Ensemble-Lernen und seine Rolle in KI und ML im Überblick

Wenn du die in diesem Artikel behandelten Konzepte visuell nachvollziehen möchtest, sieh dir das folgende Video an.

KI-Innovationen wie Empfehlungssysteme und Systeme zur Betrugserkennung nutzen Algorithmen und Modelle des maschinellen Lernens, um auf Grundlage von Daten Vorhersagen zu treffen und Entscheidungen zu fällen. Diese Modelle können Muster erkennen, Trends prognostizieren und dabei helfen, komplexe Aufgaben zu automatisieren.

Ein einzelnes Modell kann jedoch Schwierigkeiten haben, alle Details in realen Daten zu erfassen. In manchen Fällen erzielt es gute Ergebnisse, in anderen bleibt es hinter den Erwartungen zurück, etwa wenn ein Modell zur Betrugserkennung neue Transaktionsarten nicht erkennt.

Diese Einschränkung ist eine typische Herausforderung für KI-Ingenieure beim Erstellen und Bereitstellen von Modellen des maschinellen Lernens. Manche Modelle überanpassen, indem sie die Trainingsdaten zu genau lernen, während andere unteranpassen und wichtige Muster nicht erkennen. Ensemble-Lernen ist eine KI-Technik, die diese Herausforderungen bewältigt, indem sie mehrere Modelle, sogenannte Basismodelle, zu einem einzigen, leistungsfähigeren System kombiniert.

Du kannst dir das wie ein Expertenteam vorstellen, das gemeinsam ein Problem löst. In diesem Artikel sehen wir uns an, was Ensemble-Lernen ist, wie es funktioniert und wo es eingesetzt werden kann. Legen wir los!

Was ist Ensemble-Lernen?#

Ensemble-Lernen bezeichnet eine Reihe von Techniken, die mehrere Modelle kombinieren, um dasselbe Problem zu lösen und ein einziges, verbessertes Ergebnis zu erzeugen. Es kann sowohl beim überwachten Lernen (bei dem Modelle aus gekennzeichneten Daten lernen) als auch beim unüberwachten Lernen (bei dem Modelle Muster in nicht gekennzeichneten Daten finden) eingesetzt werden.

Statt sich bei Vorhersagen auf ein einziges Modell zu verlassen, verwendet ein Ensemble mehrere Modelle, die die Daten jeweils auf ihre eigene Weise betrachten. Werden ihre Ausgaben kombiniert, ist das Ergebnis oft genauer, stabiler und besser verallgemeinerbar als das, was ein einzelnes Modell allein erreichen könnte.

Du kannst es mit einem Analystengremium vergleichen, das sich mit demselben Problem befasst. Jeder Analyst beziehungsweise jedes einzelne Modell interpretiert die Daten anders.

Einer konzentriert sich vielleicht auf Muster, ein anderer auf Anomalien und ein weiterer auf den Kontext. Indem sie ihre Perspektiven zusammenführen, kann die Gruppe eine ausgewogenere und verlässlichere Entscheidung treffen als jede einzelne Einschätzung.

Dieser Ansatz hilft auch bei zwei der größten Herausforderungen im maschinellen Lernen: Bias und Varianz. Ein Modell mit hohem Bias ist zu einfach und übersieht wichtige Muster, während ein Modell mit hoher Varianz überempfindlich ist und die Trainingsdaten zu genau anpasst. Durch die Kombination von Modellen schafft Ensemble-Lernen ein Gleichgewicht zwischen beiden und verbessert die Leistung des Systems bei neuen, unbekannten Daten.

So funktioniert Ensemble-Lernen#

Jedes Modell in einem Ensemble wird als Basismodell oder Basislerner bezeichnet. Dabei kann es sich je nach verwendeter Ensemble-Technik entweder um denselben Algorithmustyp oder um eine Mischung verschiedener Algorithmen handeln.

