Audiobearbeitung mit maschinellem Lernen

00:00:00: Hallo und herzlich willkommen zur nächsten Episode des Data Science Podcasts mit Milch und Zucker.

00:00:06: Heute haben wir Felix Burkardt, Zugast as Head of Research at Audio Ring,

00:00:12: Expedit für Audio Bearbeitung mit KI im Datenbereich.

00:00:16: Herzlich willkommen, Felix.

00:00:18: Ja, hallo René, ich freue mich hier zu sein. Vielen Dank.

00:00:20: Wie schon besprochen, gehen wir heute durch die Audioverarbeitung rein.

00:00:25: Wir hatten schon mal ein kurzes Vorgesprächs, was sehr spannend.

00:00:28: Deswegen freue ich mich auch heute sehr auf diese Episode.

00:00:31: Kannst du ein bisschen erklären, was ist eigentlich die Audioverarbeitung?

00:00:34: Wir hatten schon ein bisschen Data Science Podcast mit Machine Learning, Modelle, Algorithmen usw.

00:00:40: Denkst du, Audio hat mir noch nichts, kannst du einfach mal so kurze Überblick geben?

00:00:44: Was kann man da machen?

00:00:45: Genau, Audio ganz allgemein würde ich mal aufteilen, vielleicht in Sprache und anderes Audio,

00:00:54: weil wir Menschen sind. Sprache für uns ist natürlich besonders wichtig.

00:00:57: Wir bei Audio Ring beschäftigen uns tatsächlich allgemein mit Audio.

00:01:00: Also es geht grundsätzlich darum, was können wir aus Audiosignalen lernen.

00:01:06: Also Audiosignale würde ich jetzt mal definieren, als Signale, die durch Mikrofone aufgenommen wurden, Luftdruck im Raum.

00:01:13: Und genau, da gibt es quasi diesen beiden Bereichen, würde ich sagen Sprache und Nichtsprache,

00:01:19: wobei man dann noch sagen könnte Sprache Musik und alles andere oder so.

00:01:23: Und wir beschäftigen uns damit mit industriellen Anwendungen, also der kommerzielle Anwendung als Firma natürlich.

00:01:30: Ich komme ja ursprünglich aus der Wissenschaft von der TU Berlin.

00:01:33: Da haben wir vor allem Phonetik damit gemacht.

00:01:36: Aber im Fall von Audiring geht es also um typischerweise um Mensch-Maschine-Interaktionen.

00:01:41: Die einfach dabei hilft quasi den Maschinen-Sensorik zu geben,

00:01:46: dass sie menschenähnlicher werden oder eine menschenartige Kommunikation erleichter.

00:01:52: Also Interaktion ist eigentlich unser Stichwort.

00:01:54: Was sind da dann Anwendungsbeispiele um das Ganze dann?

00:01:59: Genau, also Beispiele, wer jetzt zum Beispiel ein intelligenter Kopfhörer,

00:02:03: der merkt, in welcher akustischen Umgebung er gerade ist,

00:02:07: also ob er im Restaurant, im Büro oder im Flugzeug gerade funktionieren muss.

00:02:12: Und dann je nachdem zum Beispiel irgendwelche akustischen Filter zum Enhancement oder so justiert

00:02:19: oder eben auch mal, wenn er merkt, dass zum Beispiel das angesprochen wird,

00:02:23: ein automatisches Play-through und so Sachen.

00:02:27: Das wäre mal ein Beispiel aus der Akustik.

00:02:31: Dann haben wir das große Feld der Emotionserkennung.

00:02:35: Das ist tatsächlich unsere Spezialität.

00:02:38: Woher wir auch kommen.

00:02:40: Und da würde ich mal ganz allgemein sagen,

00:02:44: dass die menschliche Kommunikation stark über Emotionen funktioniert

00:02:48: und von daher auch eine Maschinen-Kommunikation.

00:02:52: Emotionen nicht außer Acht lassen sollte.

00:02:55: Also wäre das ein Anwendungsfall, dass man praktisch eine Maschine hat.

