Erforschung des Ensemble-Lernens und seiner Rolle in KI und ML

Eine visuelle Darstellung der in diesem Artikel behandelten Konzepte finden Sie im folgenden Video.

‍

KI-Innovationen wie Empfehlungsmaschinen und Betrugserkennungssysteme stützen sich auf Algorithmen und Modelle des maschinellen Lernens, um Vorhersagen und Entscheidungen auf der Grundlage von Daten zu treffen. Diese Modelle können Muster erkennen, Trends vorhersagen und dabei helfen, komplexe Aufgaben zu automatisieren. 

Ein einzelnes Modell kann jedoch nicht alle Details in realen Daten erfassen. Es kann in einigen Fällen gute Leistungen erbringen, in anderen jedoch versagen, z. B. wenn ein Betrugserkennungsmodell neue Arten von Transaktionen übersieht.

Mit dieser Einschränkung sind KI-Ingenieure häufig konfrontiert, wenn sie Modelle für maschinelles Lernen erstellen und einsetzen. Einige Modelle sind zu gut angepasst, weil sie die Trainingsdaten zu genau lernen, während andere zu schlecht angepasst sind, weil sie wichtige Muster übersehen. Ensemble-Lernen ist eine KI-Technik, die dabei hilft, diese Herausforderungen zu bewältigen, indem sie mehrere Modelle, die als Basis-Lerner bekannt sind, zu einem einzigen, leistungsfähigeren System kombiniert.

Man kann es sich wie ein Team von Experten vorstellen, die gemeinsam an der Lösung eines Problems arbeiten. In diesem Artikel werden wir untersuchen, was Ensemble-Learning ist, wie es funktioniert und wo es eingesetzt werden kann. Fangen wir an!

Was ist Ensemble-Lernen?

Ensemble-Lernen bezieht sich auf eine Reihe von Techniken, die mehrere Modelle kombinieren, um das gleiche Problem zu lösen und ein einziges, verbessertes Ergebnis zu erzielen. 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) angewendet werden.

Anstatt sich auf ein einziges Modell zu verlassen, um Vorhersagen zu treffen, verwendet ein Ensemble mehrere Modelle, die die Daten jeweils auf ihre eigene Weise betrachten. Wenn ihre Ergebnisse kombiniert werden, ist das Ergebnis oft genauer, stabiler und verallgemeinerungsfähiger als das, was ein einzelnes Modell für sich allein erreichen könnte.

Sie können es mit einem Panel von Analysten vergleichen, die sich mit demselben Problem befassen. Jeder Analyst oder jedes einzelne Modell interpretiert die Daten anders.

Der eine konzentriert sich vielleicht auf Muster, der andere auf Anomalien und wieder ein anderer auf den Kontext. Durch die Zusammenführung ihrer Perspektiven kann die Gruppe eine Entscheidung treffen, die ausgewogener und zuverlässiger ist als jedes Einzelurteil. 

Dieser Ansatz hilft auch, zwei der größten Herausforderungen beim maschinellen Lernen zu bewältigen: Verzerrung und Varianz. Ein Modell mit hoher Verzerrung ist zu einfach und übersieht wichtige Muster, während ein Modell mit hoher Varianz zu empfindlich ist und die Trainingsdaten zu genau abbildet. Durch die Kombination von Modellen findet das Ensemble-Lernen ein Gleichgewicht zwischen diesen beiden Faktoren und verbessert die Leistung des Systems bei neuen, noch nicht gesichteten Daten.

Verstehen, wie Ensemble-Lernen funktioniert

Jedes Modell in einem Ensemble wird als Basis-Learner oder Basis-Modell bezeichnet. Dabei kann es sich entweder um dieselbe Art von Algorithmus oder um eine Mischung verschiedener Algorithmen handeln, je nachdem, welche Ensemble-Technik verwendet wird. 

