Zuvor bereits:

Artikel 1 Was ist künstliche Intelligenz? | Banian AG

Artikel 2 Was ist künstliche Intelligenz? | Banian AG

Nach einer generellen Einführung in KI und einem kurzen Einblick ins Training eines neuronalen Netzes, steht nun die Anwendung im Vordergrund.  Wurde ein neuronales Netz von Data Scientisten gefertigt, ermöglicht die Software «Alteryx» auch anderen Businessanwendern solche vorgefertigte neuronale Netze auf elegante Weise selbst zu nutzen, ohne sich in Python oder R – Code vertiefen zu müssen.  In einer beispielhaften Anwendung werden die Grenzen von KI verdeutlicht. Ein hypothetischer Use Case dient hier als Beispiel für die KI-Anwendung.

«Ein Supermarkt hat sich entschlossen, den Kunden das Merken von Obst- und Gemüse-Kennziffern zu ersparen und möchte eine Supermarkt-Wage mit integrierter Bilderkennung entwickeln. Dabei soll das Obst nach dem Wiegen vor eine Kamera gehalten werden, die das Obst dann erkennt und den richtigen Preis ermittelt.»

Um die Grenzen des neuronalen Netzes zu erfahren, ist es besonders interessant, dem Netz verschiedenen Grenzfälle zu präsentieren.  Für diesen Zweck sind folgende neue, und ungesehene Daten-Punkte ausgewählt worden.

Eine weitere Alteryx-Pipeline bietet dem Business-User das Modell zu testen und anzuwenden. 

Legende:

Neue Testbilder, die zuvor noch nie vom Netz ‘gesehen’ wurden, wurden in einem eigenen Ordner gespeichert. Das Directory-Input Tool liest alle Elemente aus dem jeweiligen Ordner aus. Die hier wichtige Information ist der «FullPath», der den Dateispeicherort jedes Bildes genau beschreibt. Um jedem bei der kleinen Anzahl an Testdaten eine Lösung (= Label) hinzuzufügen, wird mit einem Text-Input Tool das entsprechende Label einfach eingegeben. In dem selbst-erstelltenObst-Vorhersage Tool wird das neuronale Netz geladen und angewendet. Die Vorhersagen werden dahinter ausgegeben. Anschliessend werden die Vorhersagen mittels Join-Tool mit den wahren Labels kombiniert.

Mit dem Browse Tool kann die Ausgabe des neuronalen Netzes betrachtet werden und sind hier als Tabelle wiedergegeben:

An diesen Test-Beispielen lassen sich ein paar Beobachtungen machen, die grundsätzlich für alle neuronalen Netze gelten.

Wenn das Netz ausreichend Trainingsbeispiele zu einer Datenkategorie gesehen hat, kann es auch zuverlässig Vorhersagen machen.

Schwieriger wird es, wenn Hintergrund Faktoren hinzukommen, die im Training nicht gesehen wurden. Bereits ein grauer Schatten genügt hier, um das neuronale Netz zu verwirren, obwohl eine sehr ähnliche Apfel-Aufnahme ohne Hintergrund korrekt vorhergesagt wurde. Eine gute Methode, um gegen dieses Problem vorzugehen, ist verschiedenste Hintergründe und Beleuchtungssituationen auch in den Trainingsdaten zu nutzen. Dadurch kann das Modell lernen, dass Hintergründe nicht entscheidend für das Vorhersage-Ergebnis sind.

Also, je mehr diverse Trainingsdaten desto besser!

Wenn das Netz bisher nur Äpfel und Orangen im Training gesehen hat, kennt es auch nur Äpfel und Orangen. Alle neuen Kategorien (wie z.B. Trauben oder Flaschen) werden in die bekannten Trainingskategorien eingeteilt. Es ist wichtig zu verstehen, dass das ‘neu’ einsortieren nicht der menschlichen Logik folgt. Man könnte also annehmen, dass eine grüne Traube eine Farbe hat, die manchmal in Äpfeln aber nie in Orangen vorkommt und deswegen als Apfel erkannt wird. Das neuronale Netz analysiert die Bilder allerdings durch sehr andere Methoden und kann deswegen bei neuen Datenkategorien sehr überraschende und unvorhersehbare Entscheidungen treffen.

Wenn das Netz trainiert wurde, um nur eine Kategorie vorherzusagen, kann es auch immer nur eine Kategorie vorhersagen. Kombinierte Lösungen und viele andere Besonderheiten können grundsätzlich gelernt werden, allerdings müssen sie genau in dieser Form im Training vorkommen. Da hier nur eine Kategorie als Lösung trainiert wurde, kann auch nur eine vorhergesagt werden. Neuronale Netze können nicht wie wir Menschen logisch argumentieren, und sagen nur vorher, was sie zuvor gelernt haben.

Was kann also ein neuronales Netz? 

Genau das, was es im Training gelernt hat. Die Qualität der Vorhersage steigt und fällt mit den Trainingsdaten, die angeboten werden. Wenn man sehr viele und unterschiedliche (Hintergrund etc.) Trainingsdaten je Datenkategorie zur Verfügung stellt, kann das neuronale Netz sogar beeindruckend gut werden. Aber Achtung: Sollten Daten vorkommen, die im Training nicht gelernt wurden, können neuronale Netze sehr unvorhersehbare Fehler machen. Und zwar auch Fehler, die wir als Mensch nicht unbedingt als logisch betrachten würden, da das neuronale Netz Daten nicht so analysiert, wie wir Menschen das tun. Alles in allem sind neuronale Netze also sehr beeindruckende Werkzeuge, wenn es richtige trainiert und angewendet werden! Natürlich ist die Supermarkt-Waage nur ein Beispiel der vielen Felder, in denen KI in Form von neuronalen Netzen zum Einsatz kommen kann. Ein Geschäftsnutzen durch die Analyse oder Vorhersage mit neuronalen Netzen mit verschiedensten Use Cases erzielt werden. Im nächsten Artikel werden einige solcher Use Cases vorgestellt.

Ausblick:

In Artikel 4 folgt: In welchen Bereichen können die Stärken der KI also in KMUs genutzt werden? Ein typischer Umsetzungsprozessfluss wird vorgestellt.