00:02:59: Je je bete macht einen Text und dann baubt man in den Text noch Emotionen ein,

00:03:03: damit die Maschine mehr angesprochen wird oder einem Roboter, der vielleicht eine Pflege ist,

00:03:08: oder einfach menschliche rüber kommen, wenn er spricht.

00:03:11: Ja, einmal das, wobei das fast schon zu soft klingt,

00:03:14: sondern es kann auch tatsächlich, dass man die Queries besser verarbeitet werden können,

00:03:19: dass man den emotionalen Kanal damit hat.

00:03:22: Zum Beispiel ein sehr einfaches Beispiel ist immer Ironie,

00:03:26: wo ja die emotionale Ausdruck quasi so übertrieben oder eben anders sein kann,

00:03:31: divergierend, dass sich die Semantik geradezu umdreht.

00:03:34: Ja, dass man also genau das Gegenteil von dem, was man gesagt hat.

00:03:37: Und das wäre halt schön, wenn Maschinen das genauso intuitiv mitbekommen würden wie Menschen.

00:03:43: Das könnte man dann auch auf zwei verschiedenen Ebenen.

00:03:46: Also Ironie kann man ja vielleicht auch in der Spracherkennung machen.

00:03:49: Also bei der Netfull Language Processing wird ja auch öfters versucht,

00:03:51: vielleicht in Ironie rauszufinden, ist allerdings noch recht schwierig.

00:03:57: Und man kann es dann vielleicht auch über die akustischen Signale dann rausfinden,

00:04:01: dass man sagt einfach mal eine andere Betonung von dem Wort,

00:04:04: dass man das dann miteinander verknüpft.

00:04:06: Ja, genau. Danke für das Tichwort.

00:04:08: Das ist also genau unser Thema, die Divergenz zwischen Akustik und Lingoistik im Prinzip.

00:04:14: Also wir beschäftigen uns sehr viel damit.

00:04:17: Inwieweit möchten wir was unterscheiden auch eventuell zwischen Lingoistik und Akustik?

00:04:24: Und inwieweit können wir quasi beide Modalitäten zusammen verwenden,

00:04:28: um jetzt irgendein Aushaar getreffen?

00:04:30: Ein Anwendungsfall wäre dann jemand, der rufen Kunden "Call Center" an und sagt,

00:04:35: das ist ein ganz tolles Produkt und sagt das ganz toll,

00:04:38: dann in einem vielleicht aggressiven Ton, dann sagt man, okay, das ist Ironie,

00:04:41: das heißt, der Kunde ist eigentlich gar nicht zufrieden.

00:04:44: Sonst hätte er nur ein Netfull Language Processing,

00:04:46: dann würde er sagen tolles Produkt, er würde sagen, okay, super Customer,

00:04:49: schlag ihm doch noch das andere Produkt vor,

00:04:51: was natürlich dann das Gegenteil belegen wird.

00:04:54: Ich habe gestern eine Waschmarschlinge gehabt.

00:04:56: Danke, dass du mir heute wieder eine anbietest.

00:04:58: Ja, vielleicht sollen wir kurz über die Märkte gehen.

00:05:02: Also die Anwendung, ich finde das immer ganz illustrativ,

00:05:06: wenn wir das kurz durchgehen, was unsere Hauptadressierungen an Kunden quasi.

00:05:12: Grundsätzlich machen wir also B2B, wir arbeiten also möglichst wenig mit Endco,

00:05:17: nicht weil wir das Gegenendkunden haben.

00:05:19: Nein, weil es einfach so ein Geschäftsfeld entspricht.

00:05:21: Also und unsere Märkte sind dabei, also Call Center,

00:05:26: gibt es tatsächlich auch schon ein Produkt zusammen mit der Firma GN,

00:05:30: ja, Antillabra, es ist eher bekannte als unter der Marke Yabra,

00:05:34: gibt es ein gemeinsames Produkt für Call Center Agent*innen,

00:05:39: wo quasi das das denen hilft, die Kundeninteraktion kontrolliert dazu gestalten

00:05:45: und sich selbst auch zu monitorn und auch zum Training.

