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

Eine visuelle Erklärung der in diesem Artikel behandelten Konzepte findest du im folgenden Video.

KI-Innovationen wie Empfehlungssysteme und Betrugserkennungssysteme 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 vorhersagen und dabei helfen, komplexe Aufgaben zu automatisieren.

Ein einzelnes Modell kann jedoch Schwierigkeiten haben, alle Details realer Daten zu erfassen. In manchen Fällen funktioniert es gut, in anderen hingegen nicht – beispielsweise wenn ein Betrugserkennungsmodell neue Arten von Transaktionen übersieht.

Diese Einschränkung begegnet KI-Entwicklerinnen und -Entwicklern häufig beim Erstellen und Bereitstellen von Modellen für maschinelles Lernen. Manche Modelle überanpassen sich, indem sie die Trainingsdaten zu genau lernen, während andere wichtige Muster übersehen und unteranpassen. Ensemble-Lernen ist eine KI-Technik, die diese Herausforderungen angeht, indem sie mehrere Modelle, sogenannte Basismodelle, zu einem einzigen leistungsfähigeren System kombiniert.

Du kannst dir das wie ein Team von Fachleuten 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.

Was ist Ensemble-Lernen?#

Ensemble-Lernen umfasst verschiedene Verfahren, bei denen mehrere Modelle kombiniert werden, um dasselbe Problem zu lösen und ein einziges, verbessertes Ergebnis zu erzielen. Es lässt sich sowohl beim überwachten Lernen einsetzen, bei dem Modelle anhand gekennzeichneter Daten lernen, als auch beim unüberwachten Lernen, bei dem Modelle Muster in nicht gekennzeichneten Daten finden.

Statt sich bei Vorhersagen auf ein einzelnes Modell zu verlassen, verwendet ein Ensemble mehrere Modelle, die jeweils einen eigenen Blick auf die Daten haben. Werden ihre Ausgaben kombiniert, ist das Ergebnis oft genauer, stabiler und besser auf neue Daten übertragbar, als es ein einzelnes Modell allein erreichen könnte.

Du kannst es mit einer Gruppe von Analystinnen und Analysten vergleichen, die sich mit demselben Problem befassen. Jede Person und jedes einzelne Modell interpretiert die Daten anders.

Ein Modell konzentriert sich vielleicht auf Muster, ein anderes auf Auffälligkeiten und ein weiteres auf den Kontext. Werden diese Sichtweisen zusammengeführt, kann die Gruppe eine ausgewogenere und zuverlässigere Entscheidung treffen als jede einzelne Person für sich.

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

Wie Ensemble-Lernen funktioniert#

Jedes Modell in einem Ensemble wird als Basismodell bezeichnet. Je nach verwendetem Ensemble-Verfahren kann es sich dabei um denselben Algorithmustyp oder um eine Mischung verschiedener Algorithmen handeln.

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

• Entscheidungsbäume: Diese Modelle teilen Daten anhand von Merkmalswerten in Zweige auf, um Entscheidungen zu treffen. Bei Klassifizierungsproblemen, etwa der Vorhersage, ob Kundinnen und Kunden ein Produkt kaufen, berücksichtigen sie beispielsweise Faktoren wie Alter, Einkommen und Browserverlauf.
• Neuronale Netze: Sie orientieren sich an der Informationsverarbeitung im menschlichen Gehirn und bilden die grundlegende Architektur der meisten modernen KI- und maschinellen Lernmodelle.
• Support-Vektor-Maschinen (SVMs): Diese Algorithmen klassifizieren Daten, indem sie eine optimale Entscheidungsgrenze, die sogenannte Hyperebene, finden, die den Abstand zwischen den verschiedenen Klassen maximiert. Anders ausgedrückt: Die SVM zeichnet eine möglichst gute Linie, die die Gruppen trennt und zugleich den größtmöglichen Abstand zwischen ihnen lässt. So kann beispielsweise anhand von Mustern wie Wortfrequenz und Struktur ermittelt werden, ob eine E-Mail Spam ist.
• Logistische Regressionsmodelle: Sie schätzen Wahrscheinlichkeiten und werden häufig für binäre Klassifizierungsaufgaben verwendet. Ein typisches Beispiel ist die Vorhersage, ob eine Transaktion betrügerisch oder legitim ist.

Ein kombiniertes Modellensemble wird in der Regel als starker Lerner bezeichnet, da es die Stärken der Basismodelle – auch schwache Modelle genannt – vereint und gleichzeitig ihre Schwächen minimiert. Dazu kombiniert es die Vorhersagen der einzelnen Modelle auf strukturierte Weise: Bei Klassifizierungsaufgaben kommt eine Mehrheitsentscheidung zum Einsatz, bei Regressionsaufgaben eine gewichtete Mittelung. So entsteht ein genaueres Endergebnis.

