Grundsätzlich geht es darum, Maschinen beizubringen, wie sie Objekte erkennen und bestimmen können – auch wenn sich die Gegenstände nur in Details unterscheiden. Dazu muss ein Algorithmus entwickelt und mit möglichst vielen Trainingsdaten gefüttert werden, damit er selbstständig dazulernen kann. Genau das haben Forscher der Universität Jena in den vergangenen vier Jahren getan. Trainiert wurde mit einem Datensatz von 200 nordamerikanischen Vogelarten.

Das Ergebnis sei aber sehr flexibel anwendbar, versichert Prof. Dr. Joachim Denzler vom Lehrstuhl für Digitale Bildverarbeitung. Wenn der Algorithmus entsprechend ausgerichtet werde, könne er beispielsweise auch verschiedene Automarken am Design erkennen. Die Erkennungsquote liege bei rund 90 %. Ein weiterer Vorteil sei, dass die Entscheidungen im Gegensatz zu vielen anderen Deep-Learning-Anwendungen nachvollziehbar bleiben. Solche Explainable Artificial Intelligence (XAI) ist überall dort wichtig, wo KI-Entscheidungen der menschlichen Kontrolle unterworfen bleiben sollen, etwa in der Medizin. Ornithologen und KI-Interessierte können den Vogelalgorithmus mit eigenen Bildern auf einer eigens eingerichteten Website selbst ausprobieren.

Ein weiteres Anwendungsfeld von Deep Learning in der Industrie ist die Mustererkennung in geologischen Daten. So ist das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS Teil des VRGeo-Konsortiums , das die Suche nach interessanten Strukturen in seismischen Daten erforscht. Die Öl- und Gasindustrie will auf diese Weise Rohstoffvorkommen schneller aufspüren.