Wie in der vorhergehenden Lektion erwähnt, verwendete Texty bei der Erstellung von Leprosy of the Land zwei verschiedene Algorithmen. 

Nachdem der erste Algorithmus es ihnen erlaubte, Ausschnitte von Satellitenbildern ukrainischer Wälder in visuell einheitliche Unterabschnitte zu unterteilen, benötigten sie einen zweiten Algorithmus, der erkennen konnte, welche Abschnitte der Satellitenbilder den vorhandenen Bildbeispielen des Bernsteinabbaus am ähnlichsten waren. Was sie brauchten, war ein sogenannter „benutzerdefinierter Klassifikator“.

Ein benutzerdefinierter Klassifikator ist eine Art maschinelles Lernmodell, das Sie einsetzen können, wenn Ihr Anwendungsfall erfordert, dass Sie vordefinierte Kennzeichnungen anwenden müssen, um einen Datensatz von Bildern zu klassifizieren, den Sie untersuchen möchten. 

In unserem Fall sind diese vordefinierten Kennzeichnungen einfach: „JA: dieses Bild enthält visuelle Elemente, die mit Mustern übereinstimmen, die normalerweise auf Bernsteinabbauaktivitäten hinweisen“ und „NEIN: dieses Bild enthält keine visuellen Elemente, die auf Bernsteinabbauaktivitäten hinweisen“.

Google Cloud AutoML Vision ermöglicht uns genau dies. Wir werden lernen, wie man damit überwachtes Lernen durchführen kann, d.h. wir werden ein maschinelles Lernmodell trainieren, um die entsprechenden JA- und NEIN-Kennzeichnungen auf einen Datensatz von Bildern anzuwenden, die wir ihm zuführen werden.

Wie Jeremy Merrill vom Quartz AI Studio in seinem Crash-Kurs über das Klassifizieren von Text mit maschinellem Lernen sagte: „für Ihre Zwecke als Journalist spielt es keine große Rolle, welchen Algorithmus Sie wählen, solange Sie einen Algorithmus wählen, der es richtig macht“.

AutoML Vision ist nicht das einzige Tool, mit dem wir unser gewünschtes Ziel erreichen könnten. Eigentlich ist es nicht der Algorithmus, den Texty während der Recherche verwendet hat. Der Grund, warum wir AutoML Vision in diesem Kurs verwenden, ist seine Zugänglichkeit: Sie brauchen keine Programmierkenntnisse zu haben, um zu lernen, wie es funktioniert und um ein leistungsfähiges Modell auf Ihren Daten zu trainieren.

Wenn Sie bereits über Programmierkenntnisse verfügen und tiefer in die Materie einsteigen wollen, schauen Sie sich fast.ai‘s Praktisches tiefgreifendes Lernen für Programmierer an. 

Sie sind jetzt bereit, AutoML Vision zu verwenden. Im weiteren Verlauf des Kurses werden wir lernen, wie wir es einsetzen können, um unser gewünschtes Ergebnis zu erreichen: das Trainieren eines maschinellen Lernmodells zur Erkennung des illegalen Bernsteinabbaus. 

Texty und JournalismAI arbeiten bei der Produktion dieses Kurses zusammen. Dank dieser Partnerschaft werden wir in der Lage sein, bei der Recherche zu Leprosy of the Land eine Probe der tatsächlichen Satellitenbilder zu verwenden, die von Texty verwendet wurden.

Bevor wir weitermachen, sollten Sie unbedingt die anderen Produkte über KI und maschinelles Lernen kennenlernen, die von Google Cloud angeboten werden, wie z. B. Natürliche Sprache, Übersetzung, Sprache-zu-Text und Text-zu-Sprache und vieles mehr.