Freitagnachmittag, Rundgang durch drei Geschoße mit dem Bauleiter des Auftragnehmers. Am Ende sind es dreihundert Fotos am Handy: die tropfende Verschraubung am Verteiler, die fehlende Brandschutzmanschette, der Kabelkanal ohne Deckel, dazu die Übersichten. Bis Montag soll die Mängelliste beim Auftragnehmer sein, mit Ort, Gewerk und Frist. Der Abend am Rechner ist gesetzt.
Bei so einem Stapel liegt der Gedanke nahe, alles der KI zu geben und zu warten. Ich zerlege den Stapel vorher in vier Teile, weil für jeden Teil etwas anderes gilt.
Was keine KI braucht
Jedes Foto trägt Aufnahmezeit und, wenn das Handy es erlaubt, den Ort in der Datei mit. Das sind die Exif-Daten, festgelegt in der Norm DC-008 der japanischen Kameraindustrie (CIPA, Normenliste mit DC-008 Exif). Nach Zeit sortieren kann jeder Dateimanager. Wer beim Rundgang Geschoß für Geschoß gegangen ist, hat die Fotos damit in der Reihenfolge des Rundgangs. Das ist keine KI-Leistung, und man sollte es sich auch nicht als solche verkaufen lassen. Ich erwähne es, weil dieser Schritt am meisten Ordnung bringt und am wenigsten kostet.
Was ein Sprachmodell erledigt
Was ich mir angewöhnen will: zu jedem Mangel zwei Sätze ins Handy sprechen, gleich beim Foto. „Zweites Obergeschoß, Technikraum, Verschraubung am Verteiler tropft, Heizung." Aus Ton wird Text, aus dem Text macht ein Sprachmodell den Listeneintrag mit Ort, Gewerk, Beschreibung und Fotonummer. Das ist dieselbe Arbeit wie beim Besprechungsprotokoll aus der Aufnahme, nur in kleineren Stücken. Der Inhalt kommt vom Menschen, der vor dem Mangel gestanden ist. Das Modell bringt ihn in Form.
Wo ein Bildmodell hilft, und wo nicht
Doppelte und Beinahe-Doppelte finden, weil man dasselbe Loch dreimal fotografiert hat. Grob nach Gewerk vorsortieren: Rohr, Kanal, Kabel. Das traue ich einem Bildmodell zu, aber ich rechne mit Fehlern und schaue nach. Für eine Vorsortierung ist das in Ordnung, weil ein Fehler hier nur Zeit kostet und nicht in der Liste landet.
Die Frage, die dann kommt: Warum nicht gleich das Bildmodell die Mängel finden lassen? Weil ich von außen nicht sehe, worauf es schaut. Ein Bildmodell lernt aus Beispielen, und es kann dabei Merkmale lernen, die mit der Sache nichts zu tun haben. Ribeiro, Singh und Guestrin haben 2016 einen Klassifikator absichtlich so trainiert, dass er Wölfe am Schnee im Hintergrund erkannte. Vor den Erklärungen vertrauten 10 von 27 Testpersonen dem Modell trotzdem, und nur 12 von 27 kamen von selbst auf den Schnee. Erst die Erklärung machte den Schnee sichtbar: danach vertrauten noch 3 von 27, und 25 von 27 nannten den Schnee als Merkmal (arXiv 1602.04938). Das war eine Demonstration. Dass es auch ohne Absicht passiert, zeigen Lapuschkin und Kollegen 2019 an fertig trainierten Modellen, deren Treffer auf Merkmalen beruhten, die mit der Aufgabe nichts zu tun hatten (arXiv 1902.10178). Geirhos und Kollegen 2020 fassen das unter dem Begriff Shortcut Learning zusammen (arXiv 2004.07780).
Auf die Baustelle übertragen, als gedachtes Beispiel: Angenommen, ein Modell hat Mängel an rostigen Flecken und schlechtem Licht gelernt, weil die Trainingsfotos so aussahen. Dann findet es die lockere Verschraubung im gut ausgeleuchteten Neubau nicht, und ich merke es erst, wenn ich jedes Foto selbst anschaue. Dann kann ich es gleich selbst machen.
Noch etwas, bevor irgendetwas hochgeladen wird: Auf dreihundert Fotos sind auch Monteure, Kollegen, ein Kennzeichen am Firmenbus. Das sind personenbezogene Daten nach Art. 4 Z 1 DSGVO: alle Informationen, die sich auf eine identifizierte oder identifizierbare Person beziehen. Bevor der Stapel an einen Dienst außerhalb des Hauses geht, gehört geklärt, wo die Daten landen. Und wer meint, ohne Namen sei das anonym, liest besser Ohne Namen heißt nicht anonym.
Darauf achte ich
- Fotos nach Exif-Zeit sortieren, bevor irgendein Modell sie sieht.
- Zu jedem Mangel gesprochener Text. Das Modell formatiert, es erfindet keinen Mangel dazu.
- Bildmodell nur zum Vorsortieren, jeder Treffer wird nachgesehen.
- Personen und Kennzeichen vor dem Hochladen prüfen.
- Die Liste unterschreibe ich, und was ich unterschreibe, will ich selbst gesehen haben.
Der Abend am Rechner wird kürzer. Er fällt nicht weg.