Machine Learning Espresso Zubereitung

Diskutiere Machine Learning Espresso Zubereitung im Grundsätzliches Forum im Bereich Fragen und Tipps; Hallo zusammen, ich bin schon lange Mitglied/Leser dieses Forums und noch viel länger passionierter Espresso Trinker:) Von Beruf bin ich...

?

Bietet eine solche Softwarelösung einen Mehrwert?

  1. Ja

    6 Stimme(n)
    28,6%
  2. Leider nein

    15 Stimme(n)
    71,4%
  1. #1 Observable, 27.04.2020
    Observable

    Observable Mitglied

    Dabei seit:
    29.07.2011
    Beiträge:
    38
    Zustimmungen:
    15
    Hallo zusammen,

    ich bin schon lange Mitglied/Leser dieses Forums und noch viel länger passionierter Espresso Trinker:) Von Beruf bin ich promovierter Maschinenbauingenieur der Fachrichtung Produktionstechnik und leite unter anderem Softwareprojekte zur Automatisierung von komplexeren Montageanlagen in der Luftfahrtindustrie.

    Nach einer längeren arbeitsintensiven Nacht mit vielen Espressi kam mir eine Idee, welche unser Zubereitungsprocedere von Espresso vereinfachen könnte;). Diese würde ich gerne mit Euch diskutieren, ob so eine Lösung Sinn ergeben kann und ob auch jemand Lust hat an dieser Lösung mitzuentwickeln.

    Aktuell ist das "Problem" folgendes: Wir alle haben aufgrund unterschiedlicher Präferenzen/Budgets/Vorlieben unterschiedliche Mühlen und Siebträgermaschinen zu Hause oder im Büro stehen. Die Einstellung und Kontrolle der einzelnen Parameter wie Temperatur, Mahlgrad, Bezugszeit variiert deshalb stark. Beim Wechsel der Bohnen stellen wir unsere Maschinen aufgrund von Erfahrung und Iteration ein und regulieren über die Tage hinweg immer entsprechend nach, um die optimale Extraktion/den optimalen Espresso zu ziehen.

    So fällt es beispielsweise mir manchmal schwer, die Parameter zu finden ohne zunächst mehrere Espressi wegzukippen.

    Die Lösung: Was wäre, wenn wir eine Software hätten, die uns für unserer individuelles Maschinensetup und unsere Bohnen die nahezu optimalen Parameter vorhersagt. Diese stellen wir dann ein und genießen guten Espresso ohne etwas wegkippen zu müssen. Die Lösung basiert auf Machine Learning Algorithmen und einem großen Datensatz, welcher zunächst von den ersten Nutzern der Software mittels Versuchen aufgebaut wird.

    Die Software könnte dann um eine Bewertungsfunktionalität von Bohnen erweitert werden, die Nutzern dann passende Bohnen zum individuellen Profil vorschlägt (ist ja mittlerweile schon etabliert, siehe Vivino & Co).

    Mich würde interessieren, was ihr davon haltet (ist es wirklich ein Nutzen für uns oder eher Spielerei, was könnte man ergänzen?) oder ob ihr schon von ähnlichen Projekten gehört habt.

    Vielleicht hat zudem jemand von Euch Lust, dies mit mir umzusetzen?
     
    Technokrat und thomaskoch gefällt das.
  2. #2 Observable, 27.04.2020
    Observable

    Observable Mitglied

    Dabei seit:
    29.07.2011
    Beiträge:
    38
    Zustimmungen:
    15
    1. Ziel
    Normierung der Kaffeemühlen/Espressomaschinen, um bestmöglichen Geschmack zu erzielen. Hierzu wird das persönliche Setup des Nutzer kalibriert, um diesem dann Einstellempfehlungen für sein Setup und seinen aktuellen Kaffee vorzugeben.

