Machine-Learning-Anwendungen

Maschinelles Lernen in der Praxis: Von Spielerei bis Weltrettung

Melanie Feldmann

© Shutterstock.com / Vasilyev Alexandr

Maschinelles Lernen ermöglicht es, Anwendungen zu entwickeln, die vorher so nicht möglich waren. Die Bandbreite reicht dabei von kleinen Hobby-Projekten als Fingerübung für neugierige Entwickler bis zu ganz konkreten Ideen, wie man die Welt besser machen könnte.

Nicht nach deutschem Reinheitsgebot gebraut

Das Londoner Start-up IntelligentX kam auf die Idee, IBMs Watson dazu zu nutzen Bier zu brauen. Das Unternehmen verkauft vier verschiedene Sorten Bier. Die Automated Brewing Intelligence (ABI) sammelt Feedback der Biertrinker über Facebook ein und verbessert auf dieser Datenbasis das Braurezept. Zusätzlich durchsucht die ABI auch bereits bestehende Rezepte nach ungewöhnlichen Zutaten, um dem Bier einen neuen Dreh zu geben. Jede Fuhre an produziertem Bier hat so einen neuen Geschmack. Die Rezeptgrundlage besteht vor allem aus britischen und amerikanischen Bieren. Das ist für den deutschen Gaumen nicht ganz so interessant, aber Ales werden ja auch hierzulande immer populärer.

IntelligentX: The World’s First Beer Brewed by AI from IntelligentX on Vimeo.

Die Maschine träumt Namen

Schon einmal das Problem gehabt ein GitHub Repository kreativ benennen zu müssen oder sich ein Pseudonym als Schauspieler zuzulege? Maschine Learning kann dabei weiterhelfen. Der Entwickler Colin Moris bezeichnet sich selbst als Deep-Learning-Enthusiast und arbeitet in seiner Freizeit an Projekten zum Maschinellen Lernen und zur Datenvisualisierung. Er hat das gängige Problem der Spracherkennung herumgedreht. Anstatt Sprache zu erkennen und darauf eine sinnvolle Antwort zu kreieren, hat er einen Algorithmus so trainiert, dass er sich Namen für GitHub Repositories, Orte in Amerika und Schauspieler ausdenkt. Dabei kommen so schöne Dinge heraus wie PHP-Limitation, Village of Moushad und Guillaume Lone. Hinter dieser trivial erscheinenden Anwendung steckt so einiges. So muss der Algorithmus ein Wahrscheinlichkeitsmaß lernen. Das bedeutet, dass der Algorithmus mehr „Anna Müller“ als „Alois-Maria von Düsterhagen“ ausspuckt. In einem Blogpost erklärt Moris wie es genau funktioniert. Er beschäftigt sich auch mit der Frage, ob man für diesen Anwendungsfall wirklich Maschinelles Lernen braucht.

Lesen Sie auch: Machine Learning Driven Programming: Revolution in der IT?

Nachts sind alle Katzen grau

Die Lieblingsplatz einer Katze ist ja meist nicht der heimische Vorgarten, sondern der vom Nachbarn. Um Katzen davon abzuhalten seinen Rasen zu verunstalten, hat Robert Bond, Entwickler bei NVIDIA, einen Bilderkennungsalgorithmus auf Katzen trainiert. Eine Kamera filmt den Vorgarten, sobald der Algorithmus eine Katze entdeckt, startet er die Sprinkleranlage, um die Katze zu verjagen. Ein Knackpunkt dabei war, das Katzen im wahren Leben selten so lieb und flauschig in die Kamera gucken, wie auf den meisten Bildern im Internet. Bond brauchte also vor allem Bilder von herumschleichenden Katzen. Damit sein System auch Nachts funktioniert, trainierte er den Algorithmus zusätzlich mit Infrarotaufnahmen. Auch das Problem, nicht den Postboten zu wässern, hatte er schnell behoben. In einem Blogpost erklärt er sowohl die Hardware- als auch die Software-Seite seines Projekts.

Deine Handschrift ist meine Handschrift

Forscher am University College in London haben sich der Aufgabe angenommen Handschriften mithilfe von Maschinellem Lernen nachzuahmen. Das ist deswegen ein ML-würdige Aufgabe, weil Handschriften hochvariabel sind und sowohl absichtliche als auch unabsichtliche Strukturen enthalten. Als Grundlage nutzten die Forscher Handschriftenproben des Autors der Sherlock-Homes-Bücher Arthur Conan Doyle, des US-Präsidenten Abraham Lincoln und der Künsterin Frida Kahlo. Die Ergebnisse sind erschreckend gut, auch ausgedruckt auf Papier.

Armut aufspüren und bekämpfen

Um Armut wirklich bekämpfen zu können, muss man sie zuerst aufspüren. Gerade in unterentwickelten Ländern kann allein das schon zum Problem werden, weil einfach die Daten zu Menschen oder Gegenden fehlen, die von Armut betroffen sind. Forscher der Universität Stanford setzen Maschinelles Lernen auf Satellitenbilder an, um Gegenden zu finden, die besonders von Armut betroffen sind. Eine Herausforderung war dabei, dem Algorithmus beizubringen, woran er arme oder reiche Gegenden unterscheiden soll. Die Annahme, dass nachts hell erleuchtete Gebiete weiter entwickelt – also reicher –sind als weniger erleuchtete, verknüpften die Forscher mit Eigenschaften von Tages-Bildern, die mit ökonomischer Entwicklung zu tun haben, zum Beispiel Straßen. Die Ergebnisse schlagen bisher bekannte Ansätze und können so dabei helfen, dass Unterstützung dort landet, wo sie wirklich gebraucht wird.

Verwandte Themen:

Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
400
  Subscribe  
Benachrichtige mich zu: