Von Visualisierungen zu geschäftlichen Erkenntnissen mit Computer Vision

Computer Vision ist ein Teilgebiet der künstlichen Intelligenz (AI), das Maschinen ermöglicht, visuelle Daten zu interpretieren und darauf basierend Entscheidungen zu treffen. Bei der Präsentation einer Computer-Vision-Anwendung werden üblicherweise verschiedene visuelle Ausgaben gezeigt, etwa Bilder oder Videos mit Begrenzungsrahmen oder Segmentierungsmasken, die relevante Objekte hervorheben. Diese Darstellungen sind zwar beeindruckend, machen aber nicht immer deutlich, welche umsetzbaren Erkenntnisse sie liefern können.

Nehmen wir zum Beispiel ein Einzelhandelsgeschäft. Ein Computer-Vision-Modell wie Ultralytics YOLOv8 kann eine Heatmap erstellen, die zeigt, wo sich Kunden am längsten aufhalten. Die Visualisierung könnte als farbige Karte darstellen, wo die meisten Kunden entlanggehen oder verweilen. Der eigentliche Nutzen besteht jedoch darin, weniger leistungsstarke Bereiche des Geschäfts zu erkennen. Einzelhändler können diese Erkenntnis nutzen, um Produkte neu anzuordnen, die Regalfläche optimal zu nutzen oder Werbeaufsteller anzupassen, um Kunden stärker einzubinden und den Umsatz zu steigern.

Abb. 1 Beispiel einer Heatmap für ein Einzelhandelsgeschäft, erstellt mit Ultralytics YOLOv8.

Der wahre Wert von Computer Vision liegt darin, visuelle Ausgaben in aussagekräftige geschäftliche Erkenntnisse umzuwandeln, die Abläufe unmittelbar verbessern und optimieren und so Wachstum und Effizienz fördern können. In diesem Artikel sehen wir uns an, welchen Nutzen Computer Vision Unternehmen bietet und wie die Technologie ihre Abläufe spürbar verbessern kann. Außerdem besprechen wir Strategien, mit denen du über die reine Visualisierung hinausgehst und umsetzbare Erkenntnisse für konkrete Ergebnisse gewinnst.

Visualisierungen und Erkenntnisse in der KI: ein verbreiteter Irrtum#

Sehen wir uns zunächst den Unterschied zwischen Visualisierungen und Erkenntnissen an. In Computer Vision sind Visualisierungen wie Begrenzungsrahmen und Heatmaps wichtig, um die Ausgaben des Modells zu verstehen. Diese visuellen Darstellungen veranschaulichen, was Computer Vision leisten kann und was nicht. Erkenntnisse gehen jedoch über diese Darstellungen hinaus und liefern wertvolle Informationen, auf deren Grundlage fundierte Entscheidungen getroffen, Prozesse verbessert oder Muster genauer verstanden werden können. Sie verwandeln rohe visuelle Daten in aussagekräftige Schlussfolgerungen, die dabei helfen, Trends aufzudecken, Ergebnisse vorherzusagen oder Strategien zu optimieren.

Ein Computer-Vision-System zur Überwachung des Trainings könnte beispielsweise Posenschätzung und Modelle wie Ultralytics YOLOv8 nutzen, um Körperbewegungen zu verfolgen, indem wichtige Punkte wie Gelenke und Gliedmaßen erkannt werden. Die visuelle Ausgabe, etwa animierte Skelette, die Bewegungen einer Person darstellen, kann interessant anzusehen sein. Der eigentliche Nutzen liegt jedoch in den messbaren Erkenntnissen aus diesen Daten – etwa der Anzahl ausgeführter Liegestütze oder Kniebeugen, der Dauer jeder Übung, der Gleichmäßigkeit der Wiederholungen und der während der gesamten Trainingseinheit eingehaltenen Ausführungsqualität.

Trainer können diese Erkenntnisse nutzen, um die Übungsausführung ihrer Kunden zu analysieren, verletzungsgefährdende Fehlbewegungen zu erkennen, Fortschritte im Zeitverlauf zu verfolgen und Trainingsgewohnheiten besser zu verstehen. So können Trainer besseres Feedback geben, wirksamere Trainingspläne erstellen und ihren Kunden helfen, ihre Fitnessziele sicherer und effizienter zu erreichen.

Abb. 2. Verfolgung von Körperbewegungen mit Ultralytics YOLOv8.

Geschäftlichen Mehrwert mit Computer Vision schaffen#

Mit dem technischen Fortschritt suchen Unternehmen stets nach Möglichkeiten, der Konkurrenz einen Schritt voraus zu sein. Computer Vision kann ihnen dabei helfen. Indem sie Erkenntnisse aus Computer Vision in bestehende Arbeitsabläufe integrieren, können sie echte, messbare Ergebnisse erzielen.