Hier sind einige gängige Beispiele für die verschiedenen Modelle, die beim Ensemble-Lernen eingesetzt werden:

• Entscheidungsbäume: Diese Modelle teilen Daten anhand von Merkmalswerten in Verzweigungen auf, um Entscheidungen zu treffen. Bei Klassifizierungsaufgaben wie der Vorhersage, ob ein Kunde ein Produkt kauft, berücksichtigen sie beispielsweise Faktoren wie Alter, Einkommen und Browserverlauf.
• Neuronale Netze: Sie sind davon inspiriert, wie das menschliche Gehirn Informationen verarbeitet, und bilden die grundlegende Architektur hinter den meisten modernen KI- und Machine-Learning-Modellen.
• Support Vector Machines (SVMs): Diese Algorithmen klassifizieren Daten, indem sie eine optimale Entscheidungsgrenze, eine sogenannte Hyperebene, finden, die den Abstand zwischen verschiedenen Klassen maximiert. Anders ausgedrückt zeichnet die SVM die bestmögliche Linie, die die Gruppen voneinander trennt und dabei den größtmöglichen Abstand lässt. So kann sie beispielsweise anhand von Mustern wie Worthäufigkeit und Struktur bestimmen, ob eine E-Mail Spam ist oder nicht.
• Logistische Regressionsmodelle: Sie schätzen Wahrscheinlichkeiten und werden häufig für Aufgaben der binären Klassifizierung eingesetzt. Ein typisches Beispiel ist die Vorhersage, ob eine Transaktion betrügerisch oder rechtmäßig ist.

Ein kombiniertes Modellensemble wird im Allgemeinen als starker Lerner bezeichnet, weil es die Stärken der Basismodelle (auch als schwache Modelle bezeichnet) verbindet und gleichzeitig ihre Schwächen minimiert. Dazu kombiniert es die Vorhersagen jedes Modells auf strukturierte Weise: Bei Klassifizierungsaufgaben kommt eine Mehrheitsentscheidung zum Einsatz, bei Regressionsaufgaben ein gewichteter Durchschnitt, um ein genaueres Endergebnis zu erzeugen.

Abb. 1. Ein Beispiel für Ensemble-Lernen (Quelle)

Wann du Ensemble-Lernen einsetzen solltest#

Bevor wir uns mit verschiedenen Techniken des Ensemble-Lernens befassen, sollten wir einen Schritt zurückgehen und verstehen, wann dieser Ansatz in einem Machine-Learning- oder KI-Projekt eingesetzt werden sollte.

Ensemble-Lernen ist besonders wirkungsvoll, wenn ein einzelnes Modell Schwierigkeiten hat, genaue oder konsistente Vorhersagen zu treffen. Es kann auch in Situationen eingesetzt werden, in denen Daten komplex, verrauscht oder unvorhersehbar sind.

Hier sind einige typische Fälle, in denen Ensemble-Methoden besonders effektiv sind:

• Geringe Modellgenauigkeit: Wenn die Vorhersagen eines einzelnen Modells nicht zuverlässig genug sind, kann die Kombination mehrerer Modelle die Genauigkeit und Leistung deutlich verbessern. Bei der Kreditbewertung oder medizinischen Diagnostik können beispielsweise bereits kleine Verbesserungen der Vorhersagegenauigkeit einen großen Unterschied machen.
• Verrauschte oder inkonsistente Daten: Wenn ein Datensatz Ausreißer, Fehler oder zufällige Schwankungen enthält, hilft Ensemble-Lernen, diese Unregelmäßigkeiten durch Mittelwertbildung oder Abstimmung über mehrere Modelle auszugleichen.
• Erforderliche Robustheit: Ensemble-Modelle reagieren weniger empfindlich auf kleine Datenänderungen und sind daher stabiler und zuverlässiger in Produktionsumgebungen, in denen reale Eingaben variieren können.
• Komplexe Vorhersageaufgaben: Bei Aufgaben wie Bilderkennung, Betrugserkennung oder Zeitreihenprognosen erfassen Ensembles ein breiteres Spektrum an Mustern und Zusammenhängen, als ein einzelnes Modell allein erfassen könnte.

Außerdem ist es einfacher zu trainieren, leichter zu interpretieren und schneller zu warten. Vor dem Einsatz eines Ensembles ist es wichtig, den Vorteil höherer Genauigkeit gegen den zusätzlichen Zeitaufwand, Rechenbedarf und die zusätzliche Komplexität abzuwägen.

Überblick über Techniken des Ensemble-Lernens#

Als Nächstes sehen wir uns die wichtigsten Möglichkeiten an, wie Ensemble-Lernen in Machine-Learning-Projekten eingesetzt werden kann. Es gibt mehrere grundlegende Techniken zur Kombination von Modellen, von denen jede die Leistung auf ihre eigene Weise verbessert. Die gängigsten Ensemble-Methoden sind Bagging, Boosting, Stacking und Blending.

