Motivation
Aktuell gibt es einen Trend hin zu vertrauenswürdiger und zuverlässiger Künstlicher Intelligenz. Insbesondere für sicherheitsrelevante Anwendungen wie das automatisierte Fahren und die medizinische Bildverarbeitung ist diese Entwicklung unabdingbar. Für Nutzerinnen und Nutzer sowie Entwicklerinnen und Entwickler solcher Technologien ist Zuverlässigkeit von großer Bedeutung – sowohl in puncto Akzeptanz auf der Nutzerseite als auch in puncto Verantwortung auf der Entwicklerseite. Auf technischer Ebene sind jedoch Daten in der dafür notwendigen hohen Qualität oft nicht verfügbar. Dies gilt insbesondere für Bilddaten mit Beschreibungen (Labels) der Bildinhalte. Vorarbeiten des RELiABEL-Konsortiums haben gezeigt, dass gängige Vergleichsdatensätze für das maschinelle Sehen häufig Bilddaten mit ungenauen oder fehlerhaften Beschreibungen enthalten.
Ziele und Vorgehen
Das Projekt RELiABEL fokussiert sich auf die Qualität von Bildbeschreibungen in der kamerabasierten Objektdetektion und schafft somit einen Beitrag zu vertrauenswürdiger Künstlicher Intelligenz durch hochwertige, verlässliche Daten. Ziel des Projekts ist es, die Beschreibung von Bildern in existierenden Datensätzen zu verbessern. Dafür werden Methoden entwickelt, um Fehler in bereits vorhandenen Labels effizient sowie zuverlässig aufzuspüren und zu korrigieren. Zudem werden Ansätze erforscht, die anstelle einer konkreten Bildbeschreibung mehrere Wahrscheinlichkeiten für Beschreibungen angeben (probabilistisches Labeling).
Innovationen und Perspektiven
Die entwickelten Methoden sind vielseitig einsetzbar und können in verschiedenen Anwendungen des maschinellen Sehens genutzt werden. Dazu gehören beispielsweise das automatisierte Fahren, die medizinische Bildverarbeitung, die Fernerkundung und die Robotik in der Landwirtschaft. Der AI Act wird dazu führen, dass die Absicherung der Entwicklung von Künstlicher Intelligenz stark an Bedeutung gewinnt. Die im Projekt entwickelten Methoden können Unternehmen dabei helfen, auf diese neuen Anforderungen zu reagieren. Hochwertige Bilddaten mit präzisen Beschreibungen zu erstellen erfordert allerdings hohen Zeit- und Ressourcenaufwand. Die letzten fünf Prozent der Qualitätssteigerung sind häufig aufwändiger als die ersten 95 %. Kosten spielen bei Bildbeschreibungen für Unternehmen eine entscheidende Rolle. Daher wird das Konsortium neue Methoden und verbesserte Datensätze veröffentlichen, die es Unternehmen einfacher und günstiger machen, qualitativ hochwertige Bilddatensätze zu erhalten. Quality Match wird diese Ergebnisse zudem in die eigenen Produkte integrieren und weiterentwickeln.