🎯 In dieser Reihe erfährst du, wie eine künstliche Intelligenz automatisiert Daten auswertet und beurteilt. Dazu begibst du dich auf raue See.

👩‍🦰 Du hilfst Sigrún beim Bau eines Fischsortierapparats der Hering von Lodde unterscheiden kann. Als Herzstück hast du dafür ein neuronalen Netzes trainiert. Das Neuronale Netz erkennt rund 90% der Fische richtig, jedoch ist das immer noch zu schlecht, um Sigrún die Arbeit abnehmen zu können.

😢 Musst du aufgeben?

Überlappende Klassen¹⁾

🔎 Schauen wir uns den Grund für den verbleibenden Fehler erst einmal genauer an.

Feature Space

Die beiden Messgrössen für unsere Fische „spannen“ eine Fläche auf (siehe Abbildung). Diese Fläche wird als Feature Space bezeichnet. Jeder Punkt im Feature Space stellt ein mögliches Messwertpaar dar. Die Messwertpaare der Fische (d.h. die Positionen der Fische im Feature Space) sind mit Kreuzen und Kreisen gekennzeichnet. Bei drei Messgrössen wäre der Feature Space ein drei-dimensionaler Raum, bei sieben Messgrössen ein kaum mehr vorstellbarer sieben-dimensionaler Raum.

Überlappende Klassen

Wenn es einen Ort im Feature Space gibt, an welchem mehrere Klassen gleichzeitig auftreten können, so wird von überlappenden Klassen gesprochen (oranger Bereich in der Abbildung).

⚡ Es ist nicht möglich, überlappende Klassen fehlerfrei voneinander zu trennen!

🤔 Was tun?

💡 Mit etwas Glück lassen sich vielleicht andere oder zusätzliche Messgrössen finden, bei denen die Klassen nicht oder kaum überlappen.

💡 Eine andere Strategie besteht darin, die Region zu umranden, in welcher die Klassen überlappen. Liegt ein Sample in dieser Region, so wird das Sample „verworfen“ d.h. nicht klassifiziert.

💡 Du beschliesst ein neuronales Netz so zu trainieren, dass es die Region überlappender Klassen erkennt und alle Samples darin verwirft.

🤔 Aber wie bringen wir unser neuronales Netz dazu zu erkennen, ob ein Sample in einer Region überlappender Klassen liegt, oder nicht?

Zur Erinnerung, unser Neuronales Netz sollte den Ausgangswert 0 für Heringe (blaue Kreuze) und 1 für Lodde (grüne Kreise) produzieren. Unser Threshold war 0.5. Ein Fisch mit Ausgangswert < 0.5 wurde als Hering, ein Fisch mit Ausgangswert ≥ 0.5 wurde als Lodde klassifiziert.

💡 Neu machst du Folgendes. Du wählst einen anderen Threshold (im Programm 0.3). Wenn nun der Ausgangswert kleiner als dieser Threshold ist (< 0.3), dann landet der Fisch im Hering-Korb. Wenn der Ausgangswert grösser als Eins minus dieser Threshold ist (also > 1 - 0.3, d.h. > 0.7) dann landet der Fisch im Lodde-Korb. Alle anderen Fische (Ausgangswerte 0.3 - 0.7) werden verworfen und landen somit in einem dritten Korb, der entweder von Hand sortiert oder als „gemischter Fisch“ verkauft wird.

Bravo! Dein neuester Fischsortierapparat kann Sigrún tatsächlich viel Arbeit abnehmen. Statt alle Fische von Hand sortieren zu müssen, muss Sigrún nur noch den deutlich kleineren Haufen der verworfenen Fische von Hand sortieren. Der Rest wird genügend gut vom neuronalen Netz getrennt. Ihr Dank ist dir auf ewig gewiss 🤩.

💡 Die Klassifikation von Fischen ist nicht nur für den Fischfang von Bedeutung. Immer mehr Regierungen fühlen sich dazu verpflichtet, ein Gleichgewicht zwischen Ökosystem und Fischfang aufrechtzuerhalten. Dazu werden auch Unterwasserroboter eingesetzt, welche Fische und Fischschwärme fotografieren, um Rückschlüsse bezüglich Fischvorkommen und insbesondere gefährdeten Fischarten ziehen zu können. Basierend auf diesen Informationen können Fangkontingente ausgesprochen werden.

🐟 Einen Überblick über die aktuelle Forschung zur Fischklassifizierung gibt z.B. die englischsprachige Publikation A survey on fish classification techniques von Mutasem K. Alsmadi und Ibrahim Almarashdeh²⁾.

Im 🐟 Zusatzkapitel vergleichst du das neuronale Netz für die Fische mit modernen KI-Chatbots und überlegst dir, was du daraus für KI im Allgemeinen lernen kannst.

Loading ⌛