Bagging#

Bagging, kurz für Bootstrap-Aggregation, ist eine Methode des Ensemble-Lernens, die die Stabilität und Genauigkeit eines Modells verbessert, indem sie mehrere Varianten desselben Modells auf unterschiedlichen Teilen der Daten trainiert.

Jede Teilmenge wird durch ein Verfahren namens Bootstrap-Stichprobenziehung erstellt, bei dem Datenpunkte zufällig mit Zurücklegen ausgewählt werden. Das bedeutet: Nachdem ein Datenpunkt ausgewählt wurde, wird er vor der nächsten Auswahl wieder in die Grundgesamtheit zurückgelegt. Dadurch kann derselbe Punkt mehrfach vorkommen, während andere möglicherweise nicht ausgewählt werden. Diese Zufälligkeit stellt sicher, dass jedes Modell mit einer leicht veränderten Version des Datensatzes trainiert wird.

Während der Inferenz führen alle trainierten Modelle parallel Vorhersagen zu neuen, unbekannten Daten aus. Jedes Modell erzeugt auf Grundlage des Gelernten eine eigene Ausgabe. Diese einzelnen Vorhersagen werden anschließend zum Endergebnis kombiniert.

Bei Regressionsaufgaben, etwa der Vorhersage von Immobilienpreisen oder Umsätzen, bedeutet dies normalerweise, dass die Ausgaben aller Modelle gemittelt werden, um eine gleichmäßigere Schätzung zu erhalten. Bei Klassifizierungsaufgaben, beispielsweise der Bestimmung, ob eine Transaktion betrügerisch ist oder nicht, verwendet das Ensemble häufig eine Mehrheitsentscheidung, um die endgültige Klasse festzulegen.

Bagging in der Praxis: der Random-Forest-Algorithmus#

Ein gutes Beispiel für den erfolgreichen Einsatz von Bagging sind Entscheidungsbäume, die beim Training mit einem einzelnen Datensatz leicht überanpassen können. Durch das Training vieler Bäume mit leicht unterschiedlichen Stichproben und die Kombination ihrer Ergebnisse reduziert Bagging die Überanpassung und verbessert die Zuverlässigkeit.

Betrachte den Random-Forest-Algorithmus. Er ist ein Ensemble aus Entscheidungsbäumen, wobei jeder Baum mit einer zufälligen Teilmenge des Trainingsdatensatzes sowie einer zufälligen Teilmenge der Merkmale trainiert wird.

Diese zufällige Auswahl von Merkmalen trägt dazu bei, dass die Bäume weniger stark miteinander korrelieren und das Gesamtmodell stabiler und genauer ist. Ein Random-Forest-Algorithmus kann Bilder klassifizieren, Betrug erkennen, die Kundenabwanderung vorhersagen, Umsätze prognostizieren oder Immobilienpreise schätzen.

Abb. 2. Ein Blick auf den Random-Forest-Algorithmus (Quelle)

Boosting#

Boosting ist eine weitere Technik des Ensemble-Lernens, die sich darauf konzentriert, schwache Lerner (Modelle) zu verbessern, indem sie nacheinander statt parallel trainiert werden. Das Grundprinzip von Boosting besteht darin, dass jedes neue Modell aus den Fehlern der vorherigen Modelle lernt und so die gesamte Modellleistung schrittweise verbessert.

Im Gegensatz zu Bagging, das die Varianz durch die Mittelwertbildung unabhängiger Modelle reduziert, verringert Boosting den Bias, indem jedes neue Modell schwierigen Fällen mehr Aufmerksamkeit schenkt, mit denen die vorherigen Modelle Schwierigkeiten hatten.

Da Boosting-Modelle nacheinander trainiert werden, unterscheidet sich die abschließende Kombination ihrer Vorhersagen leicht von anderen Ensemble-Methoden. Jedes Modell trägt proportional zu seiner Leistung während des Trainings zur endgültigen Vorhersage bei, wobei genauere Modelle stärker gewichtet werden.

Bei Regressionsaufgaben ist das Endergebnis normalerweise eine gewichtete Summe aller Modellvorhersagen. Bei Klassifizierungsaufgaben kombiniert der Algorithmus die gewichteten Stimmen der Modelle, um die endgültige Klasse festzulegen. Dieser Ansatz hilft Boosting, ein insgesamt starkes Modell zu erzeugen, indem genauere Modelle stärker gewichtet werden und zugleich aus den anderen gelernt wird.

