Erste eigene KI – nur 15 Zeilen Code
In dem folgenden kurzen Einsteiger-Tutorial wirst du lernen, mit 15 Zeilen Code deine erste eigene KI zu erstellen. Diese KI wird in der Lage sein, verschiedene Kleidungsstücke zu erkennen und zu klassifizieren. Um möglichst einfach und schnell zu einem Ergebnis zu kommen, werden wir Python zusammen mit Tensorflow verwenden.
Vorbereitung der Entwicklungsumgebung
Zu Beginn musst du auf deinem Rechner Python und danach Tensorflow installieren und dich anschließend für einen Code-Editor entscheiden. Ich empfehle hier Visual Studio Code. Da eine detaillierte Installationsanleitung den Rahmen dieses Beitrags sprengen würde, werde ich diesen Teil überspringen, alle nötigen Infos findest du unter den folgenden Links:
- Python: https://www.python.org/about/gettingstarted/
- Tensorflow: https://www.tensorflow.org/install
- Visual Studio Code: https://code.visualstudio.com/
Nachdem du Python, Tensorflow und einen Code-Editor installiert hast, lege dir ein beliebiges Verzeichnis an, öffne dieses in deinem Code-Editor und erstelle die Datei „classifier.py“. Die Endung „py“ definiert, dass die Datei mit Python ausgeführt werden kann.
Vorbereitung im Code
Damit du Tensorflow verwenden kannst, musst du es zu Beginn in deiner Datei importieren. Zusätzlich musst du noch Keras importieren, eine besonders einsteigerfreundliche Python-Bibliothek für Deep-Learning.
Datenvorbereitung für die KI
Für eine eigene KI kann man entweder eigene Daten sammeln/generieren, oder auf fertige Datensets zurückgreifen, was wir in diesem Fall tun werden. Dazu werden wir aus Keras ein Datenset mit dem Namen „fashion mnist“ verwenden. Dieses kann direkt im Code aus Keras importiert werden.
Um die Komplexität des Problems gering zu halten, werden wir alle Bilddaten vor der Verwendung noch in ein Schwarz-Weiß Bild umrechnen.
Das Model der KI
Jede künstliche Intelligenz besteht im Kern „nur“ aus mehreren aneinandergereihten Ebenen, sogenannter „Layern“, welche jeweils wieder aus künstlichen Neuronen bestehen. Diese Neuronen sind durch eine unterschiedliche Gewichtung unterschiedlich stark miteinander verbunden. Mehr dazu kannst du in unserem Blogpost „Was ist eine KI?“ lesen.
Die Art und Anzahl dieser Layer wird durch das sogenannte „Model“ definiert, welches im nächsten Schritt dann trainiert wird, um die optimale Gewichtung der einzelnen Neuronen zu bestimmen.
Für unsere KI werden wir ein einfaches Model aus drei Layern aufbauen: Als ersten nutzen wir einen Input-Layer vom Typ „flatten“, welcher das Bild zu einer Kette an Pixelwerten verarbeitet. Danach folgt ein fully-connected Layer, dessen Neuronen jeweils mit jedem Pixel aus dem vorherigen Layer verbunden sind. Zum Schluss folgt wieder ein Layer, welcher mit allen Neuronen aus dem vorherigen (fully-connected) Layer verbunden ist. Dieser letzte Layer hat genau 10 Neuronen, da wir zuvor auch 10 Klassen für den Classifier definiert haben, bzw. das Datenset dies voraussetzt.
Damit wir dieses Model trainieren können, müssen wir es vorher noch kompilieren. Hierbei wird unter anderem der „Optimizer“ definiert, welcher die Fehlerfunktion berechnet, aus welcher dann die Gewichte bestimmt werden.
Das Training der KI
Nachdem nun das Model der KI definiert ist, müssen die optimalen Gewichtungen zwischen den einzelnen Neuronen berechnet werden. Hierzu wird die KI mit den Bilddaten und den dazugehörigen Labels gefüttert und berechnet hieraus in mehreren Schleifen (Epochen) Stück für Stück die Gewichte. Diesen Prozess werden wir in einem späteren Beitrag noch mal detaillierter erklären.
Die fertige KI testen
Nachdem das Training abgeschlossen ist, sind die optimierten Gewichte für das zuvor definierte KI-Model berechnet worden. Um die Genauigkeit der KI zu testen, kann man diese mit den folgenden Zeilen evaluieren:
Um die KI nun zu starten, öffnest du die Kommandozeile unter Windows oder das Terminal unter Linux und Mac in dem jeweiligen Verzeichnis, in welchem sich dein Code befindet. Unter Windows kannst du in dem Verzeichnis mit gedrückter Shift-Taste einen Rechtsklick ausführen und dann „Öffne Power-Shell hier“ auswählen, um diese direkt im richtigen Verzeichnis zu starten. Befindest du dich im richtigen Verzeichnis, öffnest dort die Datei mit „python classifier.py“.
Nach einer kurzen Zeit siehst du, wie deine KI trainiert wird und bekommst nach Abschluss der 10. Epoche eine Auswertung der Genauigkeit.
Weitere Schritte mit der eigenen künstlichen Intelligenz
Herzlichen Glückwunsch, du hast soeben deine eigene KI erstellt!
Zugegeben: Diese rudimentäre KI ist noch weit entfernt von einem fertigen KI-Produkt und kann mit dem aktuellen Stand noch nicht eingesetzt werden. Doch in diesem Tutorial ging es darum die grundlegenden Schritte bei der Erstellung einer KI zu zeigen. Mit einigen weiteren Schritten kann diese KI erweitert werden, bis hin zu einem fertigen Produkt.
Durch das Anpassen des Models, die Optimierung des Trainings oder entsprechendem Preprocessing kann die Erkennungsrate dieses KI-Classifier auf ein nutzbares Level (>95%) angehoben werden.
Durch ein Training mit eigenen Bilddaten kann man die KI auf den speziellen Anwendungsfall zuschneiden und trainieren. Außerdem sollte man eine Möglichkeit schaffen, eigene Bilddaten von der KI analysieren und klassifizieren zu lassen.
Zusätzlich kann man noch verschiedene Auswertungen und Analysen implementieren, um die Qualität während des Trainings und die Qualität der finalen KI zu gewährleisten.
Die möglichen Anpassungen und Erweiterungen sind nahezu unbegrenzt. Auf einige dieser Möglichkeiten werden wir in späteren Beiträgen nochmal genauer eingehen.