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

• Entscheidungsbäume: Diese Modelle teilen Daten anhand von Merkmalswerten in Zweige auf, um Entscheidungen zu treffen. Bei Klassifizierungsproblemen wie der Vorhersage, ob ein Kunde ein Produkt kaufen wird, berücksichtigen sie beispielsweise Faktoren wie Alter, Einkommen und Browserverlauf.
• Neuronale Netze: Inspiriert von der Informationsverarbeitung des menschlichen Gehirns bilden sie die grundlegende Architektur hinter den meisten modernen KI- und maschinellen Lernmodellen.
• Support-Vektor-Maschinen (SVMs): Diese Algorithmen classify , indem sie eine optimale Entscheidungsgrenze finden, die als Hyperfläche bezeichnet wird und den Abstand zwischen verschiedenen Klassen maximiert. Mit anderen Worten: Die SVM zieht die bestmögliche Linie, die die Gruppen voneinander trennt und gleichzeitig den größten Abstand zwischen ihnen lässt. Sie kann beispielsweise verwendet werden, um anhand von Mustern wie Wortfrequenz und Struktur zu erkennen, ob eine E-Mail Spam ist oder nicht.
• Logistische Regressionsmodelle: Sie schätzen Wahrscheinlichkeiten und werden häufig für binäre Klassifizierungsaufgaben verwendet. Ein typisches Beispiel ist die Vorhersage, ob eine Transaktion betrügerisch oder rechtmäßig ist.

Ein kombiniertes Modell-Ensemble wird im Allgemeinen als starker Lerner bezeichnet, weil es die Stärken der Basis-Lerner (auch als schwache Modelle bezeichnet) integriert und gleichzeitig deren Schwächen minimiert. Zu diesem Zweck werden die Vorhersagen der einzelnen Modelle auf strukturierte Weise kombiniert, wobei bei Klassifizierungsaufgaben eine Mehrheitsabstimmung und bei Regressionsaufgaben eine gewichtete Mittelwertbildung verwendet wird, um ein genaueres Endergebnis zu erzielen.

‍

Wann wird Ensemble-Lernen eingesetzt?

Bevor wir uns mit den verschiedenen Ensemble-Learning-Techniken beschäftigen, sollten wir einen Schritt zurücktreten und verstehen, wann diese Art von Ansatz in einem maschinellen Lern- oder KI-Projekt verwendet werden sollte.

Das Ensemble-Lernen ist am wirkungsvollsten, wenn ein einzelnes Modell Schwierigkeiten hat, genaue oder konsistente Vorhersagen zu machen. Es kann auch in Situationen verwendet werden, in denen die Daten komplex, verrauscht oder unvorhersehbar sind.

Hier sind einige häufige Fälle, in denen Ensemble-Methoden besonders wirksam sind:

• Geringe Modellgenauigkeit: Wenn die Vorhersagen eines Modells nicht zuverlässig genug sind, kann die Kombination mehrerer Modelle die Genauigkeit und Leistung erheblich verbessern. Beispielsweise können selbst kleine Verbesserungen der Vorhersagegenauigkeit bei der Bonitätsbewertung oder der medizinischen Diagnostik einen großen Unterschied machen.
• Verrauschte oder inkonsistente Daten: Wenn ein Datensatz Ausreißer, Fehler oder zufällige Schwankungen enthält, hilft Ensemble Learning dabei, diese Unregelmäßigkeiten durch Mittelwertbildung oder Abstimmung über mehrere Modelle hinweg auszugleichen.
• Notwendigkeit der Robustheit: Ensemble-Modelle reagieren weniger empfindlich auf kleine Datenänderungen, wodurch sie stabiler und zuverlässiger für Produktionsumgebungen sind, in denen die realen Eingaben variieren können.
• Komplexe Vorhersageaufgaben: Bei Aufgaben wie Bilderkennung, Betrugserkennung oder Zeitreihenprognosen erfassen Ensembles eine größere Bandbreite an Mustern und Beziehungen als ein einzelnes Modell dies könnte.

Es ist auch einfacher zu trainieren, leichter zu interpretieren und schneller zu pflegen. Vor dem Einsatz eines Ensembles ist es wichtig, den Vorteil der höheren Genauigkeit gegen den zusätzlichen Zeitaufwand, die Rechenleistung und die Komplexität abzuwägen, die es erfordert.