    2. Funktionen
    • Datenbank:
      • Espressomaschinen
        • Hersteller
        • Maschinenbezeichnung
        • Typ (Dualboiler, etc.)
        • Eingesetztes Sieb
      • Kaffeemühlen
        • Hersteller
        • Maschinenbezeichnung
        • Produktionsdatum
        • Kaffeemühlenskala zum freien Download als pdf
      • Kaffeewaage
        • Hersteller
        • Typ
      • Kaffee
        • Röster
        • Kaffeebezeichnung
        • Rohkaffee
        • Tastingprofil
        • Bewertung
        • Wo zu kaufen (affiliate link? Schlecht für kleine Röstereien ohne Marketingbudget, eher nicht. Wie sonst laufende Kosten deckeln?)
        • Einstellparameter einfach und doppelt (von Rösterei empfohlen, von Nutzern empfohlen)
          • Gewicht Mahlgut
          • Gewicht Espresso
          • Bezugszeit
          • Bezugstemperatur
          • Druckprofil (optional in 5 Stufen über Bezugszeit)
      • Nutzer
        • Espressomaschine
          • Zusätzlich Produktionsdatum/Charge
          • Letzter Wartungszeitpunkt (plus vom Hersteller empfohlener nächster Wartungszeitpunkt)
          • Eingestellter Druck
        • Kaffeemühle
          • Zusätzlich Produktionsdatum/Charge
          • Zeitpunkt letzte Kalibration des Schleifpunkts
          • Schleifpunkt (bspw. bei Eureka Mignon Wert "3,2")
        • Kaffee
          • Bohnenhistorie
            • Auflistung aller getrunkener Sorten
            • Bewertung der Bohnen
          • Aktuell im Hopper
            • Wann geöffnet
            • Röstdatum
            • Persönliche Bewertung
            • Individuelle Einstellparameter über der Zeit der offenen Bohnen
          • Empfehlung ähnliche Bohnen/andere Nutzer tranken auch
            • Link zu Rösterwebshop (affiliate Link)
        • Wasser
          • Leitungswasser oder Flaschenwasser
            • Leitungswasser:
              • Wasserhärte eingeben
              • Wasserfilter im Einsatz? Wenn ja welchen
            • Flaschenwasser:
              • Welches (Volvic, etc.)
        • Seit wann dabei
        • Wie viele Bewertungen/Parameterempfehlungen abgegeben
      • BigData Umrechnung zur Mahlgradvorgabe
        • Aus Gewicht Mahlgut und des Espressos sowie der Zielbezugszeit ergibt sich Mahlgradeinstellung
          • Dies variiert mit der Maschine, Mühle und individuellen Kaffeeparametern
        • Machine Learning berechnet Optimum aus bisherigem Datensatz
    3. Workflow/Nutzer UI
    • Neuer Nutzer:
      • Espressomaschine eingeben
      • Kaffeemühle eingeben
      • Kaffeewaage eingeben
      • Kalibration
        • Kaffeebohnen eingeben, wann geöffnet, Röstdatum
        • Einstellung Temperatur an Maschine (wenn vorhanden)
        • Druckeinstellung (Blindsieb einspannen, dann Expansionsventil verstellen)
        • Schleifpunkt Mühle einstellen
        • Schablone aufkleben (360° Skala), Nullpunkt markieren mit Pfeil
        • 18g Kaffee mahlen bei 45°, 90°, 135°, 180°, 225°, 270°, 315°, 360°, …
        • Jeweils Zeit nehmen
        • Tasse Gewicht Tara
        • Einspannen in Espressomaschine, nach 10s, dann nach 25s Gewicht in Tasse messen
        • Temperaturmessung Espressomaschine: Einstellung PID (offsets aus Versuchsmessungen von Nutzern)
    • Benachrichtigungen
      • Nach X Tagen, dass beispielsweise Mühle nachgestellt werden muss
      • Nach X Tagen, ob Benutzer Parameter geändert hat, dann soll er diesen bitte nachpflegen
      • Nach X Tagen, dass Kalibration erneut durchgeführt werden sollte
    4. Machine Learning / Mahlgradalgorithmen
    Die Parameter Mahlgrad wird durch Versuchsreihe vorgegeben.

    Wenn anderer Nutzer mit anderem Setup aber gleicher Bohne Versuchsreihe durchführt, können Quervergleiche gezogen werden. Mahlgrad wird mittels Machine Learning gemappt und beide Nutzer erweitern ihr Bohnenspektrum ohne erneut Versuchsreihe durchführen zu müssen.
     
    Technokrat gefällt das.
  3. #3 cbr-ps, 27.04.2020
    Zuletzt bearbeitet: 27.04.2020
    cbr-ps

    cbr-ps Mitglied

    Dabei seit:
    08.08.2015
    Beiträge:
    16.820
    Zustimmungen:
    17.377
    Ist sicher grundsätzlich denkbar, auch wenn sehr viele Parameter wie z.B. auch Alter der Röstung, wie lange ist die Tüte schon offen, wie wird sie gelagert, Luftfeuchtigkeit, Temperatur, Verschleissgrad der Mahlscheiben,... und natürlich auch geschmackliche Präferenzen zu beachten sind. Technisch lösbar, aber die Datendefinition und -erhebung ist alles andere als trivial.

