Wie trainiere ich ein KI-Modell ohne Programmieren?

Was ein KI-Modell lernt

Ein KI-Modell lernt aus Beispielen, Daten einzuordnen oder Werte zu schätzen. Was das im Einzelnen heißt, hängt von der Art der Daten ab. Ein Bildmodell beantwortet etwa, ob ein Bauteil in Ordnung oder beschädigt ist, findet Objekte in einem Bild oder grenzt Flächen pixelgenau ab. Ein Textmodell ordnet Anfragen oder Berichte einer Kategorie zu. Ein Modell für Tabellen schätzt aus Messwerten oder Auftragsdaten, welcher Fall vorliegt oder welcher Wert zu erwarten ist. In allen Fällen lernt das Modell nicht aus Regeln, die jemand aufschreibt, sondern aus Beispielen, bei denen die richtige Antwort schon bekannt ist. Es ist deshalb nur so gut wie diese Beispiele, und genau dort beginnt die eigentliche Arbeit.

Wie viele Beispiele es braucht und welche

Eine feste Zahl gibt es nicht. Je ähnlicher sich die Fälle sind, die das Modell unterscheiden soll, desto mehr Beispiele braucht es. Für einfache Unterscheidungen in Bildern reichen oft einige Dutzend bis wenige Hundert Bilder je Klasse. Bei Texten und Tabellen hängt es stark davon ab, wie deutlich sich die Klassen in den Daten zeigen. Wichtiger als die Menge ist allerdings meist, wie die Beispiele zusammengesetzt sind.

Hat eine Klasse zehnmal so viele Beispiele wie die andere, lernt das Modell vor allem die häufige. Stammen alle Aufnahmen einer Klasse vom selben Tisch bei gleichem Licht, lernt es womöglich den Hintergrund statt des Objekts. Bei Tabellen geschieht dasselbe, wenn eine Spalte die Antwort schon verrät, etwa ein Status, der erst nach dem Ergebnis eingetragen wurde. Das Modell wirkt dann in der Prüfung hervorragend und versagt im Einsatz. Doppelte Einträge, defekte Dateien und falsche Beschriftungen verschlechtern das Ergebnis, ohne dass man es sofort bemerkt. Und ein Teil der Daten gehört gar nicht ins Training, sondern wird zurückgehalten, um das fertige Modell damit zu prüfen. Nur so zeigt sich, ob es auch mit Fällen zurechtkommt, die es noch nie gesehen hat.

Warum lokales Training sinnvoll ist

Der übliche Weg führt über die Cloud. Man lädt die Daten hoch, trainiert dort und bekommt das Modell zurück. Trainingsdaten sind aber oft genau das, was man ungern aus der Hand gibt, zum Beispiel Aufnahmen aus der Fertigung, Kundenanfragen oder über Jahre gesammelte Messreihen. Beim lokalen Training bleiben sie auf dem eigenen Rechner. Den Preis dafür zahlt man in Rechenzeit. Vor allem Bild- und Textmodelle brauchen auf einem gewöhnlichen Rechner ohne passende Grafikkarte deutlich länger als in einem Rechenzentrum, während Modelle für Tabellen oft auch auf der CPU schnell trainiert sind.

Was ohne Programmieren geht und was nicht

Ein brauchbares Modell lässt sich heute ohne Programmierkenntnisse trainieren, wenn eine Anwendung durch die Schritte führt, vom Einlesen und Beschriften der Daten über die Prüfung des Datensatzes und das Training bis zur Auswertung und zum Export. Eine Entscheidung nimmt Ihnen aber keine Anwendung ab, nämlich ob das Modell für Ihre Aufgabe gut genug ist. Das zeigt sich an den Fällen, bei denen es danebenliegt, und an der Frage, was ein Fehler im späteren Einsatz kostet. Wird ein Modell in einem Bereich eingesetzt, den der EU AI Act als hochriskant einstuft, etwa bei der Auswahl von Bewerbern, gelten für diesen Einsatz außerdem eigene Pflichten.

Wo Quorvyn Train dabei hilft

Für diesen Weg von den eigenen Daten zum geprüften Modell entwickeln wir Quorvyn Train. Die Anwendung führt in acht Schritten durch den Ablauf und kommt in der Oberfläche ohne Fachvokabular aus. Training und Auswertung laufen auf Ihrem eigenen Rechner, und der Trainingsdienst bekommt nur den Pfad zu den Bildern, nicht die Bilder selbst.

Zu einer ehrlichen Beschreibung gehören auch die Grenzen. Quorvyn Train befindet sich in Entwicklung und ist noch nicht erhältlich, vorgesehen sind Windows und Linux. Umgesetzt sind bisher nur Aufgaben mit Bildern, nämlich Bildklassifikation, Objekterkennung und semantische Segmentierung. Text und Tabellen verarbeitet Quorvyn Train noch nicht. Trainiert wird bisher auf der CPU. Training auf NVIDIA-Grafikkarten ist umgesetzt, das Installationspaket dafür folgt. Ein abgebrochenes Training lässt sich nicht an derselben Stelle fortsetzen. Und ein exportiertes Modell ist nicht schon deshalb für einen bestimmten Einsatz geeignet, weil Quorvyn Train es erzeugt hat.