00:05:48: Dann haben wir den Gaming Bereich, wo wir Projekte haben, da geht es darum,

00:05:57: einfach believable Charakters, also nonplayable Charakters,

00:06:02: die berühmten NPCs quasi mit einem emotionalen Sensorik auszustatten

00:06:07: und auch eine Ausgabe, wir machen tatsächlich auch emotionale Synthese von Audio,

00:06:13: dass die einfach genau mehr believable werden, also natürlicher,

00:06:18: mit jemandem interagieren und damit übrigens auch intelligenter wirken.

00:06:22: Also, interessanterweise ist ja auch die Grenze zwischen Emotionen und Neleganz

00:06:25: ist weder definiert noch besonders klar.

00:06:28: Ich bin sehr davon überzeugt, dass es keine, also es gibt den Begriff der Emotionsintelligenz

00:06:34: und ich denke, dass es eine Intelligenz ohne Emotionen ist,

00:06:37: ist nicht wirklich vorstellbar.

00:06:39: Wir haben eine Zweifel ab, wo waren wir gerade Gaming, genau.

00:06:43: Dann Automotive, also zusammen mit Self-Driving Cars,

00:06:47: werden natürlich Autos, sind zunehmend auch einfach Maschinen,

00:06:50: mit denen wir interagieren und die uns Dienstleistungen bringen.

00:06:53: Wahrscheinlich auch hier in beide Richtungen, einmal, wenn jemand mit dem Auto spricht,

00:06:58: wenn er sagt, fahre mich jetzt da und dahin, Liebesauto,

00:07:01: dann ist aufzunehmen, wie die Emotionen sind vom Fahrer momentan,

00:07:04: ist jetzt gestresst im Stau, zum Beispiel muss man jetzt reagieren,

00:07:07: vielleicht Assistenzsystem anpassen und wahrscheinlich auch umgekehrt,

00:07:09: wenn jetzt das Auto mit dem Fahrer oder der Fahrerin spricht,

00:07:13: dass wahrscheinlich dann auch Emotionen aus dem Auto rauskommen.

00:07:16: Oder ist das dann mehr ein?

00:07:17: Ja, dass die sich anpasst zum Beispiel.

00:07:20: Also es gibt ja durchaus psychologische Theorien,

00:07:23: dass wir besonders gerne mit Partnern interagieren, die ähnlich sind wie wir.

00:07:28: Übrigens sollten wir uns da jetzt bei all dem, was ich jetzt anspreche,

00:07:32: nicht nur auf Emotionen im Hinterkopf haben,

00:07:34: sondern generell Sprecher in Eigenschaften, also auch so was wie Alter, Geschlecht,

00:07:39: soziale Herkunft, Dialekt, all das, also im Prinzip alles,

00:07:45: was wir als Menschen aus der Stimme auch völlig unbewusst aufnehmen,

00:07:50: was jetzt nicht direkt dem Wortsinn entspricht,

00:07:53: ist durch Maschinen natürlich modellierbar

00:07:56: und tatsächlich in der Regel sogar auf einem super jungen Level.

00:08:01: Also gemeint ist damit, dass die Maschinen natürlich nicht unfehlbar sind,

00:08:05: sondern dass, wenn man eine Menge von Menschen nimmt, die das beurteilen,

00:08:10: dann und eben die Maschine damit vergleichen,

00:08:12: dann ist die Maschine mindestens im oberen Zehntel,

00:08:14: wenn nicht sogar im übernem Zehntel, also bei 110% oder so, Erkennung.

00:08:18: Das ist jetzt was ich meine, also wenn wir, genau.

00:08:21: Dass sie richtig erkennt, also wenn wir jetzt Personen haben,

00:08:23: ruft jemand an beim Callsender, und das ist jetzt im Auto,

00:08:26: dann sagt Fahr los, dann erkennt es Auto, die Person ist jetzt 80 Jahre

00:08:30: und es ist dann so genau, dass sie das mehr besser als ein Mensch kennt.

00:08:35: Es ist gestresst, genau.

00:08:37: Es ist auch schwaben, so was.

00:08:39: Es verdient so und so viel, im Monat.

00:08:42: Naja, im Prinzip, klar, ich meine, es korreliert alles,

00:08:45: wobei man da natürlich auch fassen muss.

00:08:47: Also bei es ist übrigens auch ein sehr spannendes Feld bei uns,

00:08:50: mit dem wir uns beschäftigen Fairness und bei es in Daten.