    Mein Fall wäre das selbst wenn es funktioniert nicht, für mich ist die Abstimmung Teil des Rituals, eine perfekte Maschine will ich für das Hobby nicht.
     
    Brew Springsteen, Technokrat, Silas und 2 anderen gefällt das.
  4. Schoki

    Schoki Mitglied

    Dabei seit:
    17.10.2019
    Beiträge:
    686
    Zustimmungen:
    797
    Ich bin jetzt in dem Bereich nicht ganz unversiert und bezweifle, dass du da genug Daten sammeln kannst, um sinnvolle Empfehlungen zu geben, die über bloßes Raten hinausgehen. Der entscheidende Parameter, der optimale Mahlgrad, ist viel zu individuell und wird im Endeffekt nur so angepasst, dass eine gewisse Brew Ratio in einem gewissen Zeitfenster bei einer gewissen Temperatur erzielt wird.

    Das einzige was ich mir realistisch vorstellen kann, wäre ein Recommender System nach dem Prinzip "Kaffeetrinker, die diese Bohne mochten, mögen auch: ..." und zusätzlich vielleicht noch ein empfohlenes Brührezept (In, Out, Temperatur, Zeit).
     
    unknown-artist, Technokrat, Silas und einer weiteren Person gefällt das.
  5. #5 Observable, 27.04.2020
    Observable

    Observable Mitglied

    Dabei seit:
    29.07.2011
    Beiträge:
    38
    Zustimmungen:
    15
    Dank für Eurer schnelles Feedback!

    Für mich macht es genauso Spaß die richtigen Parameter zu identifizieren. Ich finde es hingegen aber richtig gut, dass manche Röster wie bspw. Quijote oder public coffee roaster allgemeine Parameter vorgeben (Temperatur, Mahlgutmenge und Espressomenge, sowie Bezugszeit) und orientiere mich daran.

    Bei der technischen Umsetzung bin ich mir auch unsicher bezüglich des Ergebnisses, weiß aber aus Projekten aus dem Maschinenbau was mit Machine Learning möglich ist. Das recommender system finde ich spannend, weiß aber nicht ob es reicht und man hiermit Nutzerreichweite und Nutzen für die User schafft.
     
    Technokrat und 00nix gefällt das.
  6. cbr-ps

    cbr-ps Mitglied

    Dabei seit:
    08.08.2015
    Beiträge:
    16.820
    Zustimmungen:
    17.377
    Das steht und fällt halt mit der sinnvollen Auswahl an Parametern, Qualität und Umfang der Basisdaten. Die technische Auswertung sollte mit KI vergleichsweise simpel sein. Was Du letztlich nicht maschinell auswerten und regeln kannst ist das Geschmackserlebnis um das es neben der Zeremonie, die viel ebenfalls schätzen, letztlich geht. Hier brauchst Du möglichst qualifizierten Input als einer der Regelgrößen vom User und das insbesondere von unbedarften Usern, die so einen Automaten am ehesten schätzen dürften, in hinreichender Qualität zu bekommen halte ich für schwierig.

    Nutzerreichweite: Da fehlt mir die Fantasie. Ich denke am Ehesten wäre ein Szenario denkbar, wo hinreichend viele erfahrene User den Input liefern und die „Technik interessiert mich nicht, will nur leckeren Kaffee“ Fraktion die Nutzniesser sind.
    Die Frage ist was die Motivation der ersten Gruppe sein sollte da mitzumachen, ob es überhaupt hinreichend viele gibt, um eine ausreichend große Kombination aus Bohnen, Maschinen, Mühlen und Geschmackserwartung in beliebiger Kombination zu erreichen und ob bei denen, die sich dazu berufen fühlen, hinreichend Qualifikation zur standardisierten Beschreibung vorhanden ist. Basierend auf die Diskussionen hier im KN habe ich da meine Zweifel.
    Der Unterschied zum Maschinenbau mit i.d.R. klar messbaren Ergebnisparametern kommt hier Emotion und Geschmack hinzu, das macht es ungleich komplexer.
    Man könnte es ganz clean mit Refraktometer Messungen versuchen, aber das fürchte ich wäre zu eindimensional.
     
