DL Anwendungen

Anwendung

Einsatzgebiete künstlicher Intelligenz

Objekterkennung
Neuronale Netze eignen sich bestens ,um Bilder zu analysieren, um Strukturen oder Objekte in diesen Bildern zu erkennen. Damit eröffnen sich neue Möglichkeiten nicht nur im Bereich der Produktion oder der Sicherheit. Wichtig ist, damit das Netz eine Situation erlernen kann, dass hinreichend viele aussagekräftige Beispieldaten zur Verfügung stehen (Big Data).
Geräusch- & Sprach-Analyse
Mittels neuronaler Netze lassen sich Geräusche und Sprache analysieren. Bei der Sprachanalyse wurden große Fortschritte gemacht. So kann Sprache auch in ungünstigen Umgebungen (Störgeräusche) sicher analysiert werden. Es muss nicht immer Sprache sein – auch das Geräusch einer Maschine kann analysiert werden. Das neuronale Netz kann feststellen, ob eine Maschine korrekt arbeitet, ähnlich wie ein guter Mechaniker am Geräusch des Motors den Fehler erkennt.
Deep Learning in der Medizin

Es geht um die zweite Meinung, um die Absicherung einer Diagnose. Mittels neuronaler Netze lassen sich Bilder, wie zum Beispiel Computertomografien, auf strukturelle Veränderungen im Gewebe analysieren.

Damit wird es erstmals möglich, medizinische Diagnosen, die bislang nur der Mensch erstellen konnte, zu automatisieren.

 

Data Mining

Die Stärke neuronaler Netze liegt darin, Zusammenhänge zu erkennen, die bislang nicht sichtbar waren. Mit dem Wissen aus alten bekannten Sachverhalten (Aktion und Wirkung) wird ein neuronales Netz so trainiert, dass es in der Zukunft möglich ist, neue Situationen zu analysieren, um dann Aussagen über die Zukunft zu treffen. Diese Fähigkeit hat insbesondere im betriebswirtschaftlichen Umfeld große Bedeutung – denken Sie nur an die Vorhersage von Aktienkursen.

Sentiment Analysis

Für die meisten Firmen oder Organisationen ist es wichtig, was man über sie als Organisation denkt, ob man negativ oder positiv über sie berichtet bzw. ob in den sozialen Medien positive oder negative Aussagen getroffen werden. Diese Analyse ist aufwändig und kostspielig.
Deep Learning bietet hier eine sehr gute Lösungsmöglichkeit: trainiert man ein neuronales Netz so, dass es zwischen positiven und negativen Aussagen unterscheiden kann, so können die im Internet über Sie veröffentlichten Aussagen automatisch bewertet werden.
Man verbindet diese Bewertungsfunktion mit einer Funktion, die das Netz nach Aussagen über Sie durchsucht. So erhalten Sie ein automatisches Analysetool.
Dieses Tool wird als Sedimentanalyse oder Net-Sedimentanalyse bezeichnet. Durch die Einstufung einer relevanten, also aussagekräftigen Menge von Statements als negative, neutrale oder positive Aussage wird ein zuverlässiger Durchschnittswert ermittelt. Dieser Wert gibt Ihnen die Möglichkeit, gegebenenfalls erforderliche Maßnahmen zu ergreifen.

Big Data

Die Funktionsweise eines neuronalen Netzes basiert darauf, dass das Netz mit bekannten Sachverhalten angelernt wird, um einen Lerneffekt zu erreichen. Dafür sind große Mengen an Beispielen (Eingaben, deren Ergebnis man kennt) notwendig.
Eine wichtige Aufgabe im Rahmen des Deep Learning ist es, geeignete Daten zur Verfügung zu stellen. Dazu gehört nicht nur die Speicherung der Daten, sondern auch die Konvertierung der Daten in eine nutzbare Form.

 

Neuigkeiten

Gemeinsam gegen Corona videBit Fair ist ein auf KI-basierendes System, dass erkennt ob eine Maske getragen wird und der Mindestabstand
Im Frühjahr 2019 wir ich Mitglied der Delegationsreise “NRW goes to India”. Die Veranstaltung wurde geleitet von unserem Wirtschaftsminister Herrn
Corona - KI erkennt fehlenden Mund-Nase-Schutz
Künstliche Intelligenz erkennt Mund-Nase-Schutz Eine auf künstliche Intelligenz (KI) basierendes Software-System ist in der Lage zu erkennen, ob eine Person,