© Liashko/Shutterstock.com
Entwickler Magazin
AI Services in der Cloud trainieren

AI als kluger Service für alle

Wer ein AI-Projekt nicht von Grund auf selbst aufbauen kann oder will, hat die Qual der Wahl zwischen vorgefertigten Diensten. Was aber tun, wenn die fertigen Services nicht zum Projekt passen? Anpassbare AI- und ML-Modelle in der Cloud, die man mit eigenen Daten trainieren kann, schaffen Abhilfe.

Rainer Stropek


Künstliche Intelligenz (kurz AI) und Machine Learning (ML) beflügeln die Fantasie vieler SaaS-Anbieter. Wäre es nicht schön, wenn wir komplizierte Eingabemasken durch einen einfach zu bedienenden Bot ersetzen könnten? Warum müssen wir den Reisekostenbeleg noch abtippen? Ein Foto mit einer schlauen AI im Hintergrund kann das doch erledigen. In der Praxis stoßen Teams, die sich an solchen Vorhaben versuchen, auf eine Menge Probleme. Vor allem fehlt es in vielen Fällen an einschlägiger Entwicklungserfahrung. Fertige AI-Dienste wie Cognitive Services von Microsoft versprechen Abhilfe. Statt mühsam alles von Grund auf entwickeln zu müssen, bekommt man einfach konsumierbare Web-APIs mit nutzungsabhängigen Kosten. Geht es damit für typische SaaS-Projekte auf der Überholspur in Richtung AI-Zukunft?

AI von der Stange hat begrenzten Wert

Der erste Schritt zur Beantwortung dieser Frage beginnt mit der Verfügbarkeit von Daten. Zugegeben, es gibt AI-Dienste wie Microsofts Text Analytics [1] und Computer Vision [2] oder Googles Cloud Vision API [3], die komplett fertig sind. Beispielsweise braucht man für die Erkennung der Sprache eines Texts mit Text Analytics weder Trainingsdaten noch Verständnis für Machine Learning. Wenn man einen Text an ein Web-API schicken kann, kann es losgehen. Für manche Anwendungen mag das als Einstieg schon reichen (z. B. Zuordnung eines Supportfalls zu einem Teammitglied, das die richtige Sprache spricht). Für die meisten Fälle ist das aber zu wenig. AI und Machine Learning haben erst einen echten Mehrwert, wenn sie an einen bestimmten Anwendungsfall angepasst werden.

Anpassbare AI-Dienste

Wenn es keinen fertigen AI-Dienst von der Stange gibt, heißt das noch nicht, dass man alles von Grund auf mit Bibliotheken wie TensorFlow oder Microsoft Cognitive Toolkit (CNTK) bauen muss. Es gibt einen Mittelweg: Anpassbare AI- und ML-Modelle, die man mit eigenen Daten trainieren kann. Hier zwei Beispiele aus dem Produktportfolio von Microsoft:

Mit dem Custom Vision Service [4] (aktuell als Preview) kann man Bilder nach einer individuellen Logik verschlagworten. Statt den Algorithmus per Hand zu schreiben oder ein Deep-Learning-Modell von Grund auf neu erstellen zu müssen, stellt man Trainingsdaten in Form von korrekt beschlagworteten Bildern zur Verfügung. Mit ihnen trainiert man ein von Microsoft bereitgestelltes Basismodell. Als Ergebnis erhält man ein individualisiertes Modell mit einem Web-API, mit dem man neue Bilder verschlagworten (Prediction) kan...

Entwickler Magazin
AI Services in der Cloud trainieren

AI als kluger Service für alle

Wer ein AI-Projekt nicht von Grund auf selbst aufbauen kann oder will, hat die Qual der Wahl zwischen vorgefertigten Diensten. Was aber tun, wenn die fertigen Services nicht zum Projekt passen? Anpassbare AI- und ML-Modelle in der Cloud, die man mit eigenen Daten trainieren kann, schaffen Abhilfe.

Rainer Stropek


Künstliche Intelligenz (kurz AI) und Machine Learning (ML) beflügeln die Fantasie vieler SaaS-Anbieter. Wäre es nicht schön, wenn wir komplizierte Eingabemasken durch einen einfach zu bedienenden Bot ersetzen könnten? Warum müssen wir den Reisekostenbeleg noch abtippen? Ein Foto mit einer schlauen AI im Hintergrund kann das doch erledigen. In der Praxis stoßen Teams, die sich an solchen Vorhaben versuchen, auf eine Menge Probleme. Vor allem fehlt es in vielen Fällen an einschlägiger Entwicklungserfahrung. Fertige AI-Dienste wie Cognitive Services von Microsoft versprechen Abhilfe. Statt mühsam alles von Grund auf entwickeln zu müssen, bekommt man einfach konsumierbare Web-APIs mit nutzungsabhängigen Kosten. Geht es damit für typische SaaS-Projekte auf der Überholspur in Richtung AI-Zukunft?

AI von der Stange hat begrenzten Wert

Der erste Schritt zur Beantwortung dieser Frage beginnt mit der Verfügbarkeit von Daten. Zugegeben, es gibt AI-Dienste wie Microsofts Text Analytics [1] und Computer Vision [2] oder Googles Cloud Vision API [3], die komplett fertig sind. Beispielsweise braucht man für die Erkennung der Sprache eines Texts mit Text Analytics weder Trainingsdaten noch Verständnis für Machine Learning. Wenn man einen Text an ein Web-API schicken kann, kann es losgehen. Für manche Anwendungen mag das als Einstieg schon reichen (z. B. Zuordnung eines Supportfalls zu einem Teammitglied, das die richtige Sprache spricht). Für die meisten Fälle ist das aber zu wenig. AI und Machine Learning haben erst einen echten Mehrwert, wenn sie an einen bestimmten Anwendungsfall angepasst werden.

Anpassbare AI-Dienste

Wenn es keinen fertigen AI-Dienst von der Stange gibt, heißt das noch nicht, dass man alles von Grund auf mit Bibliotheken wie TensorFlow oder Microsoft Cognitive Toolkit (CNTK) bauen muss. Es gibt einen Mittelweg: Anpassbare AI- und ML-Modelle, die man mit eigenen Daten trainieren kann. Hier zwei Beispiele aus dem Produktportfolio von Microsoft:

Mit dem Custom Vision Service [4] (aktuell als Preview) kann man Bilder nach einer individuellen Logik verschlagworten. Statt den Algorithmus per Hand zu schreiben oder ein Deep-Learning-Modell von Grund auf neu erstellen zu müssen, stellt man Trainingsdaten in Form von korrekt beschlagworteten Bildern zur Verfügung. Mit ihnen trainiert man ein von Microsoft bereitgestelltes Basismodell. Als Ergebnis erhält man ein individualisiertes Modell mit einem Web-API, mit dem man neue Bilder verschlagworten (Prediction) kan...

Neugierig geworden?


   
Loading...

Angebote für Teams

Für Firmen haben wir individuelle Teamlizenzen. Wir erstellen Ihnen gerne ein passendes Angebot.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang