AI Lab

AI Lab

Einsteigertutorials für AI-UI

KI - für jeden Use Case Texte, Bilder, Tabellen...

Auf dieser Seite finden Sie Videotutorials, Beschreibungen und fertig-downloadbare Projektdateien zum direkten Import in AI-UI.

Schauen Sie sich um und finden Sie ihre Problemlösung in den gezeigten Tutorials wieder.

Text-regression Vorhersage des nächsten Buchstaben

Im vorliegenden Video wird gezeigt, wie man mit AI-UI und einem eigenen Text eine KI erzeugen kann, die nach Vorgabe von 100 Zeichen versucht das darauffolgende Zeichen vorherzusagen. 

Man kann sich ausprobieren und versuchen ganze Worte vorherzusagen, einen deutschen Text zu wählen und zu verstehen wie man KI und Text grundlegend vereint.

  • Text Regression
  • Verständnis für Text-KI
  • Text Vorverarbeitungstechniken
  • Tokenizer

Text-Klassifikation Sentimentanalyse

Dieses Testprojekt zeigt, wie man vorgehen muss, wenn man eigene Texte in bestimmte Kategorien einordnen möchte. 

Das können Kategorien wie „Gut | Schlecht“ sein, oder aber auch viel komplexere. Beispielsweise, wenn sie Ihre EMails vorfiltern und automatisch klassifizieren lassen wollen in „Technische Frage | Frage zum Produkt | Spam | Kundenfeedback“. 

Der Fantasie sind diesbezüglich keine Grenzen gesetzt.

  • Text Klassifikation
  • Verständnis für Text-KI
  • Text Vorverarbeitungstechniken
  • Sentimentanalyse
  • Countvectorizer
  • Tokenizer

Bild-Segmentierung Objekte in Bildern Erkennen

Das nebenstehende Tutorial zeigt kurz und Bündig, wie man AI-UI nutzen kann um Bildsegmentierungsprobleme mit KI zu lösen.

Dabei nutzt man eigene Bilder und zeichnet in diesen die Objekte ein, von denen man möchte, dass sie ein KI Algorithmus später erkennen soll. Das können neben den hier gezeigten Ballons auch andere Objekte sein, wie fehlerhafte Stellen auf Produkten, Personen, oder jedwede Form anderer Objekte.

 

Bilderkennung wird damit im Handumdrehen vollautonom und vollautomatisch.

  • Bild Segmentierung
  • Verständnis für Bild-KI
  • Bild Annotation
  • Image Augmentation

Bild-Klassifikation Ganze Bilder in Klassen einordnen

Wenn man weniger komplexe Bilderkennungsaufgaben zu lösen hat und die Objekte nicht direkt pixelweise im Bild markieren möchte, kann man via KI, ganz einfach ganze Bilderstapel in Klassen einordnen lassen.

Das Vorgehen eignet sich hervorragend zur IO | nIO Einordnung bei Fertigungsprozessen oder dem zuordnen von Personen, Tieren, Objekten zu bestimmten Gruppen.

  • Bild Klassifikation
  • Verständnis für Bild-KI
  • Bild Labeling

Messwertklassifikation Numerisch Werte sinnvoll einordnen

Im folgenden Tutorial ging es darum eine .CSV Datei zu nutzen, in welcher tabellarisch Messwerte von Orchideenblüten festgehalten wurden.

Ist ein Sammelsurium an Messwerten typisch für eine bestimmte Klasse, so lässt sich effektiv und schnell ein KI Algorithmus trainieren, der die Zusammenhänge zwischen diesen Werten erkennt und auch zukünftig anhand ungesehener Daten evaluiert, um welche Klasse es sich handelt.

  • Numerische Klassifikation
  • Verständnis für Messwert-KI
  • Messwert Labeling
  • Encoding
  • Scaling

Zeitreihenprognose FinTech Autotrading KI für Börsenhandel

In diesem „Stock-Predictor“ Beispiel, möchten wir zeigen wie sich AI-UI eignet, um vollautomatisch Handelsempfehlungen aufgrund vergangener Markt-Muster vorherzusagen.

Dazu haben wir historische Daten des DAX30 Index genutzt, um einer KI eine Zeitreihenprognose zu entlocken. Im Ergebnis erhalten wir im Anschluss eine Aussage darüber wie wahrscheinlich ein Kaufa-, Halte- oder Verkaufsszenario ist.

Ziel des ganzen ist es, auf Basis einer Messwert- oder generell Datentabelle Aussagen über Systemverhalten abzuleiten oder Vorhersagen zu gewinnen. Dies ist nicht nur nützlich im Finanztechnologiebereich, sondern auch für Predictive Maintenance, Condition Monitoring und Qualitätskontrolle.

 

  • Zeitreihenanalyse
  • Verständnis für Zeitreihen-KI
  • Sequenzialisierung
  • Encoding
  • Scaling
  • Resampling

Anomaliedetektion Condition Monitoring und Predictive Maintenance

Das nebenstehende Tutorial beschäftigt sich in vier Teilen mit dem Aufbau und der Funktionsweise einer selbst generierten KI zur Prozess und/oder Maschinenüberwachung. 

Ähnlich eines digitalen Zwillings wird es somit möglich Systemabweichungen zu detektieren, selbst wenn sie in dieser Form nie zuvor aufgetreten sind.

Der sogenannte „Autoencoder“ ist dafür oft das Mittel der Wahl. Diese spezielle Form neuronaler Netze bietet auch noch andere Möglichkeiten. Hier soll vorrangig der Anwendungsfall untersucht werden, welcher für die Industrie 4.0 am relevantesten erscheint.

  • Anomalieerkennung
  • Verständnis für Autoencoder
  • Umfangreiche Datenaufbereitung
  • Scaling
  • Datenaufbereitung und Darstellung

Qualitätssicherung Io | nIO erkennung von Bauteilfehlern in der Produktion

Im folgenden Tutorial zeigen wir wie man anfallende Maschinendaten nutzen kann um zu evaluieren, ob ein Prozess zu Ausschuss führt oder nicht. Zugrundeliegend ist dieser Artikel in Zusammenarbeit mit dem Kompetenzzentrum Mittelstand 4.0 und dem Fachgebiet Fertigungstechnik der TU Ilmenau https://www.researchgate.net/publication/340224906_In-situ_monitoring_of_hybrid_friction_diffusion_bonded_EN_AW_1050EN_CW_004A_lap_joints_using_artificial_neural_nets

Am 30.09.2021 findet eine KI Kochshow mit Bezug zu genau diesem Projekt statt, bei Interesse finden Sie alle Informationen hier:

https://www.kompetenzzentrum-ilmenau.digital/veranstaltung/das-erfolgsrezept-fuer-den-einsatz-kuenstlicher-intelligenz-die-ki-kochshow-zur-optimierung-der-produktion/

  • Zeitreihenanalyse
  • Verständnis für Zeitreihen-KI
  • Sequenzialisierung
  • Encoding
  • Scaling

Hinweis

Einige Projekte könnten die mögliche Anzahl erlaubter Datenpunkte oder Bilder für die von Ihnen genutzte Version überschreiten. Ein Download und Aufruf ist möglich, Transformationen sind jedoch limitiert.