Computer Vision

Ein Foto besteht für einen Computer zunächst nur aus Millionen von Zahlen. Jeder Bildpunkt speichert, wie viel Rot, Grün und Blau er enthält. Ein Mensch sieht auf demselben Bild sofort einen Hund auf einer Wiese. Computer Vision ist das Fachgebiet, das diese Lücke schließen will. Es entwickelt Programme, die aus den Zahlen eine Aussage über den Bildinhalt machen. Solche Aussagen können sein: Welche Gegenstände sind zu sehen? Wo genau befinden sie sich? Und was passiert im Verlauf eines Videos?

Warum Maschinen sehen lernen sollen

Sehr viele Aufgaben in der Wirtschaft bestehen darin, Bilder anzuschauen und zu beurteilen. Ein Mitarbeiter prüft Bauteile am Fließband auf Kratzer. Eine Ärztin sucht auf einer Röntgenaufnahme nach verdächtigen Stellen. Ein Wachdienst beobachtet Kameras. Diese Arbeit ist eintönig und die Aufmerksamkeit lässt nach Stunden nach. Eine Maschine ermüdet nicht und prüft jedes Teil mit demselben Maßstab.

Dazu kommt die schiere Menge an Bildmaterial. Weltweit werden jeden Tag Milliarden Fotos aufgenommen, dazu laufen unzählige Kameras rund um die Uhr. Kein Mensch könnte diese Daten auch nur ansatzweise durchsehen. Erst automatische Auswertung macht sie überhaupt nutzbar. Genau deshalb ist Computer Vision einer der wirtschaftlich wichtigsten Bereiche der künstlichen Intelligenz.

Der Bereich hat aber auch eine kritische Seite. Dieselbe Technik, die verlorene Haustiere auf Fotos findet, kann Menschen im öffentlichen Raum identifizieren. Deshalb regelt die KI-Verordnung der EU den Einsatz von Gesichtserkennung streng. Wer über Computer Vision spricht, spricht fast immer auch über Datenschutz.

Von Bildpunkten zu Bedeutung

Frühe Systeme arbeiteten mit von Hand programmierten Regeln. Ein Entwickler beschrieb etwa, wie eine Kante aussieht: dort, wo helle und dunkle Bildpunkte aneinanderstoßen. Aus Kanten sollten dann Formen und aus Formen Objekte werden. Das funktionierte in Laborsituationen, scheiterte aber an der echten Welt. Ein Stuhl im Gegenlicht sieht völlig anders aus als derselbe Stuhl im Tageslicht.

Heute lernen die Systeme aus Beispielen statt aus Regeln. Man zeigt einem sogenannten neuronalen Netz, also einem lernfähigen Rechenmodell, hunderttausende beschriftete Bilder. Bei jedem Bild vergleicht es seine Vermutung mit der richtigen Antwort und verändert seine internen Zahlenwerte ein winziges Stück. Nach Millionen solcher Durchgänge stimmt die Vermutung meistens. Niemand hat dem Netz dabei erklärt, wie ein Hund aussieht.

Im Inneren arbeitet das Netz in Schichten. Die ersten Schichten reagieren auf sehr einfache Muster wie Kanten und Farbverläufe. Spätere Schichten kombinieren diese zu Augen, Rädern oder Buchstaben. Die letzte Schicht liefert das Urteil. Man kann sich das wie eine Behörde vorstellen: unten werden Einzelheiten notiert, oben wird entschieden.

Kameras, die schon heute mitdenken

Das nächste Beispiel liegt vermutlich in deiner Hosentasche. Die Fotogalerie im Smartphone sortiert Bilder nach Personen und Orten. Die Kamera-App erkennt Gesichter und stellt darauf scharf. Beim Bezahlen entsperrt das Gerät sich per Gesichtsscan. All das ist Computer Vision, auch wenn der Begriff nirgends auftaucht.

In der Industrie prüfen Kameras Schweißnähte und Verpackungen im Sekundentakt. Autos erkennen Verkehrszeichen, Fahrbahnmarkierungen und Fußgänger. Landwirtschaftliche Maschinen unterscheiden Nutzpflanze von Unkraut und spritzen gezielt nur dort. In Krankenhäusern markiert Software auffällige Bereiche auf Aufnahmen, bevor ein Arzt sie beurteilt.

In den Wirtschaftsnachrichten begegnet dir der Begriff meist im Zusammenhang mit Chipherstellern, Autobauern oder Start-ups für Fabrikautomatisierung. Wichtig ist dabei eine Abgrenzung: Bildgeneratoren wie Midjourney erzeugen Bilder, Computer Vision versteht sie. Beide arbeiten mit ähnlicher Technik, verfolgen aber entgegengesetzte Richtungen. Neuere Modelle beherrschen inzwischen beides und werden deshalb multimodal genannt.