Quelle: https://computingeducation.de/proj-ml-uebersicht/
Beim überwachten maschinellen Lernen lernt die KI wie mit Hilfe des Menschen. Wir geben der KI markierte Daten (Labeled Data): Das sind Daten, bei denen wir die richtige Antwort bereits kennen.
- Der Mensch: Definiert Kategorien (Labels), wie z.B. eine Kategorie «Apfel» und eine Kategorie «Banane» und befüllt diese mit entsprechenden Trainingsdaten.
- Die KI: Lernt die Muster innerhalb dieser Kategorie zu erkennen (Form, Farbe, Textur, etc.).
- Das Ziel: Die KI soll Vorhersagen für neue, noch nicht gesehene Daten (=Testdaten) treffen und in einem Prozentwert angeben können, zu welcher Kategorie das neue Bild wahrscheinlich gehört.
Wie das in der Praxis konkret funktioniert schauen wir uns gleich an. Mit der Teachable Maschine von Google lässt sich der Trainingsprozess des überwachten maschinellen Lernens durchspielen. Dabei wird niederschwellig mit Webcam-Bildern ein eigenes Bildmodell trainiert.
Praxisaufgabe: Überwachtes Lernen mit Google Teachable Machine
- Gehe auf https://teachablemachine.withgoogle.com/
- Schau‘ 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. Mit Class 1 und 2 sind Labels, respektive Kategorien gemeint. Wir verwenden für diese Übung bewusst nicht das Gesicht, sondern nur unsere anonymen Hände.
- Halte die Hand offen und nimm 20 bis 30 Beispiele für «Hand offen» mit der Webcam auf. Wichtig: Achte darauf, möglichst vielfältige Trainingsdaten aufzuzeichnen – also die offene Hand in verschiedenen Perspektiven: mal von ganz nahem, mal weiter entfernt, in unterschiedlichen Winkeln. Wie das aussehen kann, kannst du im untenstehenden Screenshot erkennen.
- Mache eine Faust und nimm 20-30 Beispiele für Faust mit der Webcam auf. Achte darauf zirka gleich viele Trainingsdaten wie beim vorherigen Label aufzuzeichnen und ebenfalls vielfältige Trainingsdaten.
- 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.
Zum Abschluss
Versuche nach dieser ersten Übung Antworten auf die folgenden Reflexionsfragen zu finden.
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.
Um Primarschüler*innen das Konzept des überwachten maschinellen Lernens näherzubringen, bietet die Non-Profit-Organisation CodeAI die Lernumgebung «AI for Oceans» an. Darin trainieren die Schülerinnen einen Roboter, der am Ende zwischen Meerestieren und Abfall unterscheiden kann. Hier geht’s zu weiteren Erklärungen und zur Lernumgebung: AI for Oceans
