{"id":186814,"date":"2023-10-19T08:39:46","date_gmt":"2023-10-19T07:39:46","guid":{"rendered":"https:\/\/liora.io\/de\/?p=186814"},"modified":"2026-02-06T06:12:28","modified_gmt":"2026-02-06T05:12:28","slug":"ki-trainieren-ohne-daten-mit-dieser-neuen-technik-ist-es-moeglich","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/ki-trainieren-ohne-daten-mit-dieser-neuen-technik-ist-es-moeglich","title":{"rendered":"KI trainieren ohne Daten: Mit dieser neuen Technik ist es m\u00f6glich"},"content":{"rendered":"

Forscher der Universit\u00e4t Waterloo in Ontario, USA, haben eine neue Technik des Machine Learning mit dem Titel „LO-Shot Learning“ entwickelt. Sie erm\u00f6glicht es, ein Modell der k\u00fcnstlichen Intelligenz mit nur einer Handvoll Daten zu trainieren,…<\/strong><\/p>\n

Machine Learning oder maschinelles Lernen<\/a> erfordert heutzutage gro\u00dfe Datenmengen. Um eine k\u00fcnstliche Intelligenz zu trainieren, muss sie mit vielen Daten „gef\u00fcttert“ werden.<\/p>\n

Um zum Beispiel zu lernen, wie man eine Katze erkennt, muss eine KI Tausende von Katzenfotos analysieren<\/a>. Aus diesem Grund ben\u00f6tigt diese Technologie eine schwere Rechenleistung und ist zeitaufwendig.<\/p>\n

Dies ist auch ein wichtiger Unterschied zwischen menschlicher und k\u00fcnstlicher Intelligenz. Denn ein Kind muss nur einige Beispiele eines Gegenstandes sehen, um ihn sein ganzes Leben lang wiedererkennen zu k\u00f6nnen.<\/p>\n

Um diese Kluft zu \u00fcberbr\u00fccken, hat ein Forscherteam der Universit\u00e4t Waterloo in Ontario beschlossen, eine neue Methode zu entwickeln, mit der eine KI mehr Objekte erkennen kann, als die Anzahl der Beispiele, an denen sie trainiert wurde. Diese neue Methode tr\u00e4gt den Titel „less than one-shot learning“ oder „LO-shot learning“.<\/p>\n

F\u00fcr eine Demonstration nutzten die Forscher den MNIST-Datensatz f\u00fcr Computer Vision<\/a>. Dieser Datensatz enth\u00e4lt \u00fcber 60.000 Trainingsbilder, die handgeschriebene Zahlen von 0 bis 9 darstellen.<\/p>\n

https:\/\/youtu.be\/oKzNUGz21JM<\/p>\n

Mithilfe einer k\u00fcrzlich vom MIT vorgestellten Technik „komprimierten“ die Forscher MNIST<\/strong> in nur zehn Bilder, die so optimiert waren, dass sie die gleiche Menge an Informationen enthielten wie der gesamte Datensatz.<\/p>\n

So konnte das Modell, indem es nur mit diesen zehn Bildern trainiert wurde, die gleiche Genauigkeit erreichen, wie wenn es mit dem gesamten Datensatz trainiert worden w\u00e4re.<\/p>\n

Sie gingen noch einen Schritt weiter, indem sie die Anzahl der Bilder auf f\u00fcnf reduzierten. Dazu erstellten sie Bilder, die mehrere Zahlen miteinander vermischten. Diese Bilder wurden dann der KI mit „hybriden“ Etiketten zur Verf\u00fcgung gestellt, die Merkmale erfassen, die von verschiedenen Zahlen geteilt werden.<\/p>\n

Beispielsweise weist die Zahl 3 \u00c4hnlichkeiten mit der Zahl 8 auf. Ein Bild kann daher so beschriftet werden, dass es zu 60 % die Zahl 3, zu 30 % die Zahl 8 und zu 10 % die Zahl 0 darstellt.<\/p>\n

