Künstliche Intelligenz ist aktuell in aller Munde und hat enormes disruptives Potenzial. Aber die erfolgreiche Anwendung von KI ist nicht immer einfach. Ich habe öfters erlebt, wie KI als der neue "Hammer" verstanden wird, mit dem man versucht, Schrauben in die Wand zu schlagen.
Ich schaue mir dein Problem unvoreingenommen an und sage dir ehrlich, ob eine KI-gestützte Lösung für dich Sinn macht. Gemeinsam finden wir heraus, wie du KI wirklich gewinnbringend einsetzen kannst – sei es durch die Integration populärer Modelle wie ChatGPT oder durch eine maßgeschneiderte Lösung für deine spezifischen Daten.
Künstliche Intelligenz
Wissen, wann KI Sinn macht
Techstack
Mein KI-Fokus
Objekterkennung (Computer Vision)
Ich trainiere KI-Modelle darauf, spezifische Objekte in Bildern oder Videos zu erkennen. Die Voraussetzung hierfür ist ein umfassender Datensatz, den wir entweder bereits haben oder gemeinsam aufbauen.
Dank moderner Hardware ist es oft kein Problem mehr, solche Modelle effizient auf deiner eigenen Infrastruktur (on-premise) laufen zu lassen. Je nach Anforderung können die Kosten für die Hardware im überschaubaren vierstelligen Bereich bleiben.
Anbindung von KI-Modellen (APIs)
Ich integriere die leistungsstarken APIs von Anbietern wie ChatGPT (OpenAI), Gemini (Google) und Co. direkt in deine bestehenden Applikationen. Die Anwendungsfälle sind extrem vielfältig:
Kundenservice Chatbots: Intelligente, automatisierte Antworten auf Kundenanfragen, die sich natürlich anfühlen.
Schrifterkennung (OCR): In einem Kundenprojekt habe ich die ChatGPT API erfolgreich genutzt, um die Schrift auf Ausweisdokumenten automatisiert auszulesen und zu digitalisieren.
Bachelor Arbeit - Objekterkennung
Fallstudie
Meine Bachelorarbeit an der FH Oberösterreich (Campus Hagenberg) habe ich im Rahmen des BAMBI-Forschungsprojekts durchgeführt. Das Ziel war ambitioniert: eine möglichst performante Echtzeiterkennung von Wildtieren direkt auf Wärmebild-Drohnenaufnahmen zu ermöglichen.
Dafür habe ich zwei "State-of-the-Art" Objekterkennungsmodelle auf einem Datensatz von rund 3000 Bildern trainiert, den wir im Semester davor selbst annotiert hatten. Das war eine echte Herausforderung, da ich zu dieser Zeit noch wenig Praxiserfahrung mit der konkreten Funktionsweise von ML-Modellen hatte.
Glücklicherweise stellte mir die Fachhochschule einen Server mit mehreren A100-Grafikkarten zur Verfügung, den ich für das rechenintensive Training nutzen konnte. Am Ende entstand ein System, das Tiere live im Videostream der Drohne erkennt. Wenn dich die Details interessieren, klick einfach auf das Paper und lies rein!