Modell

Was ist ein Modell?

Ein Modell ist eine Abbildung eines bestimmten Bereiches oder Objektes in vereinfachter Form. Sie können sich sowohl an einem bereits bestehenden realen Objekt orientieren oder aber auch völlig frei und abstrakt gewählt beziehungsweise aufgebaut sein.

Ein Modell basiert auf der Freiheit des Erschaffers und dessen Wunsch der Darstellung, lehnt sich jedoch auch an klaren Grundregeln an. Definiert sind hierbei drei Faktoren, die für ein Modell gelten:

  • Faktor 1 bezieht sich auf die Abbildung, die das Modell darstellt. Hierbei wird dieses auf ein natürliches oder künstliches Original bezogen. Das heißt, ein Modell bildet etwas bereits Bestehendes ab.
  • Faktor 2 beschreibt die Beschaffenheit eines Modells. Es bezieht sich generell nur auf die relevanten Fakten eines Originals und somit nicht auf alle bestehenden Attribute. Welche Fakten als relevant betrachtet werden müssen, legt der Erschaffer des Modells fest.
  • Faktor 3 bezeichnet den Sinn eines Modells. Es kann generell nicht eindeutig zugeordnet werden, sondern dient eher einer Ersetzungsfunktion. Sie dienen der vereinfachten Veranschaulichung und beziehen sich dabei auf wesentliche W-Fragen, für wen, wann oder auch wozu etwas dienen oder genutzt werden soll.

Wie funktioniert die Modellbildung?

Die Modellbildung beschreibt den Prozess, in der ein Modell entsteht. Hierbei werden sowohl relevante Daten erfasst, die später in das Modell eingearbeitet werden, ebenso wie die Festlegung der genauen Struktur durchgeführt. Je nach Modellart kann es durchaus sein, dass hier eine längere Beobachtungszeit vorangehen muss, um passende Ergebnisse erzielen zu können. Diese Beobachtungszeiten sind in erster Linie immer dann notwendig, wenn ein Modell auch auf statistische Werte und Analysen angewiesen ist.

Die Idee der Modellbildung zielt auf die Erstellung eines übersichtlichen Modells ab, welches zur vereinfachten Lösungsfindung von Problemen genutzt werden kann.

Arten von Modellen

Der Begriff „Modell“ findet in vielen Bereichen und Gebieten seine Anwendung und beschreibt dabei nicht selten ganz unterschiedliche Dinge. Typische Anwendungsgebiete sind hierbei die Wissenschaft, die Mathematik sowie auch die Informatik.

Wissenschaft

In der Wissenschaft wird ein Modell verstärkt zur Erklärung von bekannten Thematiken genutzt. Sachverhalte oder bekannte Objekte dienen hierbei als Grundlage und werden zur vereinfachten Erklärung in einem Modell aufgezeigt.

Mathematik

In der Mathematik ist ein Modell oftmals durch den Einsatz von Formeln definiert. Dabei stellt es die mathematische Logik von verschiedenen Themenbereichen dar, die veranschaulicht werden sollen. Wie weit dieses Spektrum ausgeweitet wird, also, wie viele mathematische Themen in das Modell eingepflegt werden, hängt vom Ersteller selbst ab. Alle Modelle dienen in der Mathematik einem klaren Zweck und jener ist, die Beweisführung einer bestimmten mathematischen Logik.

Informatik

Ein Modell in der Informatik wird verstärkt für eine Darstellung eines Realitätsausschnitts genutzt, um dadurch neue Lösungsansätze für bestehende Problematiken zu ermitteln. Hierzu werden verschiedenen Informationsquellen genutzt und verarbeitet. Diese Modellstrukturen sind auch als Domänenmodell bekannt. Sie dienen der Erstellung von neuer Software oder Architekturen, die in der Informatik oder in anderen wissenschaftlichen Gebieten genutzt werden können.

Maschinelles Sehen

Was ist Maschinelles Sehen?

Maschinelles Sehen ist eine Technologie, die mithilfe von Künstlichen Intelligenz (KI), Objekte erkennt sowie Bilder aufnimmt. Sehen ist Technik und gleichzeitig Voraussetzung für die Industrieautomation. Sie ist ein Teilgebiet der Computer Vision.

Mit einem Algorithmus wird jedes einzelne Foto klassifiziert und die dargestellten Objekte werden mit eigenen Schlagworten versehen. Eine gute Objekterkennung ist für eine automatisierte Verarbeitung sehr hilfreich. So werden optische Zeichen, Muster und Objekte erkannt.

Unter Einsatz von Computer Vision Modellen können nun Objekte klassifiziert und lokalisiert werden. Große Datenmengen werden durchsucht, um Bewegungsanalysen, Bildbeschreibungen und Bildrekonstruktionen zu erstellen.

Unter Anwendung dieser Technologien und Methoden konnte die Produktqualität signifikant verbessert und die Produktion deutlich beschleunigt werden. So trägt maschinelles Sehen wesentlich zur Verbesserung der Arbeit und Prozessqualität von Industrieanlagen bei. Weitere Anwendungen finden sich in der Sicherheitstechnik (Biometrie, Kameraüberwachung) und in der Materialprüfung wie Qualitätssicherung von Automatisierungs- und Verkehrstechnik.