00:08:54: Ich denke da bist du ja auch Spezialist für Data Science.

00:08:58: Aber wie funktioniert das dann Ganze auf Data Science oder auf technischer Ebene,

00:09:03: wenn wir jetzt vorher sagen wollen, ob jetzt die Person dem Auto einsteigt

00:09:08: und spricht, wie alt die ist.

00:09:10: Das heißt, wir brauchen ja Testpersonen und würde die einfach sprechen lassen

00:09:14: und dann gelabelte Daten haben.

00:09:16: Wir sagen hier, diese Personen sind im Range 20 bis 30, 30 bis 40,

00:09:22: dann wird man die Modelle trainieren

00:09:25: und mit der Hand von diesen Modellen würde dann die KI sagen, das ist ein alter

00:09:30: oder geht man dann eher auf Audio, macht wahrscheinlich noch Vorklassifizierung.

00:09:34: Genau, da spricht ihr jetzt überwachtes Lernen an.

00:09:37: Da verwenden wir natürlich das gesamte Samusurium,

00:09:40: den ganzen Zoo, den die KI da derzeit zu bieten hat.

00:09:44: Klassisch ist das, was du gerade skizziert hast.

00:09:46: Das nennt man überwachtes Lernen, das heißt, ich habe eine Trainingsmenge

00:09:49: und kann die verwenden, um irgendein Algorithmus zu trainieren

00:09:52: und dann letztendlich im Testfall zu sagen, okay, sag mir mal, zu welchem Trainingsbeispiel

00:09:56: dieses Test am besten passt und dann nehme ich das Label, was da dran ist.

00:10:00: Das ist die traditionelle Art.

00:10:02: Die Schwierigkeit war dabei mit neuronalen Netzen, die sich ja seit ungefähr 10

00:10:07: und zwischen jetzt glaube ich 15 Jahre als unschlagbar erwiesen haben.

00:10:12: Dann können wir auch gerne drauf kommen, warum das der Fall ist.

00:10:15: Dass da ursprünglich die Situation so war, dass das oft nicht funktioniert hat,

00:10:19: weil man sehr, sehr viele Trainingsmengen brauchte,

00:10:21: diese Modelle haben sehr viele, also um so gut zu funktionieren,

00:10:23: brauchen sie halt viele Parameter und um diese vielen Parameter gut trainieren zu können,

00:10:27: braucht man auch wieder Trainingsbeispiele, sonst ist das sehr schnell overfitted.

00:10:31: Also wenn ich ein sehr komplexes Modell auf eine sehr kleine Trainingsmenge loslasse,

00:10:35: dann habe ich halt genau diese Trainingsmenge kodiert, aber nichts anderes.

00:10:39: Deswegen ist das aber auch schon lange entschärft, also seit über 10 Jahren oder so,

00:10:45: gibt es also die Techniken des Representation-Learnings.

00:10:49: Das bedeutet, dass zunächst in unüberwachter Weise die, wie soll ich sagen,

00:10:56: die Natur des Sprachsignals gelernt werden kann von den neuronalen Netzen.

00:11:00: Und ich dann letztendlich für meine Anwendung nur noch eine relativ geringe Trainingsmenge brauche,

00:11:05: um jetzt zum sogenannten Feintuning, also zur Feinjustierung letztendlich das Abort.

00:11:11: Es ist dann ähnlich wie bei den Chatchi-BT-Modellen,

00:11:14: vielleicht man kann ja die vortrainierten Modelle von Chatchi-BT runterladen,

00:11:19: dann relativ einfach mit, also da ist es dann mit Vector, Intestin oder Rackmodellen,

00:11:25: eigene Daten dann trainieren und braucht dann nicht komplett alles selber trainieren,

00:11:29: sondern hat schon... - Absolut, das ist genau das, was ich vorhin gerade red.

00:11:33: Was vielleicht noch ein bisschen schwierig ist, ist rauszufinden,

00:11:37: gut vielleicht, dass zu sagen, wie die Emotionen sind,

00:11:41: weil muss es jetzt klassifizieren, ist jetzt jemand glücklich, ist jetzt jemand nicht,

00:11:44: also wenn man da auch bei dem Learning ist, muss man halt markieren,

00:11:47: das ist halt wahrscheinlich auch wieder das Labeling, dann schwierig ist.