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

Wann solltest du Ensemble-Lernen einsetzen?#

Bevor wir uns mit den verschiedenen Verfahren des Ensemble-Lernens befassen, sollten wir einen Schritt zurücktreten und klären, wann dieser Ansatz in einem Machine-Learning- oder KI-Projekt sinnvoll ist.

Ensemble-Lernen ist besonders wirksam, wenn ein einzelnes Modell Schwierigkeiten hat, genaue oder konsistente Vorhersagen zu treffen. Es eignet sich auch für Situationen mit komplexen, verrauschten oder unvorhersehbaren Daten.

Hier sind einige typische Fälle, in denen Ensemble-Verfahren besonders wirksam sind:

• Geringe Modellgenauigkeit: Sind die Vorhersagen eines einzelnen Modells nicht zuverlässig genug, kann die Kombination mehrerer Modelle die Genauigkeit und Leistung deutlich verbessern. Bei der Bonitätsbewertung oder medizinischen Diagnostik können selbst kleine Verbesserungen der Vorhersagegenauigkeit einen großen Unterschied machen.
• Verrauschte oder uneinheitliche Daten: Enthält ein Datensatz Ausreißer, Fehler oder zufällige Schwankungen, hilft Ensemble-Lernen dabei, diese Unregelmäßigkeiten durch Mittelwertbildung oder Abstimmung über mehrere Modelle auszugleichen.
• Bedarf an Robustheit: Ensemble-Modelle reagieren weniger empfindlich auf geringfügige Datenänderungen. Dadurch sind sie stabiler und zuverlässiger in Produktionsumgebungen, in denen sich reale Eingaben unterscheiden können.
• Komplexe Vorhersageaufgaben: Bei Aufgaben wie Bilderkennung, Betrugserkennung oder Zeitreihenvorhersage erfassen Ensembles eine größere Bandbreite an Mustern und Zusammenhängen als ein einzelnes Modell.

Wenn ein einzelnes Modell bereits gute Ergebnisse liefert, ist es oft die bessere Wahl: Es ist einfacher zu trainieren, leichter zu interpretieren und schneller zu warten. Bevor du ein Ensemble einsetzt, solltest du den möglichen Genauigkeitsgewinn gegen den zusätzlichen Zeitaufwand, die höhere Rechenleistung und die zusätzliche Komplexität abwägen.

Ein Überblick über Verfahren des Ensemble-Lernens#

Sehen wir uns nun die wichtigsten Möglichkeiten an, Ensemble-Lernen in Machine-Learning-Projekten einzusetzen. Es gibt mehrere grundlegende Verfahren zur Kombination von Modellen, die jeweils auf ihre eigene Weise die Leistung verbessern. Die gängigsten Ensemble-Verfahren sind Bagging, Boosting, Stacking und Blending.

Bagging#

Bagging, die Kurzform von Bootstrap-Aggregation, ist ein Verfahren des Ensemble-Lernens. Es verbessert die Stabilität und Genauigkeit eines Modells, indem mehrere Varianten desselben Modells mit unterschiedlichen Teilen der Daten trainiert werden.

Jede Teilmenge wird durch ein Verfahren namens Bootstrap-Stichprobenziehung erstellt, bei dem Datenpunkte zufällig mit Zurücklegen ausgewählt werden. Das bedeutet: Nach der Auswahl eines Datenpunkts kommt dieser zurück in die Menge, bevor der nächste ausgewählt wird. Derselbe Punkt kann also mehrmals vorkommen, während andere möglicherweise unberücksichtigt bleiben. Diese Zufälligkeit stellt sicher, dass jedes Modell mit einer leicht veränderten Version des Datensatzes trainiert wird.

Während der Inferenz laufen alle trainierten Modelle parallel und erstellen Vorhersagen für neue, bisher unbekannte Daten. Jedes Modell gibt basierend auf dem Gelernten eine eigene Ausgabe aus; anschließend werden diese einzelnen Vorhersagen zu einem Endergebnis zusammengeführt.

Bei Regressionsaufgaben, etwa der Vorhersage von Immobilienpreisen oder Umsätzen, werden normalerweise die Ausgaben aller Modelle gemittelt, um einen gleichmäßigeren Schätzwert zu erhalten. Bei Klassifizierungsaufgaben, etwa der Erkennung betrügerischer Transaktionen, entscheidet das Ensemble häufig per Mehrheitsentscheidung über die endgültige Klasse.