Ein Überblick über Ensemble-Lerntechniken

Als Nächstes wollen wir uns die wichtigsten Möglichkeiten ansehen, wie das Ensemble-Lernen in Projekten des maschinellen Lernens eingesetzt werden kann. Es gibt mehrere Kerntechniken zur Kombination von Modellen, die jeweils auf ihre eigene Weise die Leistung verbessern. Die gängigsten Ensemble-Methoden sind Bagging, Boosting, Stacking und Blending.

Absackung

Bagging, kurz für Bootstrap-Aggregation, ist eine Ensemble-Lernmethode, die zur Verbesserung der Modellstabilität und -genauigkeit beiträgt, indem mehrere Versionen desselben Modells auf verschiedenen Teilen der Daten trainiert werden. 

Jede Teilmenge wird mit einem Verfahren namens Bootstrap Sampling erstellt, bei dem die Datenpunkte nach dem Zufallsprinzip mit Ersetzung ausgewählt werden. Das bedeutet, dass nach der Auswahl eines Datenpunkts dieser wieder in den Pool aufgenommen wird, bevor der nächste ausgewählt wird, so dass derselbe Punkt mehr als einmal vorkommen kann, während andere möglicherweise ausgelassen werden. Durch diese Zufälligkeit wird sichergestellt, dass jedes Modell auf einer etwas anderen Version des Datensatzes trainiert.

Während der Inferenz laufen alle trainierten Modelle parallel, um Vorhersagen für neue, ungesehene Daten zu treffen. Jedes Modell erzeugt seine eigene Ausgabe auf der Grundlage dessen, was es gelernt hat, und diese einzelnen Vorhersagen werden dann zu einem Endergebnis kombiniert. 

Bei Regressionsaufgaben, wie der Vorhersage von Hauspreisen oder Umsatzprognosen, bedeutet dies in der Regel, dass die Ergebnisse aller Modelle gemittelt werden, um eine glattere Schätzung zu erhalten. Bei Klassifizierungsaufgaben, z. B. bei der Feststellung, ob eine Transaktion betrügerisch ist oder nicht, entscheidet das Ensemble oft durch eine Mehrheitsentscheidung über die endgültige Klasse.

Bagging in Aktion: Der Random Forest Algorithmus

Ein gutes Beispiel dafür, dass Bagging gut funktioniert, sind Entscheidungsbäume, die sich leicht zu stark anpassen können, wenn sie auf einen einzigen Datensatz trainiert werden. Durch das Trainieren vieler Bäume auf leicht unterschiedlichen Stichproben und das Kombinieren ihrer Ergebnisse verringert das Bagging die Überanpassung und verbessert die Zuverlässigkeit. 

Nehmen wir den Random-Forest-Algorithmus. Es handelt sich um ein Ensemble von Entscheidungsbäumen, wobei jeder Baum auf einer zufälligen Teilmenge des Trainingsdatensatzes sowie einer zufälligen Teilmenge von Merkmalen trainiert wird. 

Diese Zufälligkeit der Merkmale trägt dazu bei, dass die Bäume weniger korreliert sind und dass das Gesamtmodell stabiler und genauer ist. Ein Random-Forest-Algorithmus kann zur classify Bildern, zur detect , zur Vorhersage der Kundenabwanderung, zur Umsatzprognose oder zur Schätzung von Immobilienpreisen verwendet werden.

‍

Ankurbelung

Boosting ist eine weitere Technik des Ensemble-Lernens, bei der es darum geht, schwache Lerner (Modelle) zu verbessern, indem sie nacheinander und nicht parallel trainiert werden. Das Kernkonzept des Boosting besteht darin, dass jedes neue Modell aus den Fehlern der vorherigen Modelle lernt und so die Gesamtleistung des Modells schrittweise verbessert. 

Im Gegensatz zum Bagging, bei dem die Varianz durch die Durchschnittsbildung unabhängiger Modelle reduziert wird, verringert das Boosting die Verzerrung, indem jedes neue Modell schwierige Fälle, mit denen die früheren Modelle nicht zurechtkamen, stärker berücksichtigt.

Da Boosting-Modelle nacheinander trainiert werden, unterscheidet sich die Art und Weise, wie ihre Vorhersagen am Ende kombiniert werden, leicht von anderen Ensemble-Methoden. Jedes Modell trägt im Verhältnis zu seiner Leistung während des Trainings zur endgültigen Vorhersage bei, wobei genauere Modelle ein größeres Gewicht erhalten.