00:11:50: ist jemand wirklich glücklich, macht da nur so, ich glaube da ist dann wahrscheinlich auch die

00:11:53: Schwierigkeit so. Was meine ich, dass ich das Techniker ist, wahrscheinlich das Trainieren,

00:11:56: weil die ganze Infrastruktur jetzt leichter, aber so das ganze Labeling, die die Norsen kommen

00:12:02: jetzt auch aufwendig vor. Sind Sie auch. Also wir beschäftigen tatsächlich, wir haben eigenes

00:12:08: Anotator in dem Team, was wir beschäftigen bei Audiring, das sind sag mal salopp Menschen aus

00:12:15: dem Volk. Wir versuchen da möglichst divers zu sein, allerdings derzeit alles in Deutschland, also

00:12:22: nur deutsche Labelren und das sind so schlappte um die 20 Menschen gibt es da drin, wechselnd und

00:12:29: die anotieren für uns quasi mechanical Turkmäßig Audiodateien und die Schwierigkeit ist schon

00:12:37: immer dabei, was man denen, also da haben wir, das ist ein wirklich sehr komplexes Feld, diese

00:12:43: Anotation, weil ihr zu überwachten Training gehört, wie du richtig gesagt hast, das ist halt

00:12:49: schwierig, die so zu trainieren, dass wirklich alle Labeler das gleiche meinen, verstanden haben,

00:12:54: was ihre Aufgabe ist und man sieht dann am Ende hat man halt das Interlabeler Agreement, was auch

00:13:00: wieder ein sehr spannendes Feld ist. Also man kann gucken, man kann versuchen sich aus den Daten

00:13:04: dann interessante Daten rauszufischen, wo das Interlabeler Agreement besonders gering ist,

00:13:09: um eben so zwischen Sachen zu finden, die vielleicht nicht gut modelliert sind. Was ist

00:13:13: das genau, das Interlabeler Agreement oder wie funktioniert das Ganze? Das ist eben, wenn wir

00:13:19: beide jetzt ein Audiodatei hören würden und wir würden gefragt, ist das jetzt fröhlich, ärgerlich

00:13:24: oder genervt oder irgendwas und dann würden wir eventuell divergieren und fahren ihn jetzt auf

00:13:29: eine Skala, also wenn das jetzt nur eins von drei Levels wäre, würden wir wahrscheinlich das gleiche

00:13:33: meinen, aber in der Regel werden die Leute nach dem Wert gefragt von 1 bis 10 oder so und was wir

00:13:40: auch gerne machen ist, dass wir Emotionsdimensionen Labeln, weil wir vorher oft nicht wissen können,

00:13:47: an welchen Emotionen unsere Kund*innen eigentlich genau interessiert sind und von daher versuchen

00:13:53: wir die Emotionen als sich, als Phänomen zu modellieren, indem wir Emotionsdimensionen

00:13:59: verwenden. Da sind am bekanntesten die drei Arousal Valence und Dominance und das macht quasi so

00:14:06: ein Emotionsraum auf, wobei Arousal beschreibt, wie stark erregt ich gerade bin, Valence,

00:14:12: wie gut ich mich gerade fühle, wie positiv ich gestimmt bin und Dominance, wie stark ich mich

00:14:17: dabei fühle. Man merkt schon, die sind nicht unabhängig voneinander, also ist jetzt nicht so

00:14:22: einfach eine Emotion zu konstruieren, die eine geringe Dominanz und eine hohe Valence hat,

00:14:25: aber ansonsten kann man da schon alle möglichen Emotionen ganz gut einordnen.

00:14:29: Aber es ist schon schwieriger, ich glaube da muss man schon noch haben, um zu Labeln,

00:14:34: also da könnte man jetzt nicht jeden ex-beliebigen nehmen, wahrscheinlich mich auch nicht.

00:14:37: Das ist ja ein festes Team, genau, also deswegen, wir achten schon darauf, dass die Leute, dass wir

00:14:42: die auch so ein bisschen schulen und es gibt Workshops dazu und das ist ein festes Team,

00:14:46: also da nehmen wir nicht jedes Mal andere Leute, sondern schon immer die selben.

