Stau oder kein Stau?

Angenommen, wir wollen eine Autobahn überwachen, um frühzeitig einen Stau zu erkennen. So könnten wir beispielsweise den Verkehr vorher verlangsamen und dadurch Gefahren reduzieren.

Wir bauen also an jede Brücke eine Kamera, die in regelmäßigen Abständen ein Live-Bild an eine Verkehrszentrale liefert. Dort sitzen dann Herr Langsam und Frau Stockend – Tag und Nacht – und beobachten die übertragenen Bilder. Sobald sich was staut, schlagen sie Alarm. – So natürlich nicht.

Da das hier ein Artikel zum Thema KI ist, hat sich jeder schon gedacht, dass man das vielleicht automatisieren will. Wir müssen also einem Computer beibringen, wie das aussieht, wenn auf dem Kamerabild ein Stau zu sehen ist. Eine Aufgabe, für die wir Menschen keine besondere Ausbildung benötigen: wir können das i.d.R. einfach.

Um einem lernenden Ding soetwas beizubringen, brauchen wir als Allererstes Bilder, zu denen wir jeweils notiert haben, ob da Stau zu sehen ist oder nicht, um diese dem System zum Trainieren zu zeigen. Diese Bilder mit Beschriftung nennen wir »Trainings-Daten«. Dabei lassen wir bewusst mal außen vor, wie dieses Lernen dann eigentlich von Statten geht.

Wenn wir das System trainiert haben, es also hoffentlich gelernt hat, einen Stau zu erkennen, müssen wir das Ding natürlich auf die Probe stellen: Kann das System auch bei einem bislang unbekannten Bild richtig entscheiden?

Vielleicht hat das System ja nur für jedes Trainings-Bild das gewünschte Ergebnis »auswendig gelernt«. Wir kennen das von unserem Lernen (z.B. in Schule, Ausbildung, Studium): Wir lernen, trainieren, üben anhand einiger Aufgabenstellungen und werden dann mit ähnlichen aber nicht den genau gleichen Problemen in einer Prüfung konfrontiert. Haben wir nur auswendig gelernt oder haben wir das Konzept verstanden und können es somit auf neue, unbekannte Situationen anwenden?

Zusammenfassend: Die Lernmethode, die wir hier anschauen ist das sogenannte »supervised learning« oder »überwachtes Lernen«. Dabei werden zuvor vom Menschen erzeugte Datensätze mit gewünschten Ergebnissen benötigt. Das Lernen erfolgt dann in zwei Phasen.

1. Trainings-Phase
2. Testing-Phase