Flop 5: Fehler bei der KI-Entwicklung
Die Entwicklung von künstlichen Intelligenzen ist nach wie vor ein hochkomplexes Thema, bei welchem es zahlreiche Fallstricke gibt. In diesem Post erfährst du unsere Flop 5: Fehler, die du auf jeden Fall vermeiden solltest.
Flop 1: Den falschen Datensatz verwenden
Bei der Erstellung eines Datensatzes gibt es viele Parameter, die zusammenpassen müssen, damit ein guter, verlässlicher Datensatz daraus entsteht.
Ein entscheidender Parameter, welcher allerdings oft nicht ausreichend beachtet wird, ist die Balance des Materials im Datensatz. Durch einen falschen Schwerpunkt in dem Datensatz wird die KI auch eine Vorliebe für diesen Schwerpunkt entwickeln. Diese Schwerpunkte können sich teilweise auch unbewusst einschleichen, weshalb die Auswahl des Materials mit großer Sorgfalt durchgeführt werden sollte. Als Beispiel: Befinden sich in dem Datensatz zum Training einer Fahrzeugtypen-Erkennung überwiegend rote Autos, so wird die KI tendenziell rote Objekte als Auto erkennen, auch wenn evtl. ein roter LKW zu sehen ist.
Der wohl wichtigste Aspekt eines Datensatzes ist, dass dieser zu der jeweiligen Problemstellung passen muss. Soll beispielsweise eine KI zur Fahrzeugerkennung via Drohne entwickelt werden, es existiert aber überwiegend Bildmaterial, welches Fahrzeuge von vorne zeigt, so wird die Erkennungsrate der fertigen KI im realen Einsatz sehr schlecht ausfallen.
Mehr zu dem Thema „Was macht ein gutes Datenset aus?“ erfährst du in dem separaten Blogbeitrag.
Flop 2: Das gleiche Netzwerk für verschiedene Probleme
Ein weiterer Flop ist es, wenn man ein Netzwerk, welches für einen bestimmten Problemfall entwickelt wurde, auch für ein neues Problem verwendet. Hat das Netzwerk für den ursprünglichen Fall hervorragend funktioniert, so kann dies nicht eins zu eins auf andere Fälle übertragen werden.
Jedes Problem hat eine andere Komplexität und erfordert somit auch eine spezifisch angepasste Netzwerkstruktur. Hierbei können manchmal schon einige kleine Veränderungen große Auswirkungen auf das Ergebnis (die Erkennungsrate) haben.
Flop 3: Trainingsbilder zum Testen verwenden
Gibt es keine klare Trennung zwischen Bildern für Trainings und Testzwecke, so kann die errechnete Genauigkeit zwar bessere Ergebnisse liefern, diese sind allerdings nicht verlässlich, da man eine KI immer mit dieser bislang unbekannten Daten testen sollte.
Man sollte deshalb immer einen gemeinsamen Datensatz erstellen, welcher dann vor dem Training der KI zufällig in ein Trainings- und ein Test-Set unterteilt wird. Hierbei ist eine Verteilung von 70-30 oder 80-20 sinnvoll.
Flop 4: Ungeeignete Hardware einsetzen
Dieser Flop betrifft weniger die Qualität der KI, sondern vielmehr die Effizienz der Entwicklung. Für anfängliche Tests und um in das Thema KI-Entwicklung einzusteigen reicht auch eine normale/mittelmäßige Hardware, doch sollte es um die professionelle Entwicklung gehen, so ist eine ebenso professionelle Hardware unerlässlich.
Gerade wenn es darum geht extrem große Datensätze zu verarbeiten, macht es teilweise mehrere Tage oder sogar Wochen Entwicklungszeit aus, die eine Gute von einer weniger guten Hardware unterscheidet.
Wichtig ist es hierbei neben den beiden Haupt-Bauteilen (der CPU und der GPU) auch das Zusammenspiel aller anderer verbauten Bauteile zu beachten, um keinen unerwünschten Flaschenhals-Effekt zu erzeugen.
Flop 5: Ungenaue Problemdefinition
Ein häufiger Fehler bei der Entwicklung einer KI-Lösung ist eine ungenaue Problemdefinition.
Damit eine zielgerichtete KI-Lösung entwickelt werden kann, sollte zu Beginn jedes Projektes einmal das Problem genau analysiert und in verschiedene Teilprobleme unterteilt werden. So kann es z. B. sein, dass sich Teilbereiche des Problems besser durch klassische Algorithmen lässt. Durch die genaue Aufteilung des Problems in verschiedene Teilprobleme lässt sich am Ende eine KI-Lösung entwickeln, welche spezifischer auf das Problem zugeschnitten ist.
Hier gilt es einiges an Erfahrung mitzubringen um das vom Kunden geschilderte Problem kritisch zu analysieren und zu hinterfragen und daraus dann eine optimale Strategie für die Lösung zu entwickeln.