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. Dieser Ansatz hilft beim Boosten, ein starkes Gesamtmodell zu erstellen, indem er den Modellen, die genauer sind, mehr Gewicht gibt, während er gleichzeitig von den anderen Modellen lernt.

Hier sind einige gängige Arten von Boosting-Algorithmen:

• AdaBoost (Adaptive Boosting): Bei dieser Methode wird zunächst ein einfaches Modell, beispielsweise ein kleiner Entscheidungsbaum, trainiert und anschließend das Gewicht der falsch klassifizierten Datenpunkte erhöht. Durch diese Gewichte konzentriert sich das nächste Modell stärker auf die schwierigen Beispiele. Im Laufe mehrerer Iterationen bauen die Modelle aufeinander auf, und ihre kombinierten Vorhersagen führen zu einem stärkeren und genaueren Ergebnis. AdaBoost kann beispielsweise die Spam-Erkennung oder die Genauigkeit der Gesichtserkennung verbessern.
• Gradient Boosting: Anstatt die Stichproben neu zu gewichten, trainiert Gradient Boosting jedes neue Modell so, dass es die Restfehler, also die Differenzen zwischen den tatsächlichen und den vorhergesagten Werten, der vorherigen Modelle korrigiert. Dieser iterative Ansatz macht es sowohl für Regressions- als auch für Klassifizierungsaufgaben wie Umsatzprognosen und Bonitätsbewertungen effektiv.
• XGBoost (Extreme Gradient Boosting): Diese erweiterte Version des Gradient Boosting verbessert sowohl die Geschwindigkeit als auch die Genauigkeit. Sie verwendet Regularisierung, die übermäßig komplexe Modelle während des Trainings leicht benachteiligt, so dass sie sich auf sinnvolle Muster konzentrieren, anstatt Daten auswendig zu lernen. Obwohl die Modelle immer noch sequentiell trainiert werden, beschleunigt XGBoost den Prozess durch Parallelisierung während der Baumkonstruktion. Es kann viele mögliche Splitpunkte gleichzeitig auf verschiedenen CPU auswerten. Dadurch wird das Training viel schneller, insbesondere bei großen Datensätzen, während die hohe Vorhersageleistung erhalten bleibt.

‍

Stapeln

Stacking, auch gestapelte Generalisierung genannt, geht noch einen Schritt weiter, indem es die Vorhersagen mehrerer Modelle als Input für ein endgültiges Modell verwendet, das als Meta-Learner bekannt ist. Man kann sich das so vorstellen, als hätte man eine Gruppe von Experten, die alle ihre Meinung kundtun, und dann lernt ein endgültiger Entscheidungsträger, wie er diese Meinungen abwägen muss, um die bestmögliche Entscheidung zu treffen.

So kann ein Modell beispielsweise sehr gut Betrug erkennen, während ein anderes besser in der Lage ist, die Kundenabwanderung vorherzusagen. Der Meta-Lerner untersucht, wie die einzelnen Modelle abschneiden, und nutzt ihre Stärken zusammen, um eine genauere Vorhersage zu treffen.

Mischen

Blending funktioniert ähnlich wie Stacking, da es ebenfalls die Vorhersagen mehrerer Modelle kombiniert, um eine endgültige Entscheidung zu treffen, aber es verfolgt einen einfacheren und schnelleren Ansatz. Anstatt wie beim Stacking eine Kreuzvalidierung durchzuführen (eine Methode, bei der die Daten in mehrere Teile aufgeteilt und zwischen Training und Test gewechselt werden, um das Modell zuverlässiger zu machen), wird beim Blending ein kleiner Teil der Daten beiseite gelegt, der sogenannte Holdout-Satz. 

Die Basismodelle werden auf den verbleibenden Daten trainiert und machen dann Vorhersagen für den Holdout-Satz, den sie noch nicht gesehen haben. Auf diese Weise erhält man zwei wichtige Informationen: die tatsächlichen Antworten bzw. wahren Bezeichnungen und die Vorhersagen der einzelnen Basismodelle.

