com!-Academy-Banner

KI-Algorithmen im praktischen Einsatz

Textanalyse

von - 11.10.2018
Sprachausgabe und Spracherkennung sind bereits hochinteressant. Einen Schritt weiter geht es beim Erkennen von Inhalten in Texten. Damit lassen sich KI-Dienste für noch leistungsfähigere Anwendungen kombinieren. Texte können etwa in einem ersten Schritt über Spracherkennung automatisch generiert werden. In einem zweiten Schritt werden mittels Textanalyse Informationen daraus extrahiert.
Textanalyse: Der KI-Algorithmus analysiert eine Textpassage und erkennt dabei die Sprache.
Testen kann man dies unter dieser Azure-Webseite. Kopiert man zum Beispiel eine Passage dieses Artikels in das entsprechende Eingabefeld, kann man die Ergebnisse des KI-Dienstes analysieren. Auf der Webseite werden die Ergebnisse sofort aufbereitet präsentiert. Entwickler, die die API in Apps oder Websites verwenden, bekommen die Ergebnisse in Form eines JSON-Datenaustauschformats geliefert. Diesen Datenstrom muss man dann für die weitere Verarbeitung im eigenen Programm parsen und auswerten.

Bildersuche

Das letzte Beispiel widmet sich der Bildersuche. Mit diesem Teil der Microsoft Cognitive Services wird die Leistung der Suchmaschine Bing für Programmierer und Webentwickler nutzbar. Eine Bildersuche kann an vielen Stellen in einer App eingebaut werden. Beispielsweise kann man eine App, in die Bilder oder Grafiken in einem Dokument eingefügt werden, um diese Funktion erweitern. Der Nutzer muss nun nicht mehr mühsam Bilder manuell suchen, sondern die App übernimmt diese Funktion automatisch oder unterbreitet Vorschläge.
Die Bilder werden dann etwa anhand des Kontexts ermittelt. Ausprobieren lässt sich diese API wieder auf der Web­seite. Suchen Sie beispielsweise nach Bildern mit den folgenden Attributen: Suchbegriff = "Wohnhaus", Bildtyp = "Clipart" und Lizenz = "Öffentlich". Die Ergebnisse werden nach kurzer Rechenzeit eingeblendet.

Preise

Will man einen KI-Dienst nach dem Herumspielen und Ausprobieren in eigenen Apps oder Webseiten nutzen, stellt sich die Frage nach den Kosten. Die meisten Anbieter stellen ihre cloudbasierten KI-Services für Tests kostenfrei zur Verfügung. Einige bleiben sogar bei produktiver Nutzung gratis, sofern eine bestimmte Anzahl Transaktionen nicht überschritten wird..
Bei den Microsoft Cognitive Services kann unter „Pricing“ für jede API des Dienstes der Preis kalkuliert werden. Der Einstieg beziehungsweise eine moderate Nutzung in einer App sind demnach kostenfrei. Bei intensiver produktiver Verwendung fallen dann gestaffelte Preise an.
Gegenrechnen sollte man, dass die eigene Programmierung eines KI-Dienstes sehr aufwendig wäre. Die technischen Ressourcen, das notwendige Know-how und die erforderliche Zeit dürften in den wenigsten Fällen zur Verfügung stehen oder sich für ein Projekt selten rechnen. So gesehen erscheint die Nutzung cloudbasierter KI auch preislich okay.

Fazit

Der Artikel hat einen Überblick über cloudbasierte KI-Dienste gegeben, die Entwickler in Apps oder Webseiten einsetzen können. Die Schnittstellen scheinen einfach nutzbar, sodass man die Services unkompliziert einbinden kann. Kunstgriffe in der Programmierung sind – zumindest auf den ersten Blick – nicht notwendig.
Die erste Beschäftigung mit der Materie macht Lust auf weiteres Probieren. Irgendwann sollte man dann aber den ersten Service experimentell in die eigene App einbauen. Auch dabei muss man schrittweise vorgehen. Inhaltlich muss geklärt werden, welche Funktionen die cloudbasierte KI übernehmen kann. Ist die Funktionsweise klar, dann muss man sich damit beschäftigen, wie man die API aus der eigenen App anspricht.

Cloudbasierte KI-Dienste (Auswahl)

AI Artifact

Amazon Web Services

Microsoft Azure

Google Cloud Platform

IBM Cloud

Machine Learning

Amazon Machine Learning

Azure Machine Learning

Cloud Machine Learning

Watson Machine Learning

Machine Learning
Services

Amazon SageMaker, Amazon Elastic Map Reduce, Spark/ Spark ML

Workbench, Experimentation Service, Model Management, Visual Studio Tools for AI, AI Toolkit for Azure for IoT, MMLSpark

Cloud Datalab

Engines

Apache MXNet, TensorFlow, Caffe2, Torch, Theano, CNTK, Kera, Gluon

Microsoft DMTK, Microsoft CNTK, Caffe2, TensorFlow, Chainer, Apache MXNet, Torch, scikit-learn, Gloun

TensorFlow

Caffe, Nvidia Caffe, IBM Caffe, Torch, TensorFlow, DL4J, Theano, Chainer

Computer (GPU)

Amazon EC2 P3 (Nvidia), Amazon EC2 C5 (Intel)

Azure N-Series (Nvidia)

Nvidia Tesla P100

Datasets

AWS Public Datasets

Google BigQuery Public Datasets

Watson Data Platform

Vision

AWS DeepLen, Amazon Rekognition

Computer Vision, Face, Content Moderator, Emotion, Custom Vision Service, Video Indexer

Cloud Vision, Cloud Video Intelligence

Watson Visual Recognition

Conversational

Amazon Lex

Translator Speech, Speaker Recognition, Bing Speech, Custom Speech Services

Cloud Speech, Cloud Natural Language,
Dialogflow

Watson Speech to Text,
Watson Text to Speech

Language

Amazon Polly, Amazon Comprehend, Amazon Translate, Amazon Transcribe

Language Understanding (LUIS), Text Analytic, Bing Spell Check, Translator Text, Web Language Model, Linguistic Analysis

Cloud Translation

Watson Language Translator, Watson Natural Language Classifier, Watson Natural Language Understanding, Watson Ton Analyzer

Knowledge

Recommendation, Academic Knowledge, Knowledge Exploration Service, QnA Maker, Entity Linking Intelligence Service, Custom Decision Service

Watson Personality Insight, Watson Discovery, Watson Discovery New, Watson Knowledge Studio

Search

Bing Autosuggest, Bing Image Search, Bing News Search, Bing Video Search, Bing Web Search, Bing Custom Search, Bing Entity Search

Cloud Job Discovery

Chatbot

Alexa Skills Kit, Alexa Voice Service

Azure Bot Service

API.ai

Watson Conversation, Watson Virtual Agent

Verwandte Themen