Ein Convolutional Neural Network (CNN, faltendes neuronales Netz) ist eine Architektur neuronaler Netze, die sich besonders für Bilddaten eignet. Es tastet die Eingabe mit kleinen Filtern ab und erkennt in den ersten Schichten einfache Merkmale wie Kanten, in tieferen Schichten komplexere Formen. CNNs prägten die Bilderkennung über viele Jahre und werden etwa zur Fehlererkennung auf Produktfotos oder in der medizinischen Bildanalyse eingesetzt.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDeep Learning ist ein Teilbereich des maschinellen Lernens, der künstliche neuronale Netze mit vielen Schichten nutzt. Solche Netze lernen aus großen Datenmengen selbstständig, welche Merkmale wichtig sind – von Kanten in Bildern bis zu Bedeutungszusammenhängen in Texten. Deep Learning bildet die Grundlage heutiger Sprachmodelle, der Bild- und Spracherkennung sowie der maschinellen Übersetzung und benötigt meist viel Rechenleistung und Trainingsdaten.
Computer Vision (maschinelles Sehen) ist ein Teilgebiet der KI, in dem Computer Bilder und Videos auswerten. Typische Aufgaben sind das Erkennen und Lokalisieren von Objekten, das Lesen von Text in Bildern oder das Vermessen von Bauteilen. Eingesetzt wird die Technik etwa in der Qualitätskontrolle in der Fertigung, in Fahrassistenzsystemen, in der Logistik oder in der medizinischen Bildgebung.
Bilderkennung ist ein Teilgebiet der Computer Vision, in dem Software erkennt, was auf einem Bild zu sehen ist – etwa Objekte, Personen, Text, Logos oder Szenen. Grundlage sind meist neuronale Netze, die an vielen beschrifteten Bildern trainiert wurden. Anwendungen reichen von der Qualitätskontrolle in der Produktion über die Sortierung von Produktfotos bis zur Unterstützung in der medizinischen Bildgebung. Bei Personenbildern sind Datenschutz und mögliche Verzerrungen besonders zu beachten.
Künstliche neuronale Netze (KNN) sind Rechenmodelle aus vielen verbundenen Einheiten („Neuronen“), die in Schichten angeordnet sind und Eingaben über gewichtete Verbindungen verarbeiten. Beim Training werden die Gewichte anhand von Beispielen schrittweise angepasst, meist per Backpropagation. KNN sind die Grundlage des Deep Learning und stecken in Bilderkennung, Spracherkennung und großen Sprachmodellen. Trotz des biologischen Vorbilds funktionieren sie deutlich einfacher als das menschliche Gehirn.
