16.05.2019

Automatische Bilderkennung

In einem modernen Schadenmanagement kommt der automatischen Bilderkennung längst eine große Bedeutung zu. Dank der automatisierten Sichtung, Analyse und Zuordnung von Schadenbildern wird der Schadenprozess enorm beschleunigt. Doch autark laufen kann diese Technologie noch nicht. Und soll sie auch nicht. Denn der wahre Fortschritt liegt auch in diesem Fall in der idealen Kombination aus beiden Welten: der menschlichen und der Künstlichen Intelligenz.

In Zeiten, in denen sich Faszination und Begeisterung über die Möglichkeiten und Fähigkeiten Künstlicher Intelligenz (KI) kaum noch bändigen lassen, scheint es durchaus angebracht, mal wieder auf folgende Tatsache hinzuweisen: Computer sind nicht intelligent. Sie sind dumm. Sie können nur das, was man ihnen beibringt, ohne Input können sie nichts. Ihre Existenz und Leistungsfähigkeit hängen also davon ab, dass wir, die Menschen, ihnen etwas beibringen, indem wir sie mit Daten füttern. Ohne uns sind sie bedeutungslos – aber mit ihnen sind wir zu so viel mehr in der Lage. 

Bei Control€xpert sehen wir KI seit jeher nicht als Allheilmittel und Generallösung, sondern als perfekte Ergänzung. Mal ist sie Triebfeder, mal eine Brücke, mal eine Stütze. KI in Form der automatischen Bilderkennung wird bei Control€xpert in vielen Teilbereichen eingesetzt: Beispielsweise durch das automatische Auslesen der 17-stelligen FIN (Fahrzeug-Identifi zierungsnummer). Hierdurch wird das Qualitätsniveau gesteigert, da Fehler durch manuelles Eintippen reduziert werden. Um die KI dazu zu befähigen, haben wir ihr einiges beigebracht. Wir haben Algorithmen mit Millionen von Daten gefüttert, aus denen die KI ihr Wissen speist.

Training ist alles – mit Deep Learning zur automatischen Bilderkennung 

Um zu verstehen, wie automatische Bilderkennung im Detail funktioniert, fängt man am besten ganz klein an: bei einem Pixel. Jedes Bild besteht aus Millionen von Pixeln. Jedem Pixel sind Farbinformationen zugeordnet. Ein Computer ist dazu in der Lage, die Farben benachbarter Pixel zu unterscheiden. So erkennt der Computer Konturen und Farbflächen, die in einem Bild enthalten sind. Der Mensch kann Strukturen und Objekte, die er im Alltag kennengelernt hat, auf Bildern wiedererkennen. Da dem Computer – im Gegensatz zum Menschen – diese Erfahrungswerte fehlen, hat man ursprünglich versucht, mit künstlichen neuronalen Netzen die Grundidee eines menschlichen Gehirns nachzuahmen. Auch wenn sich in der Realität künstliche neuronale Netze von einem echten Gehirn unterscheiden, ist das Entscheidende, dass die künstlichen Netze in der Lage sind, zu lernen.

Deep Learning als Teilbereich von Machine Learning

Deep Learning als Teilbereich des Machine Learning hat sich in den letzten Jahren bei der Lösung von Machine Learning Problemen, beispielsweise Text- oder Bilderkennung, als nützlich erwiesen. Möglich wurde das durch die technologische Entwicklung sowie deren effiziente Nutzung in den letzten Jahren. Im Vergleich zu klassischen Methoden kann man mit Deep Learning generalisierte Modelle erstellen. Das heißt beispielsweise: Wird ein tiefes neuronales Netz mit ausreichend Beispielen von Autos und Nicht-Autos gefüttert, sucht sich der Algorithmus die Merkmale, anhand derer er ein Auto erkennt, selbstständig heraus und wird diese auf allen möglichen Bildern wiedererkennen. Da Deep Learning sehr ressourcenintensiv ist und viel Rechenpower benötigt, nutzt Deep Learning die Stärke von leistungsfähigen GPUs (Graphics Processing Units). Diese GPUs können mehrere tausende Berechnungen gleichzeitig durchführen. Bei Control€xpert läuft das Deep Learning über den C€ Deepforce, einer Deep Learning Devbox. Das Training, das mit dem Deepforce 24 Stunden dauert, würde mit einem handelsüblichen PC über einen Monat in Anspruch nehmen.

Seit nunmehr 10 Jahren beschäftigt sich Control€xpert mit dem Thema Bilderkennung. Mit Erfolg: Im Schadenprozess können heute anhand eines Fotos automatisiert unter anderem das Ersatzteil sowie der Beschädigungsgrad erkannt werden. Aus den so gewonnenen Informationen lassen sich datenbasiert die Reparaturkosten ermitteln. Der Weg dorthin führt über 4 Schritte.

Die Einsatzmöglichkeiten für die automatische Bilderkennung sind vielfältig und werden sich in der Zukunft noch drastisch weiterentwickeln. Die Algorithmen von Control€xpert für automatische Bilderkennung sind heute für zahlreiche Use Cases geeignet (siehe unten). Das Team forscht fleißig weiter, um diese Algorithmen weiter zu optimieren und neue Anwendungsszenarien zu finden.