Diese Erkenntnisse können in verschiedenen Unternehmensbereichen wertvolle Informationen liefern, zum Beispiel:

• Leistungskennzahlen: Quantitative Daten, die wichtige Leistungsindikatoren und Muster hervorheben.
• Trendanalyse: Aufkommende Trends und Veränderungen im Kundenverhalten oder in den Marktbedingungen im Zeitverlauf verstehen.
• Prognosen: Zukünftige Entwicklungen vorhersagen oder potenzielle Probleme anhand vergangener und aktueller Daten erkennen.
• Echtzeitwarnungen: Sofortige Benachrichtigungen zu wichtigen Ereignissen, Anomalien oder Veränderungen, die Aufmerksamkeit erfordern.

In der Öl- und Gasindustrie wurden Brände oder Gaslecks an Öfen beispielsweise traditionell durch manuelle Überwachung oder einfache Sensorsysteme erkannt. Diesen Methoden fehlen oft die nötige Geschwindigkeit und Präzision, um Gefahren frühzeitig zu erkennen. Computer Vision kann den Prozess verbessern: Kameras und Modelle zur Objekterkennung wie Ultralytics YOLOv8 überwachen Öfen kontinuierlich und erkennen schnell Probleme wie ungewöhnliche Flammen, übermäßige Rauchentwicklung oder Gaslecks.

Die visuelle Ausgabe dieser Anwendung könnte Begrenzungsrahmen auf Bildern zeigen, die Bereiche mit erkannten Bränden hervorheben. Der eigentliche Nutzen entsteht jedoch, wenn diese visuellen Hinweise in konkrete Erkenntnisse umgewandelt werden. Diese Erkenntnisse können dabei helfen, die Ursache eines Brandes zu ermitteln, Geräteprobleme vorherzusagen und Wartungsarbeiten zu planen, um künftige Probleme zu vermeiden. Mithilfe dieser Erkenntnisse können Industrieunternehmen schnell auf mögliche Brände reagieren, kostspielige Schäden vermeiden, Ausfallzeiten verkürzen sowie Sicherheit und Effizienz verbessern.

Abb. 3. Branderkennung mit Ultralytics YOLOv8.

Datengestützte Entscheidungsfindung mit KI#

Visuelle Ausgaben eines trainierten Modells lassen sich in Erkenntnisse umwandeln und für weiterführende Analysen in Dashboards und Datenbanken organisieren. Insbesondere Dashboards bieten Geschäftsinhabern einen übersichtlichen Einblick in Leistungskennzahlen, helfen bei der Erkennung von Anomalien und unterstützen datenbasierte Entscheidungen auf Grundlage von Echtzeitinformationen.

Bei der Verkehrsüberwachung kann beispielsweise ein Computer-Vision-Modell wie Ultralytics YOLOv8 Live-Verkehrsaufnahmen analysieren, um verschiedene Fahrzeuge wie Autos, Lieferwagen und Busse auf der Straße zu erkennen und zu verfolgen. Die Visualisierung der Ausgabe kann beschriftete Fahrzeuge anzeigen und erfassen, wie viele Fahrzeuge bestimmte Bereiche betreten und verlassen. Diese Informationen lassen sich auch auf einem Dashboard darstellen, das die Anzahl der Fahrzeuge nach Bereichen aufschlüsselt und wichtige Kennzahlen wie die Gesamtzahl der Fahrzeuge und die Durchschnittsgeschwindigkeit berechnet.

Abb. 4. Erkennung und Verfolgung des Verkehrs mit Ultralytics YOLOv8.

Diese Erkenntnisse helfen Verkehrsmanagementteams, den Verkehrsfluss zu verstehen, Staupunkte zu erkennen, Verkehrsstaus vorherzusagen und Ampeln oder Routen anzupassen, damit der Verkehr reibungslos fließt. Indem visuelle Daten in konkrete Erkenntnisse umgewandelt werden, unterstützt dieses System Stadtplaner dabei, fundierte Entscheidungen zu treffen, den Verkehrsfluss zu verbessern und Probleme auf den Straßen zu verringern.

Die Lücke zwischen KI und geschäftlichen Anforderungen schließen#

Nachdem wir die geschäftlichen Auswirkungen umsetzbarer Erkenntnisse aus Computer Vision besprochen haben, sehen wir uns nun Strategien an, mit denen sich die Lücke zwischen Datenvisualisierung und geschäftlichen Erkenntnissen schließen lässt. Bei der Entwicklung von AI-Lösungen sind diese Überlegungen entscheidend, denn sie helfen dabei, über einfache Computer-Vision-Aufgaben hinauszugehen und den Kontext sowie die Zusammenhänge in den Daten zu verstehen. Eine gründliche Analyse ermöglicht Erkenntnisse, die aussagekräftiger sind und besser zu den geschäftlichen Anforderungen passen.

