Suche
Machine-Learning-Anwendungen

Maschinelles Lernen in der Praxis: Von Gurken und Horrorfilmen

Melanie Feldmann

© Shutterstock.com / Africa Studio

Gurken sortieren ist eine ziemlich komplizierte Angelegenheit. Auch vorherzusagen wie gut oder schlecht die diesjährige Maisernte in den USA ausfallen wird, ist eine groß angelegte, aufwändige Aktion. Und die perfekten Szenen für den Filmtrailer zu finden ist keine leichte Aufgabe. Mit Machine Learning wird das alles einfacher.

Neue Zusammenhänge in der Medizin entdecken

Gerade in der Medizin ist das Potenzial von Machine Learning groß. Aus der immensen Menge an Daten, die dort anfallen, können Deep Learning und Neuronale Netze Wissen und Erkenntnisse generieren. Oft finden die Algorithmen Zusammenhänge, die für einen Menschen nicht aufzuspüren wären. Um Patienten mit Sprachstörungen zu helfen, haben Forscher am MIT die Bewegungen ihrer Stimmbänder aufgenommen und dann mithilfe von Maschinellem Lernen mit dem gesunder Menschen verglichen. Das Problem dabei war, dass sie dem Algorithmus nicht sagen konnten, wann der Patient seine Stimme gesund und richtig einsetzt und wann nicht. Deswegen kam Unsupervised Learning zum Einsatz, bei dem keine Trainigsdaten oder Vorgaben gemacht werden. So konnten die Forscher beweisen, dass sich Sprachtherapie wirklich positiv auf das Sprachverhalten der Patienten auswirkt. Außerdem hoffen sie für die Zukunft verschiedene Störungen besser diagnostizieren zu können und auch besser zu verstehen welcher Stimmgebrauch schädlich ist.

Gurke ist nicht gleich Gurke

Vor einem Jahr begann der japanische Ingenieur Makoto Koike seinen Eltern auf der heimischen Gurkenfarm auszuhelfen. Dabei musste er feststellen, dass das Sortieren der Gurken eine mühsame und diffizile Angelegenheit ist. Denn es wir nicht nur nach Größe sortiert, sondern auch nach Form, Frischegrad, Farbe, Kratzer und Stacheligkeit. Wer noch Gurken aus dem eigenen Garten kennt weiß, dass diese gerne mit feinen Stacheln überzogen sind. In Japan gilt dies als besonderes Qualitätsmerkmal. Sortiermaschinen kommen mit dieser Komplexität nicht zurecht. Koike setzt deswegen auf ein Machine-Learning-System, das auf Tensorflow basiert. In einem Blogpost bei Google ist das System genauer beschrieben.

Lesen Sie auch: Maschinelles Lernen in der Praxis Teil 1: Von Spielerei bis Weltrettung

Eye of the Tiger

Einmal boxen wir Rocky? Dabei helfen kann Bob, der Box-Assistent. Bob ist ein Box-Dummy-Projekt der Firma Mobgen, auf den man beim Trainign nicht einfach nur eindrischt. Sensoren messen die Schläge, wo sie eintreffen und welche Stärke sie haben. Bob nutzt dann Maschinelles Lernen dazu, die verschiedenen Schläge zu klassifizieren und gibt Tipps wie der Boxer diese verbessern kann.

Maisernte ist kein Lotto mehr

Jedes Jahr werfen amerikanische Farmer, Ethanol-Produzenten und Versicherungen einen bangen Blick auf den jährlichen Ernte-Report des United States Department of Agriculture (USDA). Denn die darin prognostizierten Ernteerträge bestimmten die Preise bevor überhaupt ein Maiskolben geerntet wurde. Das Start-up Descartes Labs schaut sich die Felder nicht aus der Nähe an wie die USDA, sondern aus dem Weltraum. Das Unternehmen nutzt Satellitenbilder und Maschinelles Lernen, um Maisfelder zu erkennen. Dabei konnte das Unternehmen auf eine große Datenmenge an alten Satellitenbildern zurückgreifen, um den Algorithmus zu trainieren. Und um zu erkennen wie gesund die Pflanzen sind, wird das Chlorophyllgehalt gemessen. Damit lässt sich die Ernte genauer vorhersagen als mit klassischen Methoden.

AI als Regisseur

Für den Trailer des AI-Horror-Thrillers Morgan saßen kein Cuter und kein Regisseur vor den Bildschirmen. Die Produktionsfirma 20th Century Fox ging zu IBM und fragte, ob die Künstliche Intelligenz Watson nicht den Trailer zusammenstellen könne. Gesagt getan. Das Video erklärt, wie Watson hunderte von Horrorfilm-Trailern analysierte, um herauszufinden, was das Publikum am nervenaufreibendsten findet. Watson schlug daraufhin die zehn besten Momente von Morgan für einen Trailer vor und ein IBM-Filmemacher schnitt sie zusammen. Hoffen wir mal, dass der Trailer nicht die besten Stellen schon verrät.

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

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.