Selbstständig fahrende Autos müssen vieles lernen. Genauer gesagt müssen ihre Algorithmen vieles lernen, mittels derer sie schließlich autonom fahren können sollen. Die Umgebung beispielsweise, durch die sie ihre Menschen chauffieren werden, erlernen sie mit Bild- und Videomaterial, das ihnen vom Menschen zu Trainingszwecken eingespielt wird.
„Ein Algorithmus lernt anhand von Beispielen, und je mehr Beispiele es gibt, desto effektiver lernt er.“
Philip Kessler von understanding.ai
Man kann sich nun leicht vorstellen, dass die Autoindustrie eine sehr große Menge von diesem Material braucht, um ihre Algorithmen all das Menschliche zu lehren. Eine Heidenarbeit ist das, denn üblicherweise werden dafür einzelne Bildelemente per Hand markiert beziehungsweise gelabelt. Je besser die Qualität der bearbeiteten Bilddaten also ist, desto besser wird der Algorithmus trainiert. Und dieses sogenannte Labeling würden, so Philip Kessler, Menschen in Indien und Afrika übernehmen.
Er und Marc Mengler haben deshalb vor rund zwei Jahren ein Start-up gegründet, das dieses Labeling mit Verfahren der künstlichen Intelligenz (artificial intelligence) um sage und schreibe das Zehnfache beschleunige und präzisiere.
Solche Markierungen müssen pixelgenau mit der realen Umgebung übereinstimmen. Da sich aber nicht für alle Situationen Trainingsbilder finden lassen wie beispielsweise für solche von Unfällen, bieten die beiden nun auch Bildsimulationen an, die sie mit Daten aus echten Bildern generiert haben.
Deutsche und US-amerikanische Automobilhersteller und -zulieferer gehören zum Kundenkreis des Start-ups mit dem Namen understanding.ai. Die Anschubinvestition von etwas mehr als zwei Millionen US-Dollar kam 2018 von privaten Investoren.
Man denkt sogar schon weiter. Das Verfahren könne später auch im Gesundheitssektor Anwendung finden. Kessler glaubt, dass Algorithmen auch zur Tumorerkennung mit gelabelten Bildern trainiert werden könnten.
Mehr zu artificial intelligence: Maschine macht Buch.
