Vision-Modell
Ein Vision-Modell ist ein Computerprogramm, das aus Bildern oder Videos Informationen herausliest – etwa welche Gegenstände darauf zu sehen sind. Es lernt diese Fähigkeit aus Millionen Beispielbildern, statt nach festen Regeln programmiert zu werden.
Ein Vision-Modell ist ein Computerprogramm, das Bilder auswertet. Man zeigt ihm ein Foto, und es sagt, was darauf zu sehen ist. Der entscheidende Punkt: Niemand hat ihm dafür Regeln aufgeschrieben. Stattdessen hat es sehr viele Beispielbilder gesehen, bei denen jeweils dabeistand, was sie zeigen. Aus diesen Beispielen hat es selbst Muster abgeleitet. Das Wort « Vision » ist englisch und bedeutet hier schlicht Sehen.
Was Maschinen ohne Sehen nicht können
Ein sehr großer Teil aller Daten auf der Welt liegt als Bild vor. Röntgenaufnahmen, Satellitenfotos, Überwachungsvideos, Fotos von Bauteilen am Fließband. Ohne Vision-Modelle müsste jedes einzelne dieser Bilder ein Mensch anschauen. Das ist teuer und dauert lange. Ein Modell schafft dieselbe Sichtung in Sekunden.
Wichtig ist dabei ein Unterschied. Ein Modell erkennt Muster, es versteht nicht im menschlichen Sinn. Es weiß nicht, was ein Hund ist. Es weiß nur, dass bestimmte Formen und Farbverläufe in seinen Trainingsdaten mit dem Wort « Hund » verknüpft waren. Das reicht für viele Aufgaben völlig aus. Es erklärt aber auch die typischen Fehler.
Diese Fehler sind der Grund, warum Vision-Modelle in kritischen Bereichen nie allein entscheiden. In der Medizin markiert ein Modell auffällige Stellen auf einem Scan. Die Diagnose stellt weiterhin eine Ärztin. Das Modell ist ein Vorsortierer, kein Ersatz.
Vom Pixelraster zum Begriff
Für den Computer ist ein Bild zunächst nur eine Tabelle aus Zahlen. Jeder Bildpunkt hat einen Wert für Rot, Grün und Blau. Ein normales Handyfoto besteht so aus mehreren Millionen Zahlen. Das Modell muss aus diesem Zahlenberg Bedeutung gewinnen. Es tut das in Schichten, die aufeinander aufbauen.
Die ersten Schichten erkennen nur sehr einfache Dinge: Kanten, Helligkeitssprünge, Farbwechsel. Die nächste Schicht setzt diese Kanten zu Formen zusammen, etwa zu einem Kreis oder einer Ecke. Weiter oben entstehen daraus Teile wie ein Auge, ein Rad oder ein Fenster. Ganz oben steht dann die Aussage: Das ist ein Gesicht. So ähnlich baut man einen Text aus Buchstaben, Wörtern und Sätzen auf.
Beim Training bekommt das Modell ein Bild und rät. Liegt es falsch, werden seine internen Stellschrauben leicht nachjustiert. Das wiederholt sich millionenfach. Moderne Vision-Modelle nutzen dafür oft dieselbe Bauart wie Sprachmodelle: Sie zerschneiden das Bild in kleine Kacheln und behandeln jede Kachel wie ein Wort in einem Satz.
Vom Handy-Album bis zur Fabrikhalle
Vision-Modelle stecken längst in Alltagsgeräten. Die Fotogalerie im Handy sortiert Bilder nach Personen und Orten. Ein Übersetzungsprogramm liest eine fremdsprachige Speisekarte durch die Kamera. Autos erkennen Verkehrsschilder und Fußgänger. Kassensysteme identifizieren Obstsorten, ohne dass jemand einen Code eintippt.
In der Industrie prüfen solche Modelle Bauteile auf Kratzer und Risse. In der Landwirtschaft unterscheiden Drohnen Nutzpflanzen von Unkraut, damit gezielter gespritzt wird. Versicherungen schätzen Schäden aus Handyfotos ab. Das spart in vielen Fällen einen Vor-Ort-Termin.
In den Nachrichten taucht der Begriff oft im Zusammenhang mit multimodalen Modellen auf. Multimodal heißt, dass ein System mehrere Arten von Eingaben verarbeitet, hier Bild und Text zusammen. Man lädt ein Foto in einen Chatbot und stellt eine Frage dazu. Dahinter arbeitet ein Vision-Modell, das das Bild in eine Form übersetzt, die der Textteil weiterverarbeiten kann. Ein zweites Dauerthema ist der Datenschutz, denn Gesichtserkennung im öffentlichen Raum ist in Europa stark reguliert.