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

Ein gutes Beispiel für den erfolgreichen Einsatz von Bagging sind Entscheidungsbäume, die beim Training mit nur einem Datensatz leicht überanpassen können. Werden viele Bäume mit leicht unterschiedlichen Stichproben trainiert und ihre Ergebnisse kombiniert, verringert Bagging die Überanpassung und verbessert die Zuverlässigkeit.

Betrachte den Random-Forest-Algorithmus. Er besteht aus einem Ensemble von Entscheidungsbäumen, von denen jeder mit einer zufälligen Teilmenge des Trainingsdatensatzes sowie einer zufälligen Teilmenge der Merkmale trainiert wird.

Die zufällige Auswahl der Merkmale sorgt dafür, dass die Bäume weniger stark miteinander korrelieren und das Gesamtmodell stabiler und genauer ist. Ein Random-Forest-Algorithmus kann Bilder klassifizieren, Betrug erkennen, die Abwanderung von Kundinnen und Kunden vorhersagen, Umsätze prognostizieren oder Immobilienpreise schätzen.

Abb. 2. Ein Überblick über den Random-Forest-Algorithmus (Quelle)

Boosting#

Boosting ist ein weiteres Verfahren des Ensemble-Lernens. Es verbessert schwache Lerner (Modelle), indem es sie nacheinander statt parallel trainiert. Das Grundprinzip von Boosting besteht darin, dass jedes neue Modell aus den Fehlern der vorherigen Modelle lernt und so nach und nach die Modellleistung insgesamt verbessert.

Anders als Bagging, das die Varianz durch die Mittelung unabhängiger Modelle verringert, reduziert Boosting den Bias, indem jedes neue Modell stärker auf schwierige Fälle achtet, mit denen vorherige Modelle Probleme hatten.

Da Boosting-Modelle nacheinander trainiert werden, unterscheidet sich die Art, wie ihre Vorhersagen am Ende kombiniert werden, leicht von anderen Ensemble-Verfahren. Jedes Modell trägt entsprechend seiner Leistung während des Trainings zur endgültigen Vorhersage bei. Genauere Modelle erhalten dabei ein höheres Gewicht.

Bei Regressionsaufgaben ist das Endergebnis in der Regel eine gewichtete Summe aller Modellvorhersagen. Bei Klassifizierungsaufgaben kombiniert der Algorithmus die gewichteten Stimmen der Modelle, um die endgültige Klasse zu bestimmen. So entsteht durch Boosting ein insgesamt starkes Modell: Genauere Modelle erhalten mehr Gewicht, während zugleich aus den übrigen Modellen gelernt wird.

Hier sind einige gängige Arten von Boosting-Algorithmen:

• AdaBoost (adaptives Boosting): Bei diesem Verfahren wird zunächst ein einfaches Modell trainiert, etwa ein kleiner Entscheidungsbaum. Anschließend wird die Gewichtung falsch klassifizierter Datenpunkte erhöht. Dadurch konzentriert sich das nächste Modell stärker auf schwierige Beispiele. Über mehrere Iterationen hinweg bauen die Modelle aufeinander auf; 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, wird jedes neue Modell darauf trainiert, die Residualfehler der vorherigen Modelle zu korrigieren – also die Unterschiede zwischen den tatsächlichen und den vorhergesagten Werten. Dieser iterative Ansatz eignet sich für Regressions- und Klassifizierungsaufgaben, etwa für Umsatzprognosen und Bonitätsbewertungen.
• XGBoost (extreme Gradientenverstärkung): Diese fortschrittliche Variante der Gradientenverstärkung verbessert sowohl die Geschwindigkeit als auch die Genauigkeit. Sie nutzt Regularisierung, die übermäßig komplexe Modelle während des Trainings leicht bestraft, damit sich die Modelle auf aussagekräftige Muster konzentrieren, statt Daten auswendig zu lernen. Obwohl die Modelle weiterhin nacheinander trainiert werden, beschleunigt XGBoost den Prozess durch Parallelisierung beim Aufbau der Bäume. Das Verfahren kann viele mögliche Teilungspunkte gleichzeitig auf verschiedenen CPU-Kernen bewerten. Dadurch wird das Training deutlich schneller, besonders bei großen Datensätzen, und die Vorhersageleistung bleibt hoch.