Zunächst ist es wichtig, die Kommunikation zwischen KI-Entwicklern und Unternehmensverantwortlichen zu verbessern. KI-Entwickler können sich offen mit den Beteiligten aus dem Unternehmen austauschen, um ihre Ziele, Herausforderungen und Erwartungen zu verstehen. Wenn du die Perspektive der Unternehmensverantwortlichen einnimmst, lässt sich leichter bestimmen, wie Computer Vision konkrete Probleme direkt lösen kann. Anstatt allgemeine Lösungen zu entwickeln, können sich Entwickler darauf konzentrieren, Computer-Vision-Anwendungen zu erstellen, die tatsächliche geschäftliche Anforderungen erfüllen.

Im zuvor besprochenen Beispiel aus der Öl- und Gasindustrie könnte ein direktes Gespräch mit einer beteiligten Person aus dem Unternehmen einem Entwickler helfen, konkrete Anforderungen zu verstehen, etwa Warnmeldungen abhängig von der Größe und Schwere eines erkannten Brandes zu versenden. Diese Details helfen Entwicklern, die Lösung so anzupassen, dass kritische Warnmeldungen Vorrang haben. Dadurch können Reaktionszeiten verkürzt und Risiken verringert werden, was Sicherheit und Effizienz verbessert.

Abb. 5. Kommunikation ist entscheidend. Bildquelle: Envato Elements.

Sobald eine klare Kommunikation etabliert ist, geht es im nächsten Schritt um die Datenqualität und -verarbeitung. Entwickler können sicherstellen, dass die für Training und Analyse verwendeten Daten sauber, einheitlich und für die Anforderungen des Kunden relevant sind. Eine optimierte Datenverarbeitung kann Verzögerungen verringern und präzise, zeitnahe Erkenntnisse liefern. Außerdem kann die Integration von Computer-Vision-Systemen in bestehende Geschäftswerkzeuge die Entscheidungsfindung verbessern und Unternehmen helfen, schnell auf wichtige Erkenntnisse zu reagieren.

Hier sind weitere Faktoren, die du berücksichtigen solltest:

• Benutzerfreundliche Visualisierung: Sorge dafür, dass die visuellen Ausgaben einfach und für nichttechnische Beteiligte leicht verständlich sind.
• Skalierbarkeit: Entwirf KI-Lösungen, die mit dem wachsenden Datenbedarf und den betrieblichen Veränderungen des Unternehmens Schritt halten können.
• Echtzeitanalyse: Integriere die Verarbeitung von Echtzeitdaten, um zeitnahe Erkenntnisse zu liefern, die sofortiges Handeln ermöglichen.
• Sicherheit und Datenschutz: Schütze die Datenintegrität und Vertraulichkeit, insbesondere beim Umgang mit sensiblen Informationen.
• Kontinuierliches Lernen und Anpassung: Implementiere Mechanismen für kontinuierliches Lernen und Modellaktualisierungen, damit die Systeme sich an veränderte Geschäftsbedingungen und Datenmuster anpassen.

Die Zukunft der Computer Vision in Unternehmen#

Visuelle Ausgaben wie Begrenzungsrahmen und Masken zeigen zwar die Möglichkeiten der Computer Vision, doch Unternehmen brauchen mehr als bloße visuelle Darstellungen: Sie benötigen konkrete Erkenntnisse, die Entscheidungen und betriebliche Verbesserungen voranbringen. Wenn Entwickler die Unternehmensziele verstehen und Computer Vision auf reale Probleme anwenden, können sie Erkenntnisse liefern, die Abläufe verbessern, das Kundenerlebnis optimieren und Kosten senken.

Um die Lücke zwischen Visualisierungen und konkreten Erkenntnissen zu schließen, können Entwickler klar mit den Beteiligten kommunizieren, hochwertige Daten verwenden und die Datenverarbeitung verbessern. So holen Unternehmen das Beste aus der Computer-Vision-Technologie heraus und setzen Erkenntnisse in greifbare Vorteile um.

Lerne mit uns und entdecke Neues! Sieh dir unser GitHub-Repository an, um unsere Beiträge zur AI kennenzulernen, und tausche dich mit unserer Community aus. Erfahre, wie wir Branchen wie die Fertigung und das Gesundheitswesen mit AI-Technologie neu gestalten.