GIGO (Garbage In, Garbage Out) - Aufbau KI Bilderkennung

Mehlwurm-Experiment: Wenn die KI auf Störungen trainiert

Die Essenz meines letzten Versuchs ist schnell zusammengefasst – und sie zeigt eindrücklich, warum Datenqualität beim KI-Training alles ist.

Das Problem: Belichtung, Staub & krümelnde Verschmutzungen

Die KI verändert automatisch die Belichtung der Fotos – und genau das ist schlecht. Denn auch nach dieser Anpassung bleiben Störungen auf dem Bild erkennbar. Hinzu kommen Staub und krümelnde Verschmutzungen: Futterreste, Kot und feine Substratpartikel liegen in der Box und erscheinen auf den Fotos als kleine Punkte und Krümel.

Die eigentliche Gefahr lauert aber tiefer: Es besteht die Möglichkeit, dass die KI genau diese Störungen mit trainiert und sie später falsch interpretiert – zum Beispiel ein Staubkorn als Ei oder einen Krümel als kleinen Mehlwurm erkennt.

Ein Lehrbuchfall von: „Die Ausgabe ist nur so gut wie die Eingabe.“ 

Der Weg nach vorn: 15 Minuten am Tag

Genau das macht die Reise aber so spannend. Beim Aufbau der Datenbanken investiere ich momentan ca. 10 bis 15 Minuten Arbeit pro Tag. Meine Trainingsobjekte für die Ton- und Bilderkennung suche ich mir bewusst aus meinem direkten Umfeld aus – so kann ich zeitoptimiert arbeiten und direkt am echten Material lernen.

Die Reise bleibt spannend! 🐛

Originalfoto - viel zu grosse Auflösung fürs KI Training

KI Erkennung aller Störfaktoren

KI Nachbearbeitung mit KI softwaretechnischer Entfernung aller Störfaktoren

Human in the Loop - Nachkontrolle ;-)