Intelligente Programme, welche aus Daten lernen und das Gelernte verallgemeinern, bestimmen welche Filme oder Bücher zu uns passen, welche E-Mails für uns relevant sind oder führen unsere gesprochenen Befehle aus. Personalisierte Online Werbung oder Freundesvorschläge in sozialen Netzwerken gehören zu den Anwendungsgebieten des Machine Learning welchen wir – manchmal unbewusst – täglich begegnen.
Intelligente Programme, welche aus Daten lernen und das Gelernte verallgemeinern, bestimmen welche Filme oder Bücher zu uns passen, welche E-Mails für uns relevant sind oder führen unsere gesprochenen Befehle aus. Personalisierte Online Werbung oder Freundesvorschläge in sozialen Netzwerken gehören zu den Anwendungsgebieten des Machine Learning welchen wir – manchmal unbewusst – täglich begegnen.
Machine Learning hat viele Aspekte und kann für die Lösung von verschiedensten Problemen eingesetzt werden. Nachfolgend einige Showcases.
Was heute (schon fast) als ein Standard bei den Mobiltelefonen mitgeliefert wird, ist auch im Browser möglich. Als zusätzlicher Sicherheitsmechanismus (2-Way-Authentication) ist ein Abgleich des Gesichts des Benutzers mit einem hinterlegten Bild möglich und erhöht so die Sicherheit eines passwortgeschützten Kontos deutlich.
Mit nur einem Foto eines Ausweises ist es möglich zu erkennen um welche Art von Ausweis es sich handelt. In einem weiteren Analyseschritt können die Daten aus dem Ausweis ausgelesen werden. Daten aus der MRZ (Machine Readable Zone) werden (nahezu) immer korrekt ausgelesen. Bei allen anderen Werten ist das Ausleseergebnis nicht perfekt, aber trotzdem in einem Bereich welcher eine Weiterverarbeitung der Daten mehr als genügt.
Wie wird mein Produkt benutzt? Wie viele meiner Produkte besitzt mein Kunde? Besitzt der Kunde Konkurrenzprodukte und werden diese anders als mein Produkt verwendet? Die Antworten auf diese und ähnliche Fragen können durch die automatisierte Analyse von Bildern und Filmen gegeben werden. Gegenstände können in Filmen erkannt und deren Bewegung verfolgt werden. Tausende von Bildern können in kurzer Zeit analysiert und Benutzungsstatistiken aus den Ergebnissen generiert werden.
Viele Informationen sind heute immer noch auf analogen Karten gespeichert. Seien es Höhenlinien, Transportwege oder die Standorte von geschäftswichtigen Informationen. Mit Machine Learning ist es möglich, diese Karten zu analysieren, digitalisieren und die benötigten Daten mit einer hohen Genauigkeit auszulesen.
In einer grossen Menge von Daten diejenigen zu identifizieren, welche aus der Masse herausstechen, ist für uns Menschen sehr aufwändig und mit hohen Kosten und einer grossen Fehlerquote verbunden. Mithilfe von Machine Learning kann dieser Prozess vollständig digitalisiert und automatisiert werden und sowohl die Kosten wie auch die Fehlerquote stark gesenkt werden.
Wann immer möglich, entwickeln wir unsere Projekte als Web Applikation. Auch im Machine Learning Bereich ist dies unsere erste Wahl, obwohl die Umsetzung im ersten Augenblick, schwieriger und aufwändiger aussieht. Die meisten Geräte und Betriebssysteme bieten proprietäre Machine Learning Plattformen an, welche schnelle und einfache Lösungen versprechen. Wir sind aber überzeugt, dass sich unser Ansatz am Schluss mehr als auszahlt. Die Geräte- und Betriebssystem-Unabhängigkeit birgt enorm viele Vorteile – in finanzieller und technischer Hinsicht. Der Source Code wird kleiner, die Wartungskosten können minimiert werden und das benötigte technische Know-How wird reduziert.
Machine Learning ist ein Teilgebiet der Künstliche Intelligenz (Artificial Intelligence) und befasst sich mit der Suche nach wiederverwendbaren Mustern in grossen Datensätzen. Die Datensätze können aus den unterschiedlichsten Dingen bestehen wie Nummern, Wörter, Bilder, Verhalten von Personen auf einer Webseite, etc. Die gefundenen Muster und Ergebnisse werden optimiert und es wird versucht die Daten intelligent miteinander zu verknüpfen, Zusammenhänge zu erkennen, Rückschlüsse zu ziehen und Vorhersagen zu treffen. Machine Learning ist in mehrere Teilgebiete unterteilt
Mit verschiedenen Verfahren werden Objekte in einem Objektraum identifiziert. Beispielsweise können Gegenstände in einem Bild markiert oder Gesichter erkannt und den dazugehörigen Personen zugeordnet werden.
In einem Bild werden die Bildpunkte analysiert und anhand ihrer Eigenschaften in verschiedenen Gruppen zusammengefasst. Dadurch ist es möglich zusammenhängenden Regionen oder Objekten zu erzeugen.
In der Bildklassifikation werden Bilder erkannt und einer Kategorie zugeordnet. Beispielsweise können Bilder von Blumen deren Art zugeordnet werden, d.h. es wird ein Bild einer Rose den Rosen zugeordnet und das einer Geranie den Geranien.
Texte werden in Bilder automatisch erkannt und extrahiert. Je deutlicher die Schriftart die einzelnen Zeichen unterscheidet, desto besser sind die Ergebnisse der Texterkennung. Es gibt eigens entworfene Schriftarten, um die Texterkennung zu vereinfachen aber es werden aber auch laufend Verbesserungen gemacht, um beispielsweise handgeschriebenen Text zu erkennen.
Es werden seltene Objekte, Ereignisse oder Beobachtungen identifiziert, welche aus der Masse herausstechen und sich signifikant von der Mehrheit der Daten unterscheidet
Mit fidentity können Kundenidentifikation digitalisiert werden - online oder vor Ort. Ganz ohne App werden ID-Dokumente mit dem Handy gescannt, liveness geprüfte Selfies erstellt und Dokumente signiert. Künstliche Intelligenz verhindert Betrug und stellt die Compliance sicher. In Echtzeit werden Entscheidung über die Qualität der Identifikation getroffen und publiziert, um nachfolgende Prozesse mit diesen Informationen zu steuern.
Weitere Informationen zu fidentity finden sie auf der fidentity Webseite. Sie können die Applikation auch selbst ausprobieren und die verschiedenen Funktionen kennenlernen.
Passionierter Trailrunner und Bierbrauer