Hier sind einige gängige Arten von Boosting-Algorithmen:

• AdaBoost (adaptives Boosting): Diese Methode beginnt mit dem Training eines einfachen Modells, etwa eines kleinen Entscheidungsbaums, und erhöht anschließend das Gewicht der Datenpunkte, die falsch klassifiziert wurden. Durch diese Gewichtung konzentriert sich das nächste Modell stärker auf die schwierigen Beispiele. Über mehrere Iterationen bauen die Modelle aufeinander auf, und ihre kombinierten Vorhersagen ergeben ein stärkeres und genaueres Ergebnis. AdaBoost kann beispielsweise die Genauigkeit der Spam-Erkennung oder Gesichtserkennung verbessern.
• Gradient Boosting: Anstatt Stichproben neu zu gewichten, trainiert Gradient Boosting jedes neue Modell darauf, die von den vorherigen Modellen verursachten Restfehler zu korrigieren, also die Abweichungen zwischen den tatsächlichen und vorhergesagten Werten. Dieser iterative Ansatz eignet sich sowohl für Regressions- als auch für Klassifizierungsaufgaben, etwa Umsatzprognosen und Kreditbewertungen.
• XGBoost (extremes Gradient Boosting): Diese fortgeschrittene Variante des Gradient Boosting verbessert sowohl Geschwindigkeit als auch Genauigkeit. Sie verwendet Regularisierung, bei der übermäßig komplexe Modelle während des Trainings leicht bestraft werden, damit sie sich auf aussagekräftige Muster konzentrieren, anstatt Daten auswendig zu lernen. Obwohl die Modelle weiterhin nacheinander trainiert werden, beschleunigt XGBoost den Prozess durch Parallelisierung beim Aufbau der Bäume. Über verschiedene CPU-Kerne hinweg können viele mögliche Trennpunkte gleichzeitig ausgewertet werden. Dadurch wird das Training, insbesondere bei großen Datensätzen, deutlich schneller, während eine hohe Vorhersageleistung erhalten bleibt.

Abb. 3. Beispiel für einen auf Entscheidungsbäumen basierenden (DTB) Klassifikator, der mit einem Boosting-Ansatz zur Vorhersage des Diabetesrisikos trainiert wurde. (Quelle)

Stacking#

Stacking, auch als gestapelte Generalisierung bezeichnet, geht noch einen Schritt weiter, indem es die Vorhersagen mehrerer Modelle als Eingabe für ein abschließendes Modell verwendet, das als Metalerner bezeichnet wird. Du kannst dir das wie eine Gruppe von Experten vorstellen, die jeweils ihre Einschätzung abgeben, woraufhin ein abschließender Entscheidungsträger lernt, wie diese Einschätzungen zu gewichten sind, um die bestmögliche Entscheidung zu treffen.

Ein Modell kann beispielsweise besonders gut Betrug erkennen, während ein anderes die Kundenabwanderung besser vorhersagt. Der Metalerner untersucht die Leistung der einzelnen Modelle und nutzt ihre Stärken gemeinsam, um eine genauere endgültige Vorhersage zu treffen.

Blending#

Blending funktioniert ähnlich wie Stacking, da es ebenfalls die Vorhersagen mehrerer Modelle zu einer endgültigen Entscheidung kombiniert, verfolgt jedoch einen einfacheren und schnelleren Ansatz. Statt wie beim Stacking eine Kreuzvalidierung (eine Methode, bei der die Daten in mehrere Teile aufgeteilt und diese abwechselnd zum Training und Testen verwendet werden, um das Modell zuverlässiger zu machen) einzusetzen, hält Blending einen kleinen Teil der Daten als sogenannte Holdout-Menge zurück.

Die Basismodelle werden mit den übrigen Daten trainiert und treffen anschließend Vorhersagen für die Holdout-Menge, die sie zuvor nicht gesehen haben. Dadurch entstehen zwei wichtige Informationsquellen: die tatsächlichen Antworten beziehungsweise wahren Bezeichnungen und die von jedem Basismodell erzeugten Vorhersagen.

Diese Vorhersagen werden anschließend an ein weiteres Modell übergeben, das als Blending-Modell oder Metamodell bezeichnet wird. Dieses abschließende Modell untersucht, wie genau die Vorhersagen der einzelnen Basismodelle sind, und lernt, wie sie bestmöglich kombiniert werden.

