Beim überwachten Lernen lernt die KI wie mit einer Lehrperson. Wir geben der KI markierte Beispiele (Labeled Data): Das sind Daten, bei denen wir die richtige Antwort bereits kennen.
- Die «Lehrperson» (Mensch): Zeigt der KI Bilder von Äpfeln und sagt: «Das ist ein Apfel.» Zeigt der KI Bilder von Bananen und sagt: «Das ist eine Banane.»
- Die KI: Lernt die Muster zu erkennen (Form, Farbe, Textur, etc.).
- Das Ziel: Die KI soll Vorhersagen für neue, noch nicht gesehene Daten treffen können.
Grafische Darstellung Überwachtes Lernen
Aktivität: Überwachtes Lernen mit Google Teachable Machine
Schauen wir uns das nun an einem Praxisbeispiel an. Für diese Aktivität werden wir das Projekt Teachable Machines von Google verwenden. Dort kann man sehr schnell mithilfe einer Webcam einfache Bildmodelle trainieren.
- Gehe auf https://teachablemachine.withgoogle.com/
- Schaue dir zunächst die verschiedenen Erklärvideos auf der Webseite an, um einen groben Überblick über dieses Tool zu bekommen.
- Es gibt verschiedene Modalitäten – wir möchten zunächst mit einem Bildprojekt anfangen. Du kannst später selbstständig die anderen zwei Modlitäten ausprobieren
- Klicke auf «Erste Schritte«, dann «Bildprojekt» und wähle «Modell mit Standardbildern«
- Benenne Klasse 1 mit «Hand offen» und Klasse 2 mit «Faust».
- Halte die Hand offen und nimm 20-30 Beispiele für «Hand offen» mit der Webcam auf.
- Mache eine Faust und nimm 20-30 Beispiele für «Faust» mit der Webcam auf.
- Klicke auf «Modell trainieren».
- Teste das Modell: Halte deine Hand offen vor die Webcam oder mache eine Faust. Das Tool sollte dir eine Vorhersage ausgeben.
- Experimentiere mit unterschiedlichen Anzahl von Beispielen und füge weitere Klassen hinzu.
- Versuche dann die untenstehenden Reflexionsfragen zu beantworten.
Reflexionsfragen
Reagiert das Modell immer eindeutig oder manchmal unsicher? Woran erkennst du das?
Es kann sein dass es manchmal unsicher ist. Das erkennt man daran, dass die Wahrscheinlichkeit für mehrere Klassen ähnlich hoch ist oder schnell wechselt. Es ist wichtig zu wissen, dass die Wahrscheinlichkeiten für die Vorhersagen entscheidend sind. Auch wenn ein Objekt letztendlich einer Klasse zugeordnet wird, spielt es eine wichtige Rolle mit welcher Wahrscheinlichkeit dies getan wurde – in manchen Anwendungen ist eine Klassifizierung mit 51% Wahrscheinlichkeit vielleicht nicht sinnvoll.
Verändert sich die Vorhersage, wenn sich Licht, Hintergrund oder Kamerawinkel ändern?
Es ist sehr gut möglich, dass andere Bedingungen im Bild das zur Vorhersage benutzt wird, zu unerwarteten Ergebnissen führen können. Wenn das Modell solche Varianten nicht im Training gesehen hat, kann sich die Vorhersage verschlechtern. Deswegen ist es wichtig, dass Trainingsdaten möglichst variantenreich sind um sogenanntes «overfitting» auf bestimmte Beispiele zu vermeiden und so eine höhere Generalisierbarkeit zu erreichen. Die Trainingsdaten sollten so gut wie möglich die Bilder darstellen wie sich auch in den Vorhersagen vorkommen.
Was passiert, wenn du weitere Klassen hinzufügst?
Das Modell lernt zusätzliche Kategorien, muss aber mehr Unterschiede erkennen – die Aufgabe wird komplexer. Das bedeutet in vielen Fällen auch, dass man mehr Trainingsbeispiele für jede Klasse braucht.