Welche Technik benötigt Maschinelles Sehen?

Im Zusammenhang mit maschinellem Sehen sind neben einer automatisierten, auf künstlicher Intelligenz beruhenden Software, auch stets hervorragende und neuartige technische Lösungen gesucht. Wichtige Komponenten der optischen Bildererfassung sind:

  • Kameras
  • Objektive
  • Bildsensoren
  • Beleuchtungstechnik
  • Framegrabbers (Schaltungseinheit)
  • Steuerungselemente (zur Datenübertragung bzw. Kommunikation)

Kameratypen gibt es für verschiedenste Anwendungsbereiche. Diese reichen von einfachen zweidimensionalen Aufnahmen bis hin zur Aufnahme von Wärmebildern, Wärmeanomalien und Röntgenaufnahmen, um mikroskopische Fehler und Metallermüdung zu entdecken.

Welche Systeme und Lösungen existieren auf dem Markt?

Es gibt verschiedene Systeme für maschinelles Sehen. So können mit Microsoft Azure umfangreiche Informationen aus Bildern und Videos extrahiert werden. Mit optical character recognition (kurz OCR; Texterkennung) werden gedruckte oder handschriftliche Texte aus Bildern erkannt und extrahiert. Mit der Bildanalyse können Sie von einer umfangreichen Ontologie profitieren, die mehr als 10.000 Konzepte und Objekte direkt für die Wertschöpfung von virtuellen Ressourcen einsetzt.

Weitere exzellente Lösungen für die Bilderkennung gibt es unter anderem von den Firmen Matrox und Power Arena.

Maschinelle Übersetzung

Was ist maschinelles Übersetzen?

Maschinelle Übersetzung bezeichnet das automatische Übersetzen von Texten durch ein Computerprogramm. Die beiden bekanntesten Machine Translation Tools sind zurzeit Google Translate und DeepL.

Wie funktioniert die maschinelle Übersetzung?

Eine gute Übersetzungssoftware liefert im Idealfall nicht nur zutreffende und natürlich klingende Übersetzungen, sondern ist auch einfach und intuitiv zu bedienen. Deshalb sind die meisten Programme ähnlich gestaltet und weisen folgende Merkmale auf:

In ein Eingabefeld fügt der Nutzer den Text ein, welchen er übersetzt haben möchte. Im Hintergrund wird der Text übersetzt, und das Resultat in einem Ausgabefeld angezeigt. Für die Übersetzung der Texte werden von den verschiedenen Anbietern unterschiedliche Methoden verwendet.

Neuronale Maschinenübersetzung

Sowohl der Google-Übersetzer wie auch DeepL setzen auf diese Technik der maschinellen Übersetzung. Ein neuronales Netzwerk, also eine Art künstliche Intelligenz, analysiert diverse zweisprachige Texte und probiert, die Zusammenhänge der beiden Sprachen zu erkennen und erlernen. Mit diesen Übersetzern können nicht nur einzelne Wörter, sondern längere Texte mit mehreren Sätzen übersetzt werden. Die auf der neuronalen Maschinenübersetzung basierenden Tools sind zudem oftmals präziser als die Konkurrenz und können authentisch klingende Sätze formen. Ihr größter Nachteil ist es, dass die Entwickler der Tools kaum nachvollziehen können, wie die erlernten Ergebnisse zustande kamen.

Direkte Maschinenübersetzung

Andere Übersetzer arbeiten mit der direkten Maschinenübersetzung, wie beispielsweise Pons oder Leo.org. Hier werden, basierend auf einem Wörterbuch, einzelne Wörter von der Ausgangs- in die Zielsprache übersetzt und im System hinterlegt. Bei Abfrage werden die Wörter aus dem System geladen, und in der Zielsprache wiedergegeben. Mit der direkten Maschinenübersetzung wurden auch die ersten elektronischen Übersetzer programmiert, wie beispielsweise der Englisch-Russisch-Übersetzer des US-Militärs. Bei einzelnen Wortabfragen ist diese Technik im Vorteil, denn wenn die Übersetzungen sauber hinterlegt wurden, werden immer die zutreffendsten Wörter ausgegeben. Bei längeren Texten ist diese Methode jedoch nicht dynamisch genug, und die Übersetzungen können schnell künstlich wirken.

Andere maschinelle Übersetzungsmethoden

Neben den oben genannten Methoden existieren auch noch fünf weitere verbreitete Übersetzungs-Techniken:

  • Die Transfer-Methode
  • Die Interlingua-Methode
  • Die beispielbasierte Maschinenübersetzung
  • Die statistische Maschinenübersetzung
  • Die Maschinenübersetzung mit menschlicher Hilfe

Wer ist aktuell der beste Anbieter für maschinelle Übersetzung?

