FUSE-AI beteiligt sich an Entwicklung von DIN SPEC PAS 13266 - Leitfaden für die Entwicklung von Deep-Learning-Bilderkennungssystemen
„Normen entwickeln diejenigen, die sie später anwenden.“ (DIN)
Ziel einer DIN SPEC ist es, Standards, die sich bei einem Forschungsprozess entwickeln, auf den Markt zu bringen. Die DIN SPEC wird als „Vorläufer“ einer DIN-Norm gewertet. Unternehmen aus einem spezifischen Bereich haben die Chance, diese Standards oder Leitlinien mit zu entwickeln. Durch den Input aus verschiedenen Instanzen wird die Möglichkeit geschaffen, ein Thema umfassend zu umreißen und in Folge dessen eine hohe Qualität des Standards ermöglicht.
Zur Erarbeitung der Inhalte werden mindestens drei Unternehmen hinzugezogen, die gemeinsam an der DIN SPEC arbeiten. FUSE-AI entwickelt gemeinsam mit MindPeak und Psiori eine neue DIN SPEC. Dabei handelt es sich um die PAS 13266, einen „Leitfaden für die Entwicklung von Deep-Learning-Bilderkennungssystemen“. Mit dieser Leitlinie soll die Möglichkeit geschaffen werden, Bilderkennungssystem aus dem Bereich des Deep Learning einfacher und standardisiert anwenden und entwickeln zu können.
Das Kick-Off-Meeting fand am 24. Juni 2019 in Berlin statt - mit dem Ziel, die wichtigsten Inhalte für den Leitfaden zu erfassen. In der nun bevorstehenden Arbeitsphase wird der Leitfaden durch FUSE-AI, MindPeak und Psiori entwickelt. Diese zweite Phase nimmt durch den hohen Arbeitsaufwand mehrere Monate in Anspruch. Nach einer Verabschiedung durch das Konsortium ist eine Veröffentlichung der DIN SPEC PAS für Anfang 2020 geplant.
Welches Ziel verfolgt die DIN SPEC PAS 13266?
Bei der Bilderkennung gibt es eine Reihe von Fehlerquellen, die durch Deep-Learning-Systeme kompensiert werden können. Der Leitfaden soll hinsichtlich dieser Probleme eine Hilfestellung bieten und ermöglicht es, die Entscheidungsträger über die unterschiedlichen Anwendungsmöglichkeiten zu informieren. Er gilt nicht nur für die Entscheidungsträger genannter Systeme, sondern soll zusätzlich die Entwickler dieser unterstützen. Darüber hinaus gibt die Leitlinie Rückschlüsse auf den geschätzten Aufwand und den Nutzen eines Deep-Learning-Systems. Dadurch können gezieltere Erfolgsprognosen gestellt werden.
Besonders relevant ist dieses Dokument folglich für die Umsetzung eines Deep-Learning-Systems in der Praxis. Die Qualitätssicherung sowie die Strukturierung der Datensammlung und -aufbereitung sind nicht zuletzt wesentliche Bestandteile der Leitlinie.