Abb. 3. Beispiel eines mit Boosting trainierten Entscheidungsbaum-basierten Klassifikators (DTB) zur Vorhersage des Diabetesrisikos. (Quelle)

Stacking#

Stacking, auch gestapelte Generalisierung genannt, geht noch einen Schritt weiter: Dabei dienen die Vorhersagen mehrerer Modelle als Eingabe für ein abschließendes Modell, den sogenannten Meta-Lerner. Du kannst dir das so vorstellen, als würde eine Gruppe von Fachleuten ihre Einschätzungen abgeben und eine abschließende Entscheidungsinstanz anschließend lernen, wie sie diese Einschätzungen gewichten muss, um die bestmögliche Entscheidung zu treffen.

Ein Modell könnte beispielsweise Betrug besonders gut erkennen, während ein anderes Kundenabwanderung besser vorhersagt. Der Meta-Learner untersucht die Leistung der einzelnen Modelle und kombiniert ihre Stärken, um eine genauere endgültige Vorhersage zu treffen.

Blending#

Blending ähnelt dem Stacking, weil auch dabei Vorhersagen mehrerer Modelle zu einer endgültigen Entscheidung zusammengeführt werden. Der Ansatz ist jedoch einfacher und schneller. Statt wie beim Stacking Kreuzvalidierung einzusetzen – eine Methode, bei der die Daten in mehrere Teile aufgeteilt und zum Training und Testen abwechselnd verwendet werden, um die Zuverlässigkeit des Modells zu erhöhen –, reserviert Blending einen kleinen Teil der Daten als sogenannte Testreserve.

Die Basismodelle werden mit den übrigen Daten trainiert und erstellen anschließend Vorhersagen für den Holdout-Datensatz, den sie zuvor noch nicht gesehen haben. Dadurch erhält man zwei wichtige Informationen: die tatsächlichen Antworten, also die wahren Labels, und die Vorhersagen der einzelnen Basismodelle.

Diese Vorhersagen werden anschließend an ein weiteres Modell weitergegeben, das Blending-Modell oder Meta-Modell genannt wird. Dieses endgültige Modell untersucht, wie genau die Vorhersagen der einzelnen Basismodelle sind, und lernt, sie bestmöglich zu kombinieren.

Da Blending nur eine einzige Aufteilung in Trainings- und Testdaten verwendet, statt den Vorgang mehrmals zu wiederholen, ist es schneller und einfacher einzurichten. Der Nachteil ist, dass dem Modell etwas weniger Informationen zum Lernen zur Verfügung stehen, wodurch es etwas ungenauer sein kann.

Ensemble-Algorithmen bewerten#

Ein wichtiger Teil des Ensemble-Lernens ist die Bewertung der Leistung eines Modells mit Daten, die es zuvor noch nicht gesehen hat. Unabhängig davon, wie fortschrittlich eine Technik ist, muss sie getestet werden, um sicherzustellen, dass sie verallgemeinern kann. Das bedeutet, dass sie genaue Vorhersagen für neue Beispiele aus der realen Welt treffen sollte, anstatt lediglich die Trainingsdaten auswendig zu lernen.

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

• Genauigkeit: Diese Kennzahl gibt den Anteil der korrekten Vorhersagen an allen Vorhersagen des Modells an. Sie bietet einen schnellen Überblick über die Gesamtleistung.
• Präzision: Sie gibt an, wie viele der als positiv vorhergesagten Stichproben tatsächlich positiv sind. Eine hohe Präzision bedeutet, dass das Modell nur wenige falsch positive Ergebnisse liefert.
• Sensitivität: Diese Kennzahl betrachtet, wie viele der tatsächlich positiven Fälle das Modell korrekt erkannt hat. Sie ist besonders wichtig in Bereichen wie dem Gesundheitswesen, wo ein übersehener positiver Fall, etwa eine Krankheitsdiagnose, schwerwiegende Folgen haben kann.

Praxisanwendungen des Ensemble-Lernens#

Bisher haben wir uns damit beschäftigt, wie Ensemble-Lernen funktioniert und welche Techniken dahinterstecken. 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: In Wirtschaft und Analytik helfen Ensemble-Modelle Organisationen dabei, bessere Vorhersagen zu treffen, indem sie Erkenntnisse aus mehreren Modellen kombinieren. Das führt zu genaueren Umsatzprognosen, einer intelligenteren Bedarfsplanung und einem besseren Verständnis des Kundenverhaltens.
• Binäre Klassifikation: Bei Aufgaben wie der Spam-Erkennung, der Betrugsbekämpfung und der medizinischen Diagnose muss häufig zwischen zwei möglichen Ergebnissen unterschieden werden. Ensemble-Modelle helfen, falsch positive und falsch negative Ergebnisse zu reduzieren, was besonders in Bereichen wie Cybersicherheit und Gesundheitswesen entscheidend ist.
• Regressionsprobleme: Bei der Vorhersage kontinuierlicher Werte wie Immobilienpreisen, Umsätzen oder Kreditrisiken erfassen Ensemble-Methoden komplexe Zusammenhänge in den Daten. Das führt zu genaueren Vorhersagen, die bessere finanzielle und betriebliche Entscheidungen unterstützen.