Diese Vorhersagen werden dann an ein weiteres Modell weitergegeben, das so genannte Blending-Modell oder Meta-Modell. Dieses endgültige Modell untersucht, wie genau die Vorhersagen der einzelnen Basismodelle sind, und lernt, wie sie am besten kombiniert werden können. 

Da beim Blending nur ein einziges Mal trainiert und getestet wird, anstatt den Prozess mehrmals zu wiederholen, läuft es schneller und ist einfacher einzurichten. Der Nachteil ist, dass etwas weniger Informationen zum Lernen zur Verfügung stehen, wodurch es etwas ungenauer werden kann. 

Bewertung von Ensemble-Algorithmen

Ein wichtiger Teil des Ensemble-Lernens ist die Bewertung der Leistung eines Modells bei Daten, die es noch nicht gesehen hat. Unabhängig davon, wie fortschrittlich eine Technik ist, muss sie getestet werden, um sicherzustellen, dass sie verallgemeinert werden kann, d. h., dass sie genaue Vorhersagen für neue, reale Beispiele macht, anstatt sich nur die Trainingsdaten zu merken.

Im Folgenden finden Sie einige gängige Leistungskennzahlen zur Bewertung von KI-Modellen:

• Genauigkeit: Diese Kennzahl misst den Anteil korrekter Vorhersagen an allen vom Modell getroffenen Vorhersagen. Sie gibt einen schnellen Überblick über die Gesamtleistung.
• Präzision: Gibt an , wie viele der als positiv vorhergesagten Proben tatsächlich positiv sind. Eine hohe Präzision bedeutet, dass das Modell nur wenige falsch-positive Fehler macht.
• Wiedererkennungswert: Dieses Maß gibt an, wie viele der tatsächlich positiven Fälle vom Modell richtig erkannt wurden. Sie ist besonders wichtig in Bereichen wie dem Gesundheitswesen, wo das Übersehen eines positiven Falls, z. B. einer Krankheitsdiagnose, schwerwiegende Folgen haben kann.

Praktische Anwendungen von Ensemble-Lernen

Bisher haben wir uns mit der Funktionsweise und den Techniken des Ensemble-Lernens beschäftigt. Jetzt wollen wir uns ansehen, wo dieser Ansatz Wirkung zeigt.

Im Folgenden werden einige Schlüsselbereiche genannt, in denen Ensemble-Learning häufig eingesetzt wird:

• Datenanalyse und Prognosen: In Wirtschaft und Analytik helfen Ensemble-Modelle Unternehmen dabei, bessere Vorhersagen zu treffen, indem sie Erkenntnisse aus mehreren Modellen kombinieren. Dies führt zu genaueren Umsatzprognosen, einer intelligenteren Bedarfsplanung und einem klareren Verständnis des Kundenverhaltens.
• Binäre Klassifizierung: Aufgaben wie Spam-Erkennung, Betrugsbekämpfung und medizinische Diagnose erfordern oft die Unterscheidung zwischen zwei möglichen Ergebnissen. Ensemble-Modelle tragen dazu bei, falsch-positive und falsch-negative Ergebnisse zu reduzieren, was insbesondere in Bereichen wie Cybersicherheit und Gesundheitswesen von entscheidender Bedeutung ist.
• Regressionsprobleme: Bei der Vorhersage von kontinuierlichen Werten wie Hauspreisen, Umsatzerlösen oder Kreditrisiken erfassen Ensemble-Methoden komplexe Beziehungen innerhalb der Daten. Dies führt zu präziseren Vorhersagen, die bessere finanzielle und operative Entscheidungen ermöglichen.

Mit Ensemble-Lernen über strukturierte Daten hinausgehen

Das Ensemble-Lernen wird zwar am häufigsten bei strukturierten oder tabellarischen Daten wie Tabellenkalkulationen mit numerischen oder kategorialen Informationen eingesetzt, kann aber auch auf unstrukturierte Daten wie Text, Bilder, Audio und Video angewendet werden. 

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

Durch die Kombination der Vorhersagen mehrerer Bildgebungsmodelle, wie z. B. Faltungsneuronaler Netze (CNNs), kann das System Objekte genauer erkennen und mit Variationen in der Beleuchtung, dem Winkel oder dem Hintergrund umgehen, die ein einzelnes Modell verwirren könnten.

