Teachable Machine

Dieser Testbericht zu „Teachable Machine“ befasst sich mit den Funktionen des webbasierten Tools, seinen Merkmalen, den Kosten, der schrittweisen Anleitung zum Trainieren eines Modells sowie seiner Einordnung im Vergleich zu anderen Machine-Learning-Tools. „Teachable Machine“ ist ein Experiment von Google Creative Lab: Man zeigt dem Computer Beispiele, er lernt, Muster zu erkennen, und man testet das Modell live mit der Webcam oder dem Mikrofon. Anstatt explizit programmiert zu werden, lernt das Modell aus den Beispielen, die Sie ihm vorlegen. Mit der im November 2019 veröffentlichten Version 2.0 wurde der ursprüngliche Bildklassifikator aus dem Jahr 2017 um Projekte für Ton und Körperhaltung erweitert.

Wofür wird „Teachable Machine“ verwendet?

Teachable Machine wird verwendet, um Modelle des maschinellen Lernens zur Klassifizierung zu erstellen: zum Unterscheiden von Bildern, Tönen oder Körperhaltungen. Typische Projekte sortieren Objekte vor einer Webcam, erkennen einfache Töne wie einen Klatsch oder einen Pfiff, erkennen Handgesten oder Körperbewegungen oder unterscheiden eine Katze von einem Hund. Lehrer nutzen es im Unterricht, um Schülern zu zeigen, wie künstliche Intelligenz aus Daten lernt, und Entwickler nutzen es zur Steuerung von Spielen, Websites und physischen Projekten wie beispielsweise einem Arduino-Roboter.

Da es sich um ein webbasiertes Tool handelt, das keine Installation erfordert, hat jeder mit einem Browser Zugriff darauf, was die Zusammenarbeit an Projekten mit Freunden oder einer Klasse erleichtert. Es ist zudem ein Forschungswerkzeug. Googles Bericht aus dem Jahr 2020 besagt, dass über 182.000 Nutzer in 201 Ländern damit mehr als 125.000 Klassifizierungsmodelle erstellt haben und dass Einrichtungen wie die Stanford d.school, das NYU ITP und das MIT Media Lab es im Unterricht eingesetzt haben (Google Research).

Wichtigste Funktionen

• Drei Projekttypen für benutzerdefinierte Modelle des maschinellen Lernens: Bild-, Audio- und Posenprojekte, die jeweils anhand von Beispielen trainiert werden, die Sie mit einer Webcam oder einem Mikrofon aufnehmen oder als Dateien hochladen.
• Training im Browser: Das Training läuft auf Ihrem eigenen Computer, sodass die Daten auf dem Gerät verbleiben, es sei denn, Sie speichern das Projekt in Google Drive (Google-Blog).
• Live-Test: Die Vorschau zeigt die Vorhersage des Modells und dessen Konfidenz für jede Klasse an, während Sie sich bewegen oder Geräusche machen.
• Export: Modelle lassen sich als TensorFlow.js für Websites exportieren; Bildmodelle zudem als TensorFlow und TensorFlow Lite, einschließlich einer Edge-TPU-Version für Coral-Boards (GitHub-Issue #66).
• Teilbarer Link: Sie können ein Modell hochladen und es über eine gehostete URL mit den Open-Source-Bibliotheken laden, die Code-Schnipsel für JavaScript, Java und Python enthalten (GitHub).

Preise für Teachable Machine

Die Nutzung von Teachable Machine ist kostenlos. Es gibt weder ein Konto noch ein Abonnement oder einen kostenpflichtigen Tarif: Sie öffnen die Website und beginnen mit der Erstellung. Zum Speichern von Projekten auf Google Drive ist ein Google-Konto erforderlich. Die Hilfsbibliotheken sind unter der Apache-2.0-Lizenz als Open Source verfügbar. Zu beachten sind die Support-Kosten: Google beschreibt das Projekt als „ein Experiment, kein offizielles Google-Produkt“ und verspricht lediglich, sein Bestes zu tun, um es zu pflegen (GitHub).

Schritt-für-Schritt-Anleitung: Ein Machine-Learning-Modell trainieren

1. Öffnen Sie das webbasierte Tool und wählen Sie ein Bild-, Audio- oder Posenprojekt aus.
2. Benennen Sie jede Klasse, z. B. „Daumen hoch“ und „Daumen runter“.
3. Fügen Sie jeder Klasse Beispiele hinzu – entweder über die Webcam, das Mikrofon oder hochgeladene Bilder. Je vielfältiger die Beispiele, desto besser die Ergebnisse.
4. Klicken Sie auf „Modell trainieren“. Das Training läuft im Browser ab.
5. Testen Sie das Modell in der Vorschau und fügen Sie Beispiele hinzu, bei denen es falsch rät.
6. Exportieren Sie das Modell oder laden Sie es hoch, um einen Link zum Teilen für Ihre Apps und Websites zu erhalten.

