Lesson
    1

    0%
    Lesson
    2

    0%
    Lesson
    3
    Lesson
    4

    0%
    • 4.1 Aufgabenstellung und Machbarkeit prüfen

      Wie in den vorherigen Lektionen bereits erwähnt wird Künstliche Intelligenz wissenschaftlich meist als Sammelbegriff für bestimmte (teilweise selbstlernende) Algorithmen verwendet, welche dem Feld des Machine Learnings oder spezifischer dem Deep Learning zugeordnet
      werden. Deep Learning Algorithmen sind Berechnungsverfahren, die auf neuronalen
      Netzen basieren. Häufig wird angenommen, dass Deep Learning Algorithmen in der
      Anwendung selbstständig weiterlernen.

      Grundsätzlich sollte sich zu Beginn des DL-Projekts die Frage gestellt werden, inwiefern es einen Nutzen für das Unternehmen mit sich bringt. Das DL-Projekt kann die internen Prozesse in Bezug auf die Effizienz und der Entscheidungsfindung unterstützen und ggf. auch optimieren. Weiterhin könnten neue Erkenntnisse aus den bestehenden Daten gewonnen werden.

      Erst nach gründlicher Durchsicht und Analyse der vorhandenen Daten, lässt sich die Aufgabe konkreter beschreiben. In den nachfolgenden Kapiteln wird auf die Akquise der Daten sowie auf die Annotation Bezug genommen. Diese verdeutlichen, wie wichtig die Qualität der Daten ist. Im weiteren Schritt wird dann eine genaue Aufgabe für das DL-Projekt entwickelt.

      Abhängig von den Daten wird zwischen den einzelnen Lernverfahren differenziert. Damit entscheidet sich, ob die Methode des Supervised, Unsupervised oder Reinforcement Learnings angewendet werden soll.

      Anhand des Reinforcement Learnings wird ein vortrainiertes Netz mit einem neuen Datensatz auf eine neue Aufgabe belohnungsbasiert trainiert, was nicht nur Vorteile besonders in Bezug auf die Schnelligkeit der Durchführung birgt, sondern teilweise überhaupt die generelle Machbarkeit ermöglicht. Auf dieses können eine Vielzahl von Startups die leistungsfähigsten Algorithmen z. B. von Google oder Elite-Forschungseinrichtungen für die eigenen Anwendungsgebiete anpassen.

      Vor der Entwicklung der Software sollte geklärt werden, welche Art von Softwareschutz am besten genutzt werden sollte. Aufgrund der Tatsache, dass bei Deep Learning basierter Software häufig auf Komponenten anderer Hersteller zurückgegriffen wird, bietet es sich nicht an, auf ein Patent hinzuarbeiten. Die selbst geschriebene Software unterliegt selbstverständlich dem Copyright. Darüber hinaus können Sie den Quellcode aus Betriebsgeheimnis behandeln und Ihre Mitarbeiter eine entsprechende Geheimhaltungsvereinbarung unterschreiben lassen.

      Im Falle von Software sind jedoch nur der genaue Programmcode und z. B. das Handbuch geschützt. Die reine Funktionalität nicht. Es steht Mitbewerbern daher frei, die Funktionalitäten einer anderen Software selbst "nachzuprogrammieren", solange nicht der Quellcode der Original-Software kopiert wird. Weitere Informationen dazu finden Sie in den folgenden Links.