Intuitiver Label-Editor für KI-Anwendungen

Ausgangssituation

Collective mind entwickelt eine speziell auf industrielle Anwendungsfälle zugeschnittene Plattform für den Einsatz von Künstlicher Intelligenz (KI) und Machine Learning, welche die Durchführung von Kundenprojekten beschleunigt und verbessert. Ein wesentlicher Bestandteil ist der Label-Editor, der das Kuratieren und Labeln von Trainingsdaten für KI-Modelle ermöglicht. Derzeit ist das Labeln der Daten, insbesondere von Bilddaten, ein zeit- und ressourcenintensiver Prozess, der größtenteils manuell durchgeführt wird. Dies führt zu einem hohen Kostenaufwand und kann die Einführung von KI-basierten Lösungen verzögern.

Um die Bedürfnisse und Herausforderungen der Nutzenden besser zu verstehen, wurden zu Beginn des Projekts Interviews mit Data-Labelern durchgeführt. Diese Gespräche offenbarten sowohl positive als auch negative Aspekte aktueller, externer Lösungen. Es wurde deutlich, dass die bestehenden Labeling-Tools ihren Zweck zwar erfüllen und den manuellen Prozess zum Teil unterstützen, aber oftmals Kleinigkeiten im Arbeitsablauf stören, umständlich sind oder gänzlich fehlen.

Lösungsidee

Unsere Lösungsidee adressiert die identifizierten Herausforderungen mit einem intuitiv bedienbaren Labeling-Editor. Dieser führt die Nutzenden mithilfe strukturierter Workflows durch den Labeling-Prozess und zielt darauf ab, den Aufwand erheblich zu verringern und die Benutzerfreundlichkeit des Editors zu erhöhen. Unterstützungs- und Automatisierungsfunktionen nehmen dabei zeitraubende, repetitive Aufgaben ab. Beispielsweise ermöglichen das Grundlagenmodell für Bildsegmentierung (»Segment Anything«) oder der »Visual Prompting«-Ansatz ein modellgestütztes Labeling, das den Prozess effizienter gestaltet.

Nutzen

Die Implementierung eines effizienten Daten-Labeling-Systems in die KI-Plattform bietet einen erheblichen Mehrwert. Unternehmen sind in der Lage, mit größeren Trainingsdatenbeständen als bisher zu arbeiten, was die Leistungsfähigkeit der KI-Modelle steigern kann. Die integrierten Unterstützungsfunktionen reduzieren zudem Fehler im Labeling-Prozess und minimieren monotone Arbeitsschritte. Diese Optimierungen führen zu einer Kostensenkung und zu einem Effizienzgewinn, von dem auch bestehende Prozesse profitieren.

Dass das Daten-Labeling künftig weniger aufwendig ist, trägt auch zu einer beschleunigten Entwicklung von KI-Modellen bei. Dies kann die Wettbewerbsfähigkeit von Kunden aus der wertschöpfenden Industrie stärken, indem sie innovative Lösungen schneller realisieren und auf dem Markt etablieren können.

Umsetzung der KI-Applikation

Der intuitive Labeling-Editor basiert auf einem erweiterbaren Konzept, das flexibel an verschiedene Anforderungen und Erweiterungen anpassbar ist. Eine strukturelle Gliederung in Interaktionszustände sorgt für eine klare und übersichtliche Nutzungsoberfläche. Die nachvollziehbare und kontextsensitive Anordnung der Funktionsbereiche fördert eine intuitive Bedienung und effiziente Arbeitsprozesse. Um die Konsistenz zu wahren, folgt jeder Workflow einer einheitlichen Richtungsabfolge. Dies erleichtert das Erlernen und die Anwendung des Systems. Ein Beispiel ist das modellgestützte Labeling mit »Segment Anything«. Hier können mit einem einzigen Klick beliebige Objekt in Bildern »ausgeschnitten« werden. Hierfür waren zuvor sehr viele Klicks notwendig.

Testimonial

»Dank des Quick Checks konnten wir unsere Ideenansätze zusammen mit den Experten des Fraunhofer IAO ausarbeiten und in ein spannendes Konzept übersetzen. Wir wurden jederzeit mit guten Ideen und sinnvollen Ergänzungen unterstützt und konnten das Projekt so auf das nächste Level heben. Wir bedanken uns und freuen uns auf die weitere Zusammenarbeit.« - Kevin Fischer, Leitung KI-Plattform, collective mind AG