00:14:50: Ja, dann kann man spannende Themen auch Labeln auch erkennen, ob jemand vielleicht an Depressionen

00:14:56: leitet, vielleicht Krankheiten, das ist auf dem Fall schon mal besprochen, also es sind wirklich

00:15:01: spannende Themen, die man mit behandeln kann. Ja, danke für das Stichwort, das ist ein

00:15:05: weiterer Anwendungsfeld, ist quasi, also Medizintechnik wäre jetzt glaube ich zu weit, wenn Well-Being und

00:15:13: Healthcare sagen wir, weil wir in der Zeit keine Medizinprodukte haben, das ist ja doch zu

00:15:17: rechten, sehr aufwendige Entwicklungsprozesse, aber wir arbeiten auch in der Richtung, wir haben

00:15:23: Studien zu Covid gemacht und derzeit sind wir am Projektantrag für Depressionen und wir haben

00:15:29: also auch schon viele, über Autismus, also wir haben viel jetzt bei EU-Projekten und bei nationalen

00:15:35: WMBF und WMBI-Projekten uns beteiligt und hoffen natürlich schon in der Zukunft auch ein Geschäft

00:15:42: daraus zu machen. Also die Anwendungsfelder sind groß, ich persönlich weiß noch nicht

00:15:47: so auf Audio, ich mal spezialisiert, aber ich glaube wenn man darüber verspricht und nachdenkt,

00:15:52: gibt es richtig, richtig viele coole Einsatzfelder und auch wo man wirklich was Positives bewirken

00:15:57: kann für die Menschheit, für die Gesellschaft, zum besseren und auch unterstützen kann. Was sind

00:16:04: so die Herausforderungen, die man hat dann bei den, bei den Audio-Projekten? Also die Hauptschwierigkeit

00:16:11: beim Maschinenlernen würde ich, also das ist allgemein, wie beim Maschinenlernen ist die

00:16:14: Generalisierbarkeit, das war es man ja auch, quasi wir haben keine allgemeine KI, sondern wir haben

00:16:20: eine speziellen, domänespezifische KI und die wollen wir eigentlich nicht, wir möchten nicht für

00:16:27: jeden Kunden immer wieder neue Modelle trainieren und neue Lösungen entwickeln, weil das einfach

00:16:31: zu aufwendig ist und oft sind unsere Lösungen auch nur ein Teil des Ganzen, also die tragen was dazu

00:16:37: bei, aber nicht der Hauptzeug der Selbstzwecks, das heißt die dürfen nicht so teuer sein und von

00:16:42: daher genau, also es ist halt herausfordernd, Modelle zu trainieren, die wirklich in jeder

00:16:49: Lage und für alle Input-Signale quasi funktionieren und da haben wir die Techniken, die alle

00:16:54: anderen natürlich auch verwenden. Was gibt es da für Möglichkeiten, also man kann das Input-Signal

00:16:58: versuchen dem Training gleich zu machen, also Speech Enhancement, Stichwort jetzt, da kooperieren

00:17:03: wird zum Teil auch mit anderen Firmen, also wir haben befreundete Firmen in unserem Umfeld,

00:17:08: mit denen wir kooperieren, die zum Beispiel jetzt auch Speech Enhancement spezialisiert sind und

00:17:12: wir testen, wie das läuft. Was kann man da machen oder kann man sich jetzt konkret untervorstellen

00:17:17: von so einem Speech Enhancement? Das ist Neues Redaktion zum Beispiel, also wir können uns vorstellen,

00:17:20: dass wir in unserer Anwendung besteht zum Beispiel darin, dass Leute auf der Straße in ihr Smartphone

00:17:25: reden und das Problem ist, dass ständig Allkaufs vorbeifahren, es kann ja in Fabrikhalle sein,

00:17:30: also dass es stark Neues gibt und um diese Signale vernünftig zu verarbeiten,

00:17:34: müssen die quasi erstmal gesäubert werden, die Sprache müsste extrahiert werden und da geht