Über strukturierte Daten hinaus: Ensemble-Lernen#

Ensemble-Lernen wird zwar am häufigsten mit strukturierten oder tabellarischen Daten verwendet, etwa mit Tabellen, die numerische oder kategoriale Informationen enthalten, lässt sich aber auch auf unstrukturierte Daten wie Text, Bilder, Audio und Video anwenden.

Diese Datentypen sind komplexer und für Modelle schwieriger zu interpretieren. Ensemble-Methoden helfen jedoch, 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 faltender neuronaler Netze (CNNs), kann das System Objekte genauer erkennen und mit Beleuchtungs-, Winkel- oder Hintergrundvariationen umgehen, die ein einzelnes Modell möglicherweise verwirren.

Ein Blick auf das Ensemble aus Ultralytics YOLOv5-Modellen#

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

Ein einzelnes Modell übersieht möglicherweise eine Person im Schatten oder verwechselt Maschinen in Bewegung. Mit einem Ensemble aus Modellen mit unterschiedlichen Stärken wird das System zuverlässiger und macht solche Fehler seltener.

Insbesondere Modelle wie Ultralytics YOLOv5 eignen sich hervorragend für den Einsatz mit Modell-Ensembles. Ingenieurinnen und Ingenieure können verschiedene YOLOv5-Varianten wie YOLOv5x und YOLOv5l6 kombinieren, damit sie gemeinsam Vorhersagen treffen. Jedes Modell analysiert dasselbe Bild und erstellt eigene Erkennungen, die anschließend gemittelt werden, um ein besseres und genaueres Endergebnis zu erhalten.

Abb. 4. Objekterkennung 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 beeinträchtigt, da sie auf mehrere Modelle zurückgreifen.
• Bessere Verallgemeinerung: Ensembles verringern Überanpassung und helfen Modellen, bei unbekannten Daten gut abzuschneiden, statt lediglich Trainingsbeispiele auswendig zu lernen.
• Flexibilität bei verschiedenen Algorithmen: Du kannst unterschiedliche Modelltypen wie Entscheidungsbäume, neuronale Netze und lineare Modelle kombinieren und so ihre jeweiligen Stärken nutzen.

Ensemble-Lernen bietet zwar verschiedene Vorteile, bringt aber auch Herausforderungen mit sich, die du berücksichtigen solltest. Hier sind einige Punkte, die du im Blick behalten solltest:

• Höherer Rechenaufwand: Das Trainieren und Warten mehrerer Modelle erfordert mehr Arbeitsspeicher, Rechenleistung und Zeit als ein einzelnes Modell.
• Geringere Interpretierbarkeit: Da die endgültige Ausgabe durch die Kombination mehrerer Modelle entsteht, ist möglicherweise schwer nachzuvollziehen, warum eine bestimmte Entscheidung getroffen wurde. Das hängt jedoch von den verwendeten Modellen ab: Bei interpretierbaren Modellen wie Entscheidungsbäumen oder Support-Vektor-Maschinen lassen sich die Ergebnisse in der Regel leichter verstehen.
• Aspekte beim Entwurf eines Ensembles: Beim Aufbau eines Ensembles musst du die passende Modellkombination auswählen und sicherstellen, dass die Modelle gut zusammenarbeiten. In manchen Fällen kann der Aufbau jedoch auch einfacher sein, da du die Hyperparameter der einzelnen Modelle nicht abstimmen musst.

Die wichtigsten Erkenntnisse#

Ensemble-Lernen zeigt, wie die Kombination mehrerer Modelle KI-Systeme genauer und zuverlässiger machen kann. Es hilft, Fehler zu verringern und die Leistung bei verschiedenen Aufgaben zu verbessern. Mit dem weiteren Wachstum von maschinellem Lernen und KI tragen solche Techniken zu einer breiteren Nutzung und zu praxistauglicheren, leistungsfähigeren KI-Lösungen bei.

Werde Teil unserer wachsenden Community und sieh dir unser GitHub-Repository an, um mehr über Vision-KI zu erfahren. Entdecke auf unseren Lösungsseiten Anwendungsfälle für Computer Vision in der Landwirtschaft und KI in der Logistik. Informiere dich über unsere Lizenzoptionen, um noch heute mit deinem eigenen Computer-Vision-Modell loszulegen!