://singularityhub.com/2017/10/10/ai-is-easy-to-fool-why-that-needs-to-change

https://en.wikipedia.org/wiki/Deep_learning#Cyberthreat

WHITE BOX ATTACKS

https://cv-tricks.com/how-to/breaking-deep-learning-with-adversarial-examples-using-tensorflow/
- Paper »ADVERSARIAL EXAMPLES IN THE PHYSICAL WORLD«: https://arxiv.org/pdf/1607.02533.pdf

Untargeted Adversarial Attacks

Adversarial attacks that just want your model to be confused and predict a wrong class are called Untargeted Adversarial Attacks.

nicht zielgerichtet

Fast Gradient Sign Method(FGSM)

FGSM is a single step attack, ie.. the perturbation is added in a single step instead of adding it over a loop (Iterative attack).

Basic Iterative Method

Störung, anstatt in einem einzelnen Schritt in mehrere kleinen Schrittgrößen anwenden

Iterative Least-Likely Class Method

ein Bild erstellen, welches in der Vorhersage den niedrigsten Score trägt

Targeted Adversarial Attacks

Attacks which compel the model to predict a (wrong) desired output are called Targeted Adversarial attacks

zielgerichtet

(Un-)Targeted Adversarial Attacks

kann beides...

Projected Gradient Descent (PGD)

Eine Störung finden die den Verlust eines Modells bei einer bestimmten Eingabe maximiert:

MNIST-Bsp.: https://towardsdatascience.com/know-your-enemy-7f7c5038bdf3
- Jupyter Notebook: https://github.com/oscarknagg/adversarial/blob/master/notebooks/Creating_And_Defending_From_Adversarial_Examples.ipynb

BLACK BOX ATTACKS

https://medium.com/@ml.at.berkeley/tricking-neural-networks-create-your-own-adversarial-examples-a61eb7620fd8
- Jupyter Notebook: https://github.com/dangeng/Simple_Adversarial_Examples

on computer vision

propose zeroth order optimization (ZOO)

attacks to directly estimate the gradients of the targeted DNN
- https://arxiv.org/abs/1708.03999

Black-Box Attacks using Adversarial Samples

a technique that uses the victim model as an oracle to label a synthetic training set for the substitute, so the attacker need not even collect a training set to mount the attack
- https://arxiv.org/abs/1605.07277