Die besten Apps, die durch AI und maschinelles Lernen erfolgreich wurden

23.01.2019

Der Markt ist gesättigt mit Apps: jede Nische scheint bereits besetzt und von Apps für jeden Geschmack und jede Neigung. Will man heute eine App entwickeln, die dem User einen echten Mehrwert bietet, benötigt man ein erweitertes Verständnis davon, was der User eigentlich möchte. Der Königsweg dazu ist "maschine learning", also das Lernen aus dem Verhalten des Nutzers.

In diesem Artikel finden Sie vier mobile Anwendungen, die erst durch "maschine learning" zu dem geworden sind, was sie heute sind. Lassen Sie sich bei Ihrer App Entwicklung davon inspirieren.

Grundbegriffe zu AI und maschinellem Lernen

Bevor wir beginnen wollen wir noch kurz die Grundbegriffe definieren.

  • Künstliche Intelligenz (KI) oder AI (artificial intelligence) - Intelligenz, die durch Programme auf Computern erzeugt wird.
  • Machine Learning / Maschinelles Lernen - Algorithmen, die Muster auf die gleiche Weise wie menschliche Gehirne erkennen. Im Gegensatz zum Abarbeiten fest programmierter Regeln baut dieser Ansatz darauf auf, Erfahrungen zu sammeln, um Fragen immer besser zu beantworten.
  • Neuronales Netzwerk - eine Gruppe von Software und Hardware imitiert die Arbeit des menschlichen Gehirns. Es ist in Schichten von miteinander verbundenen künstlichen Neuronen organisiert; Jede Schicht kann so unterrichtet werden, dass sie anhand ihrer Gewichte Kriterien gegenüber anderen priorisiert.
  • Deep Learning - eine Möglichkeit, neuronale Netzwerke zu trainieren, um Probleme zu lösen, für die sie nicht programmiert wurden.
  • Lineare Regression - ein maschineller Lernalgorithmus, der auf der linearen Beziehung zwischen den Eingangsvariablen und einer Ausgangsvariablen basiert.
  • Logistische Regression - ein maschineller Lernalgorithmus zur Modellierung eines binomischen Ergebnisses mit einer oder mehreren erklärenden Variablen.

Puh das war ein Brocken trockener Information; jetzt wirds unterhaltsamer: 


Maschinelles Lernen in Netflix

Netflix ist eines der offensichtlichsten Beispiele für maschinelles Lernen in mobilen Apps. Heute kennt es praktisch jeder. Warum? Weil Netflix weiß, was Sie sehen wollen, bevor Sie es sehen wollen! Vor ein paar Jahrzehnten hätte man es für magisch halten können. Wie wir wissen, ist die Magie hinter diesem Trick maschinelles Lernen.

Netflix ist von einer DVD-Verleih-Website zu einem globalen Streaming-Dienst gewachsen. Und der Großteil der Erfolgsgeschichte hat mit maschinellem Lernen zu tun! Bei Netflix verwendet man lineare Regression, logistische Regression und andere maschinelle Lernalgorithmen. All diese gruseligen Worte bedeuten, dass Netflix seine personalisierten Empfehlungen mittels ML perfektioniert hat.

Der Inhalt von Netflix ist nach Genres, Schauspielern, Kritiken, Länge, Jahr und mehr unterteilt. All diese Daten fließen in maschinelle Lernalgorithmen ein. Dabei bedeutet machine learning nicht nur augenscheinliche Zusammenhäng herzustellen, sondern auch Rückschlüsse zu ziehen, die einem menschlichen Beobachter entgehen würden.

Das gleiche passiert, wenn Sie nur einen Trailer ansehen, eine schlechte Bewertung abgeben oder wenn Sie die siebte Empfehlung anstelle der ersten auswählen. Maschinenlernalgorithmen passen sich an das Verhalten eines Benutzers an, um extrem personalisierte Inhalte bereitzustellen.

 

Tinder - Feuer und Flamme für AI

Jeder kennt es als eine Dating-App, die dir Singles im Umkreis anzeigt. Um eine perfekte Übereinstimmung zu finden, benutzt Tinder alle Arten von Liebeszaubern und Zaubertränken und einer von ihnen ist maschinelles Lernen. Der Trank heißt "Smart Photos" und erhöht die Chancen eines Users, ein Match zu finden.

