Machine Learning, Künstliche Intelligenz, Deep Learning
Was ist Machine Learning eigentlich?
Machine Learning ist ein Werkzeug aus dem Werkzeugkasten für künstliche Intelligenz.
Der häufigste Anwendungsfall für Machine Learning ist ein KI-System, das eine Abbildung von A nach B (bzw. Input auf Output) lernt. Die Eingabe kann zum Beispiel eine E-Mail sein und die Ausgabe ist eine Klassifizierung in Spam oder Nicht-Spam. Ist die Eingabe eine Audio-Datei mit einem Diktat und die Ausgabe die Transkription der Aufzeichnung, so sprechen wir von Spracherkennung oder Speech Recognition.
In der Produktion könnte die Eingabe ein Foto vom soeben hergestellten Produkt sein und die Ausgabe ist eine Klassifizierung in verkaufbare Produkte oder Ausschussware.
Andere solcher Beispiele sind KI-Systeme, die im Online-Marketing entscheiden, ob ein Benutzer auf einen Werbebanner klickt oder nicht. Ein System für autonomes Fahren, das aufgrund von Eingangswerten aus unterschiedlichen Sensoren entscheidet, ob sich andere Fahrzeuge im Umkreis befinden oder nicht.
Alle diese Beispiele fallen in das Teilgebiet „Supervised Learning” – dem Lernen von Beispielen. Die KI lernt „Input-Output-Mappings“. Diese Form von KI ist jene, die heute am häufigsten Einsatz findet.
Die bereits am weitesten verbreitete Variante stellt die Klassifizierung von Bildern dar.
Anwendungen der Bildklassifizierung
Die möglichen Anwendungsgebiete umfassen praktisch alle Branchen. Generell kann man davon ausgehen, dass jene Aufgaben, die auch Mensch gut und zielsicher lösen kann, von einer KI gut und zuverlässig gelöst werden können. Hierunter fällt etwa die Klassifizierung von Bildern. Jene Aufgaben, für die auch ein menschlicher User sehr lange nachdenken muss, werden auch für ein KI-System schwer zu lösen sein.
Ein mögliches Anwendungsgebiet für Bildklassifizierer ist die bildgebende Diagnostik in der Medizin. In einer kleinen Fallstudie haben wir ein konkretes Problem, die Erkennung von Erkrankungen des Auges in eine Web-Anwendung verpackt, in der unser eigenes Machine Learning Modell die Klassifzierung von Bildern des inneren Auges vornimmt.
Jedes Bild wird in eine der vier Kategorien eingeteilt:
- normal
- Verdacht auf Katarakt
- Verdacht auf Glaukom
- Verdacht auf Erkrankung der Netzhaut
Dieses Beispiel dient der Demonstration, wie so ein KI-Projekt technisch umgesetzt werden kann und erhebt natürlich keinen Anspruch auf eine korrekte Diagnostik. In weiterer Folge müssten die Ergebnisse gemeinsam mit Fachexperten diskutiert und optimiert werden.
In Österreich oder Deutschland ist der Zugang zu Fachärzten sehr leicht möglich. Doch in anderen Gebieten steht es nicht so gut um ständige ärztliche Versorgung. Hier kann ein medizinisches Hilfssystem, das etwa über ein mobiles Gerät funktioniert, wertvolle Erstinformationen liefern.
Die technische Umsetzung des Projekts haben wir in einem Post auf Medium beschrieben: Demonstration über das Deployment einer Deep Learning Anwendung.
Die Web-App können Sie selbst ausprobieren unter: detect eye diseasis with deep learning
Laden Sie einfach ein Bild hoch oder fügen Sie eine URL zu einem Bild ein.
Schwachpunkte von Machine Learning
Das klingt alles wunderbar, doch müssen auch die Einschränkungen aktueller Machine Learning Techniken hervorgehoben werden. Die KI kann nur die Muster erlernen, die auch in den Trainingsdaten enthalten sind.
Der Weg zur allgemeinen KI, die selbst auch lernt
- wie sie am besten lernt
- was sie lernt
- Lösungsstrategien zu erarbeiten
… ist momentan doch noch ein recht langer.
D.h. heutige Machine Learning Systeme auf Basis künstlicher Intelligenz sind sehr gut im Lösen von genau definierten, eng abgegrenzten Aufgaben, stellen aber noch keine Bedrohung im sinne einer allgemeinen Intelligenz für den Menschen dar.