00:17:41: auch dank neuronaler Technologie, gehen da wirklich vorrangende Sachen. Ja, also das ist eine Art,

00:17:47: dann kann man natürlich das Trainingsmaterial, das nennt man Augmentierung, also wir fügen

00:17:53: extra dem Trainingsmaterial Rauschen hinzu, weil das Ziel ist ja immer Test und Training

00:17:59: wirklich gleich zu haben, das ist also Augmentation. Dann ganz neues Feld durch die generative KI,

00:18:05: was wir natürlich auch machen, wir synthetisieren uns Trainingsmaterial, in dem Fall also wir sind

00:18:11: jetzt keine ausgesprochene Sprachsynthese Firma, aber wir arbeiten auch mit Sprachsynthese in

00:18:16: Technologien zum Teil um uns eben auch Training zu besorgen, zum Teil aber auch ums natürlich

00:18:21: den Kunden dann als Gesandpaket anzubieten, also dass wir quasi der Sprachanbieter dann sind.

00:18:26: Auch sehr spannendes Feld, um Daten zu generieren. Wir kommen auch immer mehr, ich denke auch von

00:18:32: anderen Projekten ist einfach die Label oder Datenmenge ist einfach ein kritisches Feld,

00:18:37: ist auch wichtig für ein Algorithmus und auch mit Generei kann man da sehr gute Daten schon

00:18:42: schon generieren für das Training auch Kosten zu sparen. Genau. Ja, sehr spannende Team, ich glaube,

00:18:50: wir haben es auch einiges gelernt, auch nicht nochmal mit Interlabeling Agreement, ich denke auch

00:18:55: technisch ist es wahrscheinlich ähnlich wie die meisten, allerdings ist es dann wieder das

00:19:00: Domainwissen am Anfang, Labeling, Daten, wie hält man die Audio-Dateien, wie kann man das

00:19:05: Ganze angehen, wahrscheinlich auch Speech Enhancement vielleicht dazu noch, ich denke,

00:19:09: darf natürlich auch nicht zu viel weggenommen werden, wenn es die Speech Enhancement zu

00:19:12: viel Neues wegnimmt oder vielleicht noch Informationen von der Audiospur dann entfernen,

00:19:17: dann kann man nicht mehr erkennen, ob er ein Fröhliches oder vielleicht traurig ist. Also die

00:19:22: ganze Kette am Anfang ist wahrscheinlich dann der Knackpunkt sozusagen, um daran zu kommen.

00:19:27: So weit, ich war es sehr spannend. Hast du zum Abschluss noch ein bis drei Tipps,

00:19:34: die du andere mitgeben würdest, die vielleicht mit Machine Learning Umfeld, AI-Umfeld oder auch

00:19:40: Data Science-Umfeld arbeiten? Ja, also mein Tipp wäre auf jeden Fall oder mein Hinweis,

00:19:47: vielleicht, dass wir in wirklich sehr spannenden Zeiten leben, die es eigentlich auch sehr leicht

00:19:52: machen, einfach durchs Internet. Und der Tipp ist eigentlich, was dahinter steht, selber machen.

00:19:59: Dass das ging halt früher nicht, weil man doch vielleicht erst mal zwei Semester studieren musste

00:20:03: und irgendwie alle Milch-Essorfter kaufen musste, also ein sehr hoher Aufwand, um selber Experimente

00:20:07: zu machen. Das ist inzwischen da ein vieler Plattform, wie ich sage jetzt mal Google-Collab,

00:20:13: zum Beispiel als Beispiel wirklich sehr viel niedrigschwelliger geworden und einfacher. Es gibt

00:20:18: diese hervorragenden Mediums, zum Beispiel Artikel, als ich würde es nicht verwerben machen für

00:20:22: irgendwer, ja niemand bezahlt mich hier. Aber ich denke, die höhereinnen wissen alle, was ich meine,

00:20:27: sage ich auch mal, studieren. Denn immer bitte versuchst selbstständig zu sein, Google die Sachen,

00:20:33: ja oder sucht die Sachen irgendwie und es gibt so viele Möglichkeiten. Ja, meine Heise,

00:20:39: Chatchibitie, nicht mal Googling. Chatchibitie ist okay, das war's auch immer. Versuch keine