Zuletzt bleibt noch die Frage offen, welcher Übersetzungsdienst auf dem Markt aktuell der Beste ist. Die sprachliche Qualität der jeweiligen Tools zu messen ist schwierig, jedoch sind sich viele etablierte IT-Magazine einig:

DeepL ist ein deutscher Übersetzungs-Service der Firma DeepL GmbH, welche ihren Sitz in Köln hat. Der Übersetzer ging im August 2017 online und gewann durch seine überragenden und präzisen Übersetzungen schnell Aufmerksamkeit. DeepL hat mit seinen eloquenten und stets zutreffenden Formulierungen seinen bislang größten Konkurrenten Google Translate technisch überholt. Der Übersetzer bietet auch die Funktionen, diverse Dateitypen direkt per Drag-and-Drop hochzuladen und übersetzen zu lassen und Synonyme für verschiedene Wörter und Formulierungen zu verwenden.

Was sind Vor- und Nachteile von Machine Translation?

Vorteile

  • mobil einsetzbar
  • oftmals kostenlos erhältlich
  • verschiedene Tools für individuelle Zwecke

Nachteile

  • nicht fehlerfrei
  • Wortwahl kann unnatürlich wirken

Machine Learning

Machine Learning ist ein Studienfeld, dass sich mit Algorithmen, statistischen Modellen und Computersystemen beschäftigt. Das Ziel von Machine Learning ist es Computern die Fähigkeit zu geben einige Aufgaben zu erlernen explizit dafür programmiert zu sein. Da Machine Learning so viele statistische Methoden verwendet wird es auch oft als statistisches Lernen oder angewandte Statistik bezeichnet. Im Gegensatz zu Statistik nutzt es mehr Computerwissenschaft (Programmieren) und hat typischerweise ein etwas anderes Ziel. Trotzdem verwenden Statistik und Machine Learning viele gemeinsame Methoden. 

Machine Learning ist eine Disziplin, die sich mit dem Studium und der Herstellung von Algorithmen, statistischen Methoden und Computersystemen beschäftigen, die verwendet werden um bestimmte Aufgaben zu erfüllen ohne dafür explizite Anweisungen zu bekommen. Mit Machine Learning sind wir in er Lage Computerprogramme zu entwickeln, die autonom und in intelligenter Weise agieren, die Zukunft vorhersagen und sogar bestimmte Aufgaben für uns automatisieren. 

Machine Learning und die erhöhte Verfügbarkeit von Daten sind die Haupttreiber der Entwicklung von KI-Systemen. Fast alle der wichtigen Durchbrüche auf dem Feld künstlicher Intelligenz und die führenden KI-Systeme, die heute verfügbar sind, sind mithilfe von Machine Learning Methoden entwickelt wurden. Dieser Trend wird sich auch fortsetzen, da die Daten, die der wichtigste Treibstoff des Machine Learning sind, immer weitreichender verfügbar sein werden. 

Machine Learning Modell

Ein Modell ist die Wiedergabe irgendeines Aspekts aus der echten Welt. Gute Modelle sind sparsam, fokussieren sich also auf die Teile, die relevant sind. Bei Machine Learning spiegeln Modelle auch immer einen Aspekt aus der richtigen Welt wieder. Um genauer zu sein, versuchen sie normalerweise eine bestimmte Zielvariable durch die Nutzung von Inputvariablen hervorzusagen oder zu bestimmen.

Eine Machine Learning Modell besteht aus mathematischen Funktionen (also einem Set von Regeln), die zugrundeliegende Verbindung zwischen der Zielvariable und der Inputvariable wiedergeben sollen. Machine Learning Modelle werden durch sog. Modelltraining entwickelt.

Es gibt unterschiedliche Modellklassen im Bereich des Machine Learning, die sich darin unterscheiden, wie sie die echte Welt wiedergeben. Abhängig vom zugrundeliegenden Problem eignen sich manche Modellklassen für bestimmte Prozesse besser als andere. 

Machine Learning Modelle sind der Kern der überwiegenden Mehrheit der heutigen KI-Systeme. 

Machine Learning Modelle werden durch einen als Modelltraining bezeichneten Prozess entwickelt. Während des Modelltrainings versorgen wir ein Machine Learning Modell mit bestehenden Daten, aus denen das Modell die relevanten Zusammenhänge zwischen unabhängigen und Outputvariablen identifizieren und zeigen kann.

In unserem Größen-Gewichts-Beispiel wurde das Modell mithilfe eines Datensatzes von einigen Dutzend Personen trainiert. Wenn wir ein Modell trainieren wollen, müssen wir uns für eine Modellklasse entscheiden. Es gibt unterschiedliche Modellklassen beim Machine Learning; zum Beispiel lineare Modelle, baumbasierte Modelle und neurale Netze.

Diese Modellklassen unterscheiden sich darin, wie sie die echte Welt wiedergeben. Daher eignen sich bestimmte Modellklassen besonders für bestimmte Probleme. Zum Beispiel versuchen neurale Netze die Struktur des menschlichen Gehirns widerzuspiegeln, um Prozesse der echten Welt zu reflektieren und eigenen sich besonders gut für Computer Vision und Probleme natürlicher Sprachen.