Was passiert, nachdem Sie Bilder hochgeladen haben: Sie werden als Trainingsbeispiele in Ihrer Browsersitzung verwendet und nicht an Google gesendet, es sei denn, Sie speichern das Projekt in Drive oder laden das trainierte Modell hoch.

Teachable Machine für Kinder und den Unterricht

„Teachable Machine“ ist bei Kindern und Lehrkräften beliebt, weil es abstrakte Konzepte in spielerische Aktivitäten verwandelt. Die Schüler sammeln ihre eigenen Eingaben, wie Bilder, Posen oder Klänge von Musikinstrumenten, trainieren ein Modell und sehen sofort, wie die Technologie die Eingaben interpretiert. So lässt sich leicht erklären, wie sich das „Unterrichten“ von Computern vom „Programmieren“ unterscheidet, und es lässt sich beurteilen, warum ein Modell etwas falsch erkennt. Der Unterricht beginnt oft mit einer spielerischen Idee, wie zum Beispiel einem „Stein-Papier-Schere“-Spiel oder einem gestengesteuerten Spiel, und endet mit einer Diskussion über Verzerrungen in den Trainingsdaten. Das Designteam von Google beschreibt das Ziel als „Training anhand von Beispielen“ statt als „Regelerstellung“ (Google Design).

Wo „Teachable Machine“ glänzt – und wo es an seine Grenzen stößt

Stärken:

• Kostenlos, schnell und einfach: Ein erstes Modell ist in wenigen Minuten erstellt, ganz ohne Programmierung.
• Die Daten verbleiben standardmäßig im Browser.
• Gut geeignet für Unterrichtseinheiten, Prototypen und kreative Experimente.
• Exportiert ML-Modelle in Web-, Mobil- und Edge-Geräte, sodass Sie ein Modell einfach trainieren und in einem kompletten Projekt einsetzen können.

Einschränkungen:

• Nur Klassifizierung; keine Objekterkennung, Regression oder Textmodelle.
• Kleine Datensätze und einfache Modelle; nicht auf Produktionsgenauigkeit ausgelegt.
• Ein Experiment mit „Best-Effort“-Support, kein offizielles Google-Produkt.
• Im Vergleich zu einer echten ML-Plattform nur begrenzte Kontrolle über die Trainingsparameter.

Wie sich „Teachable Machine“ im Vergleich schlägt

• Create ML: Apples „No-Code“-Modelltrainer für den Mac mit mehr Modelltypen und Core-ML-Ausgabe für Apple-Apps.
• H2O.ai: Open-Source- und Enterprise-AutoML für tabellarische Daten und Produktionsmodelle.
• DataRobot: AutoML für Unternehmen und Modellbetrieb für Geschäftsdaten.
• Obviously AI: No-Code-Prognosen auf Basis von Tabellenkalkulationsdaten; das Unternehmen hat sich inzwischen in Zams umbenannt.

Lohnt sich „Teachable Machine“?

Ja, zum Lernen, Lehren und für schnelle Prototypen. Es ist die schnellste kostenlose Möglichkeit, Schülern oder Kollegen zu zeigen, wie ein Computer lernt, Bilder, Töne und Posen zu erkennen, und die Exportoptionen reichen für eine Web-Demo oder ein Coral-Projekt aus. Es ist keine Plattform für produktives maschinelles Lernen: Die Modelle sind klein, der Support erfolgt nach bestem Bemühen, und komplexere Aufgaben erfordern ein echtes ML-Tool. Wenn Sie einen Teachable-Machine-Prototyp in ein Produkt umwandeln möchten, können Low-Code-Agenturen und Entwickler auf LowCodeDevs Ihnen bei der Umsetzung helfen.

Quellen

• Teachable Machine 2.0, Google-Blog: Einführung, Projekttypen, Training im Browser und Datenschutz.
• Teachable Machine-Community-Repository, GitHub: Bibliotheken, Code-Schnipsel, Lizenz und Status der Experimente.
• Teachable Machine-Artikel, Google Research: Design und Nutzungskennzahlen.
• Entwurf einer „Teachable Machine“, Google Design: Training anhand von Beispielen und Designentscheidungen.
• Teachable Machine, Experiments with Google: Die Projektseite von Google Creative Lab.
• Exportformate, GitHub-Issue Nr. 66: TensorFlow-, TF Lite- und Edge TPU-Exporte für Bildmodelle.