Da sich Blending nur auf eine einzige Aufteilung in Trainings- und Testdaten stützt, anstatt den Prozess mehrfach zu wiederholen, läuft es schneller und ist einfacher einzurichten. Der Nachteil besteht darin, dass dem Modell etwas weniger Informationen zum Lernen zur Verfügung stehen, wodurch es geringfügig ungenauer sein kann.

Bewertung von Ensemble-Algorithmen#

Ein wichtiger Bestandteil des Ensemble-Lernens ist die Bewertung der Modellleistung bei Daten, die es zuvor nicht gesehen hat. Unabhängig davon, wie fortschrittlich eine Technik ist, muss sie getestet werden, um sicherzustellen, dass sie verallgemeinern kann. Das bedeutet, dass sie bei neuen Beispielen aus der realen Welt genaue Vorhersagen treffen sollte, anstatt lediglich die Trainingsdaten auswendig zu lernen.

Hier sind einige gängige Leistungsmetriken zur Bewertung von KI-Modellen:

• Genauigkeit: Diese Metrik misst den Anteil der korrekten Vorhersagen an allen vom Modell getroffenen Vorhersagen. Sie bietet einen schnellen Überblick über die Gesamtleistung.
• Precision: Sie gibt an, wie viele der als positiv vorhergesagten Stichproben tatsächlich positiv sind. Eine hohe Precision bedeutet, dass das Modell nur wenige Fehler durch falsch positive Ergebnisse macht.
• Recall: Diese Kennzahl konzentriert sich darauf, wie viele der tatsächlich positiven Fälle vom Modell korrekt erkannt wurden. Sie ist besonders in Bereichen wie dem Gesundheitswesen wichtig, wo das Übersehen eines positiven Falls, etwa einer Krankheitsdiagnose, schwerwiegende Folgen haben kann.

Praktische Anwendungen des Ensemble-Lernens#

Bisher haben wir untersucht, wie Ensemble-Lernen funktioniert und welche Techniken dahinterstehen. Sehen wir uns nun an, wo dieser Ansatz Wirkung zeigt.

Hier sind einige wichtige Bereiche, in denen Ensemble-Lernen häufig eingesetzt wird:

• Datenanalyse und Prognosen: Im Geschäftsbereich und in der Analytik helfen Ensemble-Modelle Organisationen, bessere Vorhersagen zu treffen, indem sie Erkenntnisse aus mehreren Modellen kombinieren. Das führt zu genaueren Umsatzprognosen, einer besseren Bedarfsplanung und einem klareren Verständnis des Kundenverhaltens.
• Binäre Klassifizierung: Aufgaben wie Spam-Erkennung, Betrugsprävention und medizinische Diagnostik erfordern häufig die Unterscheidung zwischen zwei möglichen Ergebnissen. Ensemble-Modelle helfen, falsch positive und falsch negative Ergebnisse zu reduzieren, was insbesondere in Bereichen wie Cybersicherheit und Gesundheitswesen entscheidend ist.
• Regressionsprobleme: Bei der Vorhersage kontinuierlicher Werte wie Immobilienpreisen, Umsatzerlösen oder Kreditrisiken erfassen Ensemble-Methoden komplexe Zusammenhänge in den Daten. Das führt zu präziseren Vorhersagen und unterstützt bessere finanzielle und operative Entscheidungen.

Über strukturierte Daten hinaus: Ensemble-Lernen#

Obwohl Ensemble-Lernen am häufigsten mit strukturierten oder tabellarischen Daten eingesetzt wird, etwa Tabellen mit numerischen oder kategorialen Informationen, kann es auch auf unstrukturierte Daten wie Texte, Bilder, Audio- und Videodaten angewendet werden.

Diese Datentypen sind komplexer und für Modelle schwieriger zu interpretieren, doch Ensemble-Methoden helfen, Genauigkeit und Zuverlässigkeit zu verbessern. In der Computer Vision können Ensembles beispielsweise Aufgaben wie Bildklassifizierung und Objekterkennung verbessern.

Durch die Kombination der Vorhersagen mehrerer Bildverarbeitungsmodelle, etwa faltungsneuronaler Netze (CNNs), kann das System Objekte genauer erkennen und mit Änderungen der Beleuchtung, des Blickwinkels oder des Hintergrunds umgehen, die ein einzelnes Modell möglicherweise verwirren würden.

