Fakt ist aber auch, dass vieles, was hier vermeintlich neu erscheint, schon seit Jahren in den Unternehmen im Einsatz ist.
In kindlicher Naivität subsumierte ich unter diesem Thema sowohl etablierte Verfahren zur Bilderkennung wie OCR, aber auch Gesichtserkennung, Bildklassifizierung oder die Erkennung von Materialeigenschaften auf Basis von Bildern. Diese weit gefasste Interpretation hat ihre Heimat in der Praxis. Fakt ist aber auch, dass vieles, was hier vermeintlich neu erscheint, schon seit Jahren in den Unternehmen im Einsatz ist. Vermutlich interessanter, aber weniger in der Breite vertreten ist hingegen die wissenschaftliche Sicht, bei den Genomanalysen, semantische Bildanalysen oder Wissensdatenbanken für Bilder, die das Thema prägen. Legt man die Heftartikel zugrunde, wird die Vielfalt und Praxisrelevanz des Themas Image Mining deutlich. So kann Bilderkennung im produzierenden Gewerbe in Verbindung mit Deep Learning dabei helfen, Fehler frühzeitig zu erkennen und rein menschlich umgesetzte Qualitätskontrollen durch den Einsatz von AI zu verbessern. Letztlich wird so ein Vier-Augen-Prinzip aus AI und Mensch ermöglicht. Ebenso kann Computer Vision dabei helfen, ein besseres Putzergebnis von Waschstraßen zu ermöglichen. Die Identifikation von Fake vs. Real für Konsumgüter wie beispielsweise Sneaker hilft nicht nur bei der Erkennung von Markenpiraterie, sondern ergänzt zukünftig vielleicht sogar Influencer in Echtzeit bei ihren Videos zur Bewertung von Outfits. Neben dieser fachlichen Relevanz zeigen die Artikel aber auch, dass die Ausgestaltung der Image-Mining-Services eine entscheidende Rolle für den Erfolg spielt. So können Modularität und der Einsatz von AI-Plattformen einen großen Beitrag zum Erfolg von Image-Anwendungen leisten.
Kritisch ist hier mittlerweile nicht mehr die AI und der Wettkampf um wenige High Potentials mit Abschlüssen etablierter internationaler Hochschulen, sondern vielmehr der Aufbau oder die Beschaffung geeigneter Trainingsdaten.
Als Chief Data Officer und Head of AI & ML der Zurich Gruppe Deutschland ist es meine Aufgabe, über den Tellerrand zu schauen und neue Anwendungsmöglichkeiten zu identifizieren. Spontan lässt sich der Case der Waschstraße nicht nur auf das Waschergebnis, sondern auch auf die Identifikation von Schäden übertragen. Fake Checks sind bei der Versicherung von hochwertigen Uhren bereits heute üblich. Auch das Zusammenspiel Vier-Augen-Prinzip von Computer Vision, Bilderkennung und dem Menschen ist sowohl bei uns als auch in anderen Branchen schon heute üblich.
Auf den ersten Blick sind diese Themen in der Praxis nicht weit verbreitet. Schaut man aber hinter die Kulissen, sieht man, dass Image-Mining-Anwendungen über Branchengrenzen hinweg immer häufiger eingesetzt werden und sich die Aufwände für die Implementierung solcher Lösungen in den letzten Jahren massiv reduziert haben. Kritisch ist hier mittlerweile nicht mehr die AI und der Wettkampf um wenige High Potentials mit Abschlüssen etablierter internationaler Hochschulen, sondern vielmehr der Aufbau oder die Beschaffung geeigneter Trainingsdaten. Vor diesem Hintergrund wird die Verbreitung von Image Mining dazu führen, dass Unternehmen zukünftig vermehrt in Bilder und den Aufbau von Bilddatenbanken investieren und/oder sich in einem Datenökosystem zusammentun werden.
Kritisch zu hinterfragen ist hier der Einsatz von personenbezogenem Bildmaterial. In ihrem Vorschlag zur KI-Regulierung hat die EU klargestellt, dass Anwendungen, welche die Grundrechte der Bürgerinnen und Bürger beeinträchtigen können, reglementiert werden. Vor diesem Hintergrund sehe ich einem offenen ethischen und gesellschaftlichen Diskurs jedoch positiv entgegen.