Mit Hilfe von maschinellem Lernen zeigt diese Funktion eine zufällige Reihenfolge Ihrer Profilfotos für Personen an und analysiert, wie oft sie nach rechts oder links geswiped wurden. Dieses Wissen ermöglicht es Tinder, Ihre Fotos neu zu ordnen, indem es die beliebtesten zuerst anordnet. Dieses System wird ständig weiterentwickelt und das Niveau der Verbesserung hängt von der Eingabe ab - je mehr desto besser.

 


Snapchat

Die häufigste Anwendung von maschinellem Lernen ist die Auswertung von "big user data", um aus dem Verhalten von Vielen eine indiviudalisierte Empfehlung für den User zu generieren. Aber es gibt noch andere Fähigkeiten des maschinellen Lernens.

Snapchats Filter sind eine fantastische Kombination aus Augmented Reality und Machine Learning Algorithmen für die Bilderkennung.

Wie funktionieren Snapchat-Filter?

Der erste Schritt besteht darin, ein Gesicht zu erkennen. Das Programm sieht ein Foto als eine Menge von Daten für den Farbwert jedes einzelnen Pixels. Aber woher weiß er, welcher Teil des Bildes ein Gesicht ist?

Der Algorithmus sucht nach Kontrastbereichen zwischen hellen und dunklen Bildteilen. Durch wiederholtes Abtasten der Bilddaten, die den Unterschied zwischen den Graustufenpixelwerten unter den weißen Kästchen und den schwarzen Kästchen berechnen, kann das Programm Gesichter erfassen.

Zum Beispiel ist der Nasenrücken normalerweise heller als die Umgebung auf beiden Seiten, die Augenhöhlen sind dunkler als die Stirn, und die Mitte der Stirn ist heller als ihre Seiten. Diese Art von Algorithmus erkennt allerdings nur frontale Gesichter.

Um jedoch die berüchtigte Blumenkrone dem User aufzusetzen, muss die App mehr tun, als nur ein Gesicht zu erkennen. Es muss Gesichtszüge lokalisieren. Gemäß den Mustern geschieht dies mit einem "aktiven Formmodell" - einem statistischen Modell einer Gesichtsform, das von Menschen trainiert wurde, die die Grenzen von Gesichtsmerkmalen auf hunderten von Beispielbildern manuell markierten. Der Algorithmus nimmt ein durchschnittliches Gesicht von diesen trainierten Daten und richtet es auf das Bild von der Kamera Ihres Telefons aus, skaliert es und dreht es entsprechend, wo es bereits weiß, dass sich Ihr Gesicht befindet. Aber es passt nicht perfekt, daher analysiert das Modell die Pixeldaten um jeden der Punkte und sucht nach Kanten, die durch Helligkeit und Dunkelheit definiert sind.

Sobald Snapchat Ihre Gesichtsmerkmale lokalisiert hat, werden diese Punkte als Koordinaten verwendet, um ein Netz zu erstellen - eine 3D-Maske, die sich mit Ihrem Gesicht bewegt, dreht und skalieren kann, sobald die Videodaten für jedes Bild zur Verfügung stehen. Sie können viel damit machen. Sie können die Maske verformen, um Ihre Gesichtsform zu ändern, Ihre Augenfarbe und Zubehör ändern und Animationen festlegen, die ausgelöst werden, wenn Sie Ihren Mund öffnen oder Ihre Augenbrauen bewegen.


Google Maps

Aber es gibt auch ganz handfeste und praktische Anwendungen, die ohne maschinelles Lernen nicht möglich wären.

Die Google-Forscher sammelten und studierten Daten von über 100.000 Menschen. Sie stellten Fragen wie "Wie lange haben Sie gebraucht, um einen Parkplatz zu finden?" Um Trainingsmodelle zu erstellen, verwendeten sie die anonymen gesammelten Informationen von Nutzern, die sich entschieden hatten, ihre Standortdaten zu teilen. Ich bin einer dieser Leute, wenn ich also nach Erreichen des Ziels anfange im Kreis zu fahren, habe ich offensichtlich Probleme, einen Parkplatz in einer bestimmten Gegend zu finden.

Dann nutzt die App mithilfe eines standardisierten logistischen Regressionsmodells die Funktionen, die auf der Streuung von Parkstandorten basieren, und prognostiziert, wann, wo und wie schwierig es sein wird, einen leeren Platz zu finden.

Wenn Sie also auf der Anfahrtskarte auf den Tab "Parkplatz finden" klicken, sehen Sie eine Liste mit Parkplätzen in Ihrer Nähe und die Wegbeschreibung zu Ihrem Ziel. Schade nur, dass diese Funktion aktuell nur in einigen US Großstädten verfügbar ist.