Ein Blick auf das Modell-Ensembling mit Ultralytics YOLOv5#

Ein interessantes Beispiel für den Einsatz von Ensemble-Lernen in der Computer Vision ist die Kombination mehrerer Objekterkennungsmodelle durch einen Ingenieur, um die Genauigkeit zu verbessern. Stell dir einen Ingenieur vor, der an einem Sicherheitsüberwachungssystem für eine Baustelle arbeitet, auf der sich Beleuchtung, Blickwinkel und Objektgrößen ständig ändern.

Ein einzelnes Modell könnte einen Arbeiter im Schatten übersehen oder bewegte Maschinen verwechseln. Durch den Einsatz eines Ensembles aus Modellen mit unterschiedlichen Stärken wird das System zuverlässiger und macht solche Fehler seltener.

Insbesondere Modelle wie Ultralytics YOLOv5 eignen sich gut für das Modell-Ensembling. Ingenieure können verschiedene YOLOv5-Varianten wie YOLOv5x und YOLOv5l6 kombinieren, um gemeinsam Vorhersagen zu treffen. Jedes Modell analysiert dasselbe Bild und erzeugt eigene Erkennungen, die anschließend gemittelt werden, um ein stärkeres und genaueres Endergebnis zu erzeugen.

Abb. 4. Erkennen von Objekten in einem Bild mit YOLOv5. (Quelle)

Vor- und Nachteile des Ensemble-Lernens#

Hier sind einige wichtige Vorteile des Ensemble-Lernens:

• Unempfindlichkeit gegenüber verrauschten Daten: Ensembles werden weniger durch Ausreißer oder zufälliges Rauschen im Datensatz beeinflusst, da sie sich auf mehrere Modelle stützen.
• Bessere Verallgemeinerung: Ensembles reduzieren Überanpassung und helfen Modellen, bei unbekannten Daten gute Ergebnisse zu erzielen, anstatt lediglich Trainingsbeispiele auswendig zu lernen.
• Flexibilität bei Algorithmen: Du kannst verschiedene Modellarten wie Entscheidungsbäume, neuronale Netze und lineare Modelle kombinieren, um ihre jeweiligen Stärken zu nutzen.

Obwohl Ensemble-Lernen viele Vorteile bietet, gibt es auch einige Herausforderungen, die berücksichtigt werden sollten. Hier sind einige Faktoren, die du beachten solltest:

• Höhere Rechenkosten: Das Training und die Wartung mehrerer Modelle erfordern mehr Speicher, Rechenleistung und Zeit als bei einem einzelnen Modell.
• Eingeschränkte Interpretierbarkeit: Da die endgültige Ausgabe aus der Kombination mehrerer Modelle entsteht, kann es schwierig sein, nachzuvollziehen, warum eine bestimmte Entscheidung getroffen wurde. Dies hängt jedoch von den verwendeten Modellen ab, denn bei interpretierbaren Modellen wie Entscheidungsbäumen oder Support Vector Machines sind die Ergebnisse normalerweise leichter zu verstehen.
• Überlegungen zum Ensemble-Design: Beim Aufbau eines Ensembles müssen die richtige Modellkombination ausgewählt und ein gutes Zusammenspiel sichergestellt werden. In manchen Fällen kann dies jedoch einfacher sein, da die Hyperparameter der einzelnen Modelle nicht feinabgestimmt werden müssen.

Wichtige Erkenntnisse#

Ensemble-Lernen zeigt, wie die Kombination mehrerer Modelle KI-Systeme genauer und zuverlässiger machen kann. Es hilft, Fehler zu reduzieren und die Leistung bei unterschiedlichen Aufgaben zu verbessern. Mit dem weiteren Wachstum von maschinellem Lernen und KI treiben Techniken wie diese eine breitere Nutzung sowie praktischere und leistungsfähigere KI-Lösungen voran.

Tritt unserer wachsenden Community und unserem GitHub-Repository bei, um mehr über Vision-KI zu erfahren. Entdecke unsere Lösungsseiten, um mehr über Anwendungen von Computer Vision in der Landwirtschaft und KI in der Logistik zu erfahren. Sieh dir unsere Lizenzierungsoptionen an und starte noch heute mit deinem eigenen Computer-Vision-Modell!