Teachable Machine.

Das Modell lernt aus Ihren Beispielen

Teachable Machine bietet einen anschaulichen Einstieg ins maschinelle Lernen. Nutzer sammeln Beispiele, ordnen Klassen zu, starten das Training und testen neue Eingaben. Die offiziellen Materialien beschreiben Bild-, Ton- und Körperhaltungserkennung. Die Aufgabe ist, vorbereitete Klassen zu unterscheiden, nicht allgemeine Gespräche zu führen oder Illustrationen zu erzeugen.

Das Projekt gehört zu den Experimenten von Google Creative Lab. Im offenen Repository stehen Bibliotheken, Beispiele und Erläuterungen zur Architektur mit TensorFlow.js. Dort wird ausdrücklich darauf hingewiesen, dass es kein offizielles Google-Produkt für den Produktivbetrieb mit garantierter Unterstützung ist. Für Lernexperimente ist diese Einschränkung wichtiger als der bekannte Entwicklername.

Warum der Hintergrund beim Test wechseln sollte

Angenommen, Kamerabilder sollen Bleistifte und Löffel unterscheiden. Sammeln Sie eigene Beispiele mit unterschiedlichen Positionen, Abständen und Lichtverhältnissen. Fotografieren Sie nicht eine Klasse nur vor weißem und die andere nur vor dunklem Hintergrund. Sonst lernt das Modell womöglich den Hintergrund statt der Gegenstände.

Verwenden Sie nach dem Training neue Aufnahmen und verändern Sie die Aufnahmebedingungen einzeln. Testen Sie auch ohne Zielobjekt und mit Gegenständen, die zu keiner bekannten Klasse gehören. Ein hoher Wert bei einem vertrauten Bild sagt wenig über einen anderen Raum aus. Zurückgehaltene Testbilder sollten die geplanten Einsatzbedingungen abbilden.

Export und lokale Arbeit

Das offizielle Repository erklärt, dass das Training und die Ausführung von Modellen im Browser stattfinden. Google Drive kann separat verwendet werden, um das Projekt zu speichern. Exportierte Modelle können mit Websites und Anwendungen verbunden werden; Beispiele für mehrere Sprachen und Hilfsbibliotheken werden bereitgestellt. Dies ist kein Versprechen einer vorgefertigten Cloud-API für jede Aufgabe.

Prüfen Sie beim Einbau in ein eigenes Projekt den Umgang mit unsicheren Vorhersagen und neuen Eingabebedingungen. Folgenreiche Entscheidungen erfordern wesentlich strengere Daten- und Fehlerkontrolle als eine Lerndemonstration. Offener Code erklärt die Funktionsweise, ersetzt aber weder die Lizenzprüfung der Komponenten noch die Zuverlässigkeitsprüfung der fertigen Anwendung.

Sammeln Sie nicht nur fast identische Nachbarbilder. Zeigen Sie Objekte aus verschiedenen Blickwinkeln und testen Sie sie außerhalb der gewohnten Umgebung. Legen Sie für unbekannte Gegenstände fest, welche Antwort als unsicher gilt und was der Nutzer sehen soll. Andernfalls muss der Klassifikator auch bei einer ungeeigneten Eingabe eine bekannte Klasse wählen.

Für welche Aufgaben geeignet

• Ein einfaches Modell zur Erkennung visueller Klassen trainieren
• Ein Modell in ein eigenes kleines Projekt exportieren