00:20:47: Halluzination zu kriegen, aber sonst macht gerne das. Auf jeden Fall, aber eben nicht nur das,

00:20:51: das ist eben, das wäre natürlich zu einfach, ja, sondern mach's selber. Programmiere selber. Ich

00:20:57: habe ja zum Beispiel in das Software geschrieben, ich kurz Werbung machen darf, Kululeko, die genau

00:21:02: dafür ist, dass Menschen Maschinen lernen, also sprachbasierte Maschinen lernen, Experimente

00:21:08: durchführen können und Analysen ohne programmieren zu können. Die ist natürlich Python, also der

00:21:12: andere Hinweis von mir wäre, dass ich übrigens lernen kann Python im Maschinenlandumfeld ist,

00:21:17: das umgänglich und das ist auch ein großer Spaß. Mir hat das Spaß gemacht, ich habe es auch erst

00:21:22: vor fünf Jahren gelernt, ich bin eigentlich kommen aus der Java-Welt, aber habe mich wirklich seit

00:21:26: fünf Jahren erst habe ich angefangen sowohl mit neuronalen Netzen als auch mit Python und

00:21:30: das ist also alles machbar. Ich bin jetzt jetzt kein Asterin logischerweise, aber es ist sehr gut

00:21:36: zu benutzen und es macht viel Spaß und also nimmt die Chance und ja und geht damit an die

00:21:41: Öffentlichkeit. Beteiligt euch bei GitHub, veröffentlicht eure Projekte, geht zu Kegel,

00:21:45: macht Challenges mit, das ist wirklich auch eine sehr nette und angenehme Community,

00:21:50: spricht Englisch, um die ist international zu sein, also das wäre so meine Hinweise.

00:21:55: Ja, sehr schön. Auch das selber machen, ich bin immer wieder überrascht, dass das so

00:22:00: viele Tipps gibt, wir haben jetzt schon einige Episoden, aber es kommen immer wieder neue Tipps

00:22:04: am Ende auch selber machen, ganz wichtig. Ganz am Anfang, einen noch,

00:22:09: wie ich sehr empfehle, ist Andrew Ng, den berühmte ich sehr hoffentlich bekannt,

00:22:14: also Andrew und ein NG geschrieben, also der Guru quasi, letztendlich neuronalen Netze,

00:22:22: nicht als Entwickler, aber vor allen Dingen als Pädagoge, als didaktisches,

00:22:26: der ist wirklich viel von dem anschauen und seinen Spirit mitnehmen. Auch da noch ein super

00:22:31: Tipp, auch mit dem Link, können wir gerne noch einstellen dann von deinem Projekt,

00:22:36: was du schon gesagt hast. Da freu ich mich ja gerne. Da kannst du dich jeder noch anschauen,

00:22:40: braucht nicht zurückspulen und selber googeln, dann findet es auch jeder gleich. Okay,

00:22:45: dann vielen Dank, ich denke, spannende Einsichten für im Bereich Audio, das hat mir bisher noch

00:22:51: nicht, es gibt Ähnlichkeiten zu anderen Bereichen, glaube ich, denke ich, vom Data Science Bereich

00:22:55: Umfeld öfters einheitlich sind, allerdings dann auch wieder das Domain spezifische Wissen,

00:23:00: was man sich dann aufarbeiten muss, aber die Anwendungsfälle, denke ich, da steht das ganze

00:23:04: Audio Signal momentan noch weit hinten dran oder noch so ein bisschen unsichtbar, im Vergleich

00:23:09: jetzt so NLP, LMMs, was in aller Munde sind, dann kann man sich vielleicht auch ein bisschen,

00:23:15: wenn jemand möchte, in, auf Audio vielleicht fokussieren. Genau, wobei ich denke, viele benutzen

00:23:21: es schon unwusst, indem sie mit ihrem Smartphone sprechen und quasi Google oder Apple oder Amazon

00:23:26: ihre Daten geben. Bestimmt. Okay. Dann vielen Dank Felix, da habe ich sehr gefreut. Mich auch,

00:23:34: vielen Dank René und schönen Tag noch. Schönen Tag auch an die Hörer.

00:23:38: Ciao.