![\"\"](\"https:\/\/blog.fhgr.ch\/wp-content\/uploads\/2019\/07\/staubsauger-oder-bohrmaschine_1-400x0-c-default.webp)
Die Deep Learning Verfahren haben allerdings eine Reihe von Schw\u00e4chen: Es kommt zwar immer ein Ergebnis heraus, aber nicht immer liegt das Ergebnis in der N\u00e4he dessen, was eigentlich herauskommen sollte. Im Big Data Bereich ist das oft nicht weiter schlimm, denn von Hand k\u00f6nnen die Billionen von Digitalbildern l\u00e4ngst nicht mehr untersucht werden. Eine \u00abschlechte\u00bb Auswertung ist immer noch besser als gar keine Auswertung, und so gibt es eben \u00abStau\u00bb auf der Uferpromenade, obwohl doch eigentlich nur sommerlicher Betrieb herrscht. F\u00fcr ein zuverl\u00e4ssiges Messger\u00e4t ist das Verfahren aber nicht ohne Weiteres geeignet: So k\u00f6nnte das hochmoderne Deep Learning Spannungsmessger\u00e4t des Elektrikers harmlose 12V anzeigen, obwohl er die Messung doch eigentlich an der 230V Leitung vornimmt.<\/p>\n
Mit der Zeit wurden die neuronalen Netze immer leistungsf\u00e4higer, aber auch immer komplexer. Warum der Algorithmus bei der Bildanalyse zu einem bestimmten Ergebnis kommt, kann heute praktisch nicht mehr mit Sicherheit festgestellt werden. F\u00fcr die Fotos auf Twitter, Facebook, Pinterest, etc. ist das zwar teilweise \u00e4rgerlich, hat aber letztlich kaum Konsequenzen. Wenn aber eine Bank die Kreditw\u00fcrdigkeit einer Firma oder eines Privatkunden einsch\u00e4tzt, sind die Konsequenzen mitunter erheblich. Noch gravierender wiegt der Entscheid bei der Bildauswertung medizinischer Daten: Ist eine Tumorbehandlung notwendig oder nicht? Hier werden weltweit an ethischen Richtlinien gearbeitet, welche sich kritisch mit dem Einsatz von Deep Learning Verfahren auseinandersetzen.<\/p>\n
Ein weiteres Problem ergibt sich bei der Anpassung bestehender neuronaler Netze, d.h. durch Updates. Wenn die Rechenvorschriften angepasst werden, kann ich vielleicht zus\u00e4tzliche neue Objekteklassen im Bild erkennen, z.B. jetzt auch Pinguine und Raketen. Das ist zwar praktisch, dabei wird aber das ganze neuronale Netz ge\u00e4ndert. Dies bedeutet, dass die vorangegangenen Auswertungen jetzt vielleicht zu einem ganz anderen Ergebnis kommen w\u00fcrden. Stellen Sie sich das vor in einem Produktionsbetrieb, der die Qualit\u00e4t seiner Produkte sicherstellen m\u00f6chte. Ist die Qualit\u00e4t nun gegeben oder nicht?<\/p>\n
Das Foto der Bohrmaschine wird selbst von relativ einfachen Deep Learning Algorithmen, wie z.B. AlexNet oder GoogLeNet mit nahezu hundertprozentiger Sicherheit richtig erkannt. Allerdings muss ich das Foto richtig herum eingeben. Der Mensch erkennt die Bohrmaschine auch auf dem Kopf. GoogLeNet kommt zu einem anderen Ergebnis, und bezeichnet den gezeigten Gegenstand als \u00abStaubsauger\u00bb. AlexNet widerspricht: Das ist eine \u00abSchaufel\u00bb. Lassen wir die beiden ruhig streiten. In der Zwischenzeit k\u00f6nnten wir uns fragen, warum es schwierig ist in einer Online-Bilddatenbank einen bestimmten Gegenstand auf dem Kopf zu finden.<\/p>\n Die Antwort ist klar: die weitaus \u00fcberwiegende Anzahl Bilder im Internet ist \u00abrichtig herum\u00bb, und diese Vorauswahl bei den zu Grunde liegenden Daten ist eine weitere Herausforderung bei Deep Learning. Die Bildanalyse funktioniert nicht vorurteilsfrei. Nicht alle m\u00f6glichen Eingangsbilder sind in der gleichen H\u00e4ufigkeit vertreten. Und so trifft die Bildanalyse nebenbei auch eine Vorauswahl, denn das Analyseergebnis entspricht mit sehr viel h\u00f6herer Wahrscheinlichkeit einem der h\u00e4ufig vorkommenden Eingangsdaten.<\/p>\n","protected":false},"excerpt":{"rendered":"","protected":false},"author":18,"featured_media":6948,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[215],"tags":[17,258,256,213,257,25],"acf":[],"yoast_head":"\n
![\"\"](\"https:\/\/blog.fhgr.ch\/wp-content\/uploads\/2019\/07\/staubsauger-oder-bohrmaschine_2-400x0-c-default.webp)