\n\t\t\t\t\t\t\t\t\t\t\"\"
Source : Universit\u00e9 de Waterloo<\/figcaption><\/figure>\n

Machine Learning: LO-Shot Learning erm\u00f6glicht kleinen Unternehmen den Zugang zu KI<\/h3>\n

Nach diesem ersten erfolgreichen Versuch des LO-shot learning versuchten die Forscher, die Grenzen dieser Methode zu finden. Dabei stellten sie fest, dass selbst zwei Beispiele ausreichen k\u00f6nnen, um eine unbegrenzte Anzahl unterschiedlicher Kategorien zu kodieren.<\/p>\n

Um dies zu beweisen, verwendete das Team einen der einfachsten Algorithmen des Machine Learning: die k-nearest neighbor (kNN) Methode<\/a>. Diese Methode erm\u00f6glicht es, Objekte mithilfe eines grafischen Ansatzes zu klassifizieren.<\/p>\n

https:\/\/www.youtube.com\/watch?v=9pvbEP1eyNY<\/p>\n

Es wurde eine Reihe von kleinen synthetischen Datens\u00e4tzen<\/a> mit hybriden Bezeichnungen erstellt. Der Algorithmus<\/a> war dann in der Lage, das Schema in mehr Kategorien zu unterteilen, als es Datenpunkte gab.<\/p>\n

\n\t\t\t\t\t\t\t\t\t\t\"\"
Source : Universit\u00e9 de Waterloo<\/figcaption><\/figure>\n

Dennoch hat das Konzept des LO-shot learning noch einige Schw\u00e4chen. W\u00e4hrend es auf einen visuellen und interpretierbaren Algorithmus wie kNN anwendbar ist, sind neuronale Netze<\/a> viel komplexer. Daher ist es sehr schwierig, die Etiketten zu entwerfen.<\/p>\n

Dar\u00fcber hinaus erfordert die Methode der Datendestillation einen gro\u00dfen Anfangsdatensatz<\/strong>, der komprimiert werden kann. Jetzt arbeiten die Forscher an einer Technik, die das Engineering dieser synthetischen Data Sets manuell oder mithilfe eines anderen Algorithmus erm\u00f6glicht.<\/p>\n

Trotz dieser Einschr\u00e4nkungen k\u00f6nnte sich LO-shot learning als sehr n\u00fctzlich erweisen, um die Rechenleistung, die Zeit und die Datenmenge zu reduzieren, die f\u00fcr das Training von Modellen der k\u00fcnstlichen Intelligenz ben\u00f6tigt werden. Auf diese Weise k\u00f6nnte KI f\u00fcr Unternehmen und Branchen<\/a> zug\u00e4nglich werden, die bislang von diesen Anforderungen gebremst wurden.<\/p>\n

Du wei\u00dft jetzt, was LO-shot Learning ist. Weitere Informationen zum selben Thema findest du in unserem ausf\u00fchrlichen Dossier \u00fcber Machine Learning und unserem Fokus auf den k-Mittelwert-Algorithmus.<\/p>\n","protected":false},"excerpt":{"rendered":"

Forscher der Universit\u00e4t Waterloo in Ontario, USA, haben eine neue Technik des Machine Learning mit dem Titel „LO-Shot Learning“ entwickelt. Sie erm\u00f6glicht es, ein Modell der k\u00fcnstlichen Intelligenz mit nur einer Handvoll Daten zu trainieren,… Machine Learning oder maschinelles Lernen erfordert heutzutage gro\u00dfe Datenmengen. Um eine k\u00fcnstliche Intelligenz zu trainieren, muss sie mit vielen Daten […]<\/p>\n","protected":false},"author":76,"featured_media":186815,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-186814","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/186814","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/76"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=186814"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/186814\/revisions"}],"predecessor-version":[{"id":217119,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/186814\/revisions\/217119"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/186815"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=186814"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=186814"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}