Ein Blick auf Ultralytics YOLOv5

Ein interessantes Beispiel für den Einsatz von Ensemble-Lernen in der Computer Vision ist die Kombination mehrerer Modelle zur Objekterkennung, um die Genauigkeit zu verbessern. Stellen Sie sich einen Ingenieur vor, der an einem Sicherheitsüberwachungssystem für eine Baustelle arbeitet, auf der sich Beleuchtung, Winkel und Objektgrößen ständig ändern. 

Ein einzelnes Modell könnte einen Arbeiter im Schatten übersehen oder Maschinen in Bewegung verwechseln. Durch die Verwendung eines Ensembles von Modellen, die jeweils unterschiedliche Stärken haben, wird das System zuverlässiger und die Wahrscheinlichkeit, dass solche Fehler auftreten, geringer.

Insbesondere Modelle wie Ultralytics YOLOv5 gehen Hand in Hand mit Modell-Ensembling. Ingenieure können verschiedene YOLOv5 , wie YOLOv5x und YOLOv5l6, kombinieren, um gemeinsam Vorhersagen zu treffen. Jedes Modell analysiert dasselbe Bild und erzeugt seine eigenen Erkennungen, die dann gemittelt werden, um ein stärkeres und genaueres Endergebnis zu erzielen.

‍

Vor- und Nachteile des gemeinsamen Lernens

Hier sind einige der wichtigsten Vorteile des Ensemble-Lernens:

• Resilienz gegenüber verrauschten Daten: Ensembles sind weniger anfällig für Ausreißer oder zufälliges Rauschen im Datensatz, da sie auf mehreren Modellen basieren.
• Bessere Verallgemeinerung: Ensembles reduzieren Überanpassung und helfen Modellen dabei, auch bei unbekannten Daten gute Ergebnisse zu erzielen, anstatt nur Trainingsbeispiele auswendig zu lernen.
• Flexibilität bei verschiedenen Algorithmen: Sie können verschiedene Arten von Modellen, wie z. B. Entscheidungsbäume, neuronale Netze und lineare Modelle, kombinieren, um ihre jeweiligen Stärken zu nutzen.

Das gemeinsame Lernen bringt zwar zahlreiche Vorteile mit sich, aber es gibt auch einige Herausforderungen zu beachten. Hier sind einige Faktoren, die Sie im Auge behalten sollten:

• Höhere Rechenaufwand: Das Training und die Wartung mehrerer Modelle erfordern mehr Speicherplatz, Rechenleistung und Zeit als ein einzelnes Modell.
• Eingeschränkte Interpretierbarkeit: Da das Endergebnis aus der Kombination mehrerer Modelle hervorgeht, kann es schwierig sein, zu verstehen, warum eine bestimmte Entscheidung getroffen wurde. Dies hängt jedoch von den verwendeten Modellen ab, denn wenn Sie interpretierbare Modelle wie Entscheidungsbäume oder Support-Vektor-Maschinen verwenden, sind die Ergebnisse in der Regel leichter zu verstehen.
• Überlegungen zum Ensemble-Design: Bei der Erstellung eines Ensembles müssen Sie die richtige Mischung von Modellen auswählen und sicherstellen, dass sie gut zusammenarbeiten. In einigen Fällen kann dies jedoch auch einfacher sein, da Sie die Hyperparameter der einzelnen Modelle nicht feinabstimmen müssen.

Wesentliche 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 verschiedenen Aufgaben zu verbessern. Da maschinelles Lernen und KI weiter zunehmen, führen Techniken wie diese zu einer breiteren Akzeptanz und zu mehr praktischen, leistungsstarken KI-Lösungen.

Werden Sie Teil unserer wachsenden Community und unseres GitHub-Repository und erfahren Sie mehr über Vision AI. Informieren Sie sich auf unseren Lösungsseiten über Anwendungen von Computer Vision in der Landwirtschaft und KI in der Logistik. Informieren Sie sich über unsere Lizenzierungsoptionen, um noch heute mit Ihrem eigenen Computer-Vision-Modell zu beginnen!