    Technokrat, quick-lu, ok592 und einer weiteren Person gefällt das.
  7. Schoki

    Schoki Mitglied

    Dabei seit:
    17.10.2019
    Beiträge:
    686
    Zustimmungen:
    797
    Nicht nur das, es kommen auch wichtige Parameter hinzu, die der durchschnittliche Nutzer gar nicht messen kann, die aber für eine sinnvolle Vorhersage unabdingbar sind. Luftfeuchtigkeit, Alignment der Mahlscheiben, Verteilung des Kaffeemehls im SIeb, individuelle Tampingtechnik, ...
     
    Technokrat, Silas, ok592 und einer weiteren Person gefällt das.
  8. #8 benötigt, 27.04.2020
    benötigt

    benötigt Mitglied

    Dabei seit:
    02.10.2019
    Beiträge:
    2.667
    Zustimmungen:
    1.874
    Deine Idee ist nachvollziehbar und der dahintersteckende Wunsch verständlich.

    Allerdings hat Deine Idee leider mehrere fundamentale Denkfehler.

    Für Machine Learning müsstest Du eine grosse, unabhängige Menge definierter Daten aus den Maschinen abziehen. Nicht von den Nuttzern. Der Begriff und das Prinzip des Machine Learniung kann also auf Deinen Vorschlag gar keine Anwendung finden. Um dies zu können, würde das Vorhandensein von etlichen Sensoren in den Maschinen voraussetzen, was heute einfach überhaupt nicht gegeben ist. Du brauchst ja wirklich alles von Wasseranalyse, Luftdruck, Flussgeschwindigkeiten, Verkalkungsgrad, Siebweiten, Kaffeesorten, Mahlgrad, usw., usw. Auch würde ich bezweifeln, dass es z.B. Sensoren für das Bohnenalter oder den Frischegrad des Wassers im Tank gibt. Da ist einfach gar nicht möglich. Ebenso ist nicht denkbar, dass eine grosse Menge Nutzer bereit wären, diese Sensoren alle an ihren Maschinen nachzurüsten. Ganz simpel gesagt: Ohne vollständige Sensoren und automatisierte Datensammlung kein Machine Learning.

    Espressogenuss ist ausserdem eine höchst individuelle Angelegenheit. Was dem einen noch geniessbar vorkommt, erzeugt bei enem anderen schon Brechreiz. Mit dem individuellen Geschmackssinn hast Du eine absolut nicht maschinell auswertbare Komponente, die Deine Vorstellungen ad absurdum führt.
    Ganz, ganz theoretisch könntest Du, unter der Bedingung des Vorhandenseins aller Sensoren in den Maschinen, eine automatisierte Refraktometerauswertung aller Bezüge fahren, um ein völlig neutrales ud auswertbares Ergebnis zu erhalten. Dies halte ich technisch für schlichtweg nicht erreichbar. Bedenke auch, dass durch derartige Analysen das geschmackliche Ergebnis auch wieder anders wird. Und selbst im unwahrscheinlichen Fall, dass es einen Weg gibt, alles (inkl. Refraktometer) automatisiert zu erledigen, wirst Du jedenfalls keine verlässlichen Vorhersagen über das Geschmacksergebnis machen können.

    Ich bin mir also nicht ganz im Klaren darüber, wie Du mit Deinem beruflichen Wissen diese unerfüllbaren Grudvoraussetzungen übersehen kannst.

    Was Du nach Deiner Beschreibung eher anstrebst, ist also eine Art Wissensdatenbank, in der Nutzer ziemlich viele Angaben auf freiwilliger Basis versammeln würden. Deine Liste ist lang... da werden nicht viele Enthusiasten mitmachen. Denn es kommt noch ein ganz anderer individueller Aspekt hinzu: Siebträger sind eigentlich langfristige ANschaffungern. Natürlich muss man sich einarbeiten. Aber das ist ja die Freude am Spielzeug. Das ist eben der Zweck eines Hobbhy, Rumexperiementieren, Trial-and-Error. Und dann haben die Nutzer das Gerät für viele Jahre und also einen langen Zeitraum, in dem sie kein Interesse an den Voreinstellungen haben. Und die Liebhaber wechseln dann die Geräte genau wieder aus dem einen Grund: Um was Neues zum Spielen zu haben. Ich wage zu behaupten, dass die wenigsten einfsch -zack- fertig ein optimmales Ergebnis haben wollen.

    Insonfern hoffe ich, Du kannst meine Skepsis nachvollziehen, dass auch eine manuell befüllte Datenbank vermutlich nicht so viele Freunde findet. Auf einen Punkt gehe ich dabei gar nicht ein, der aber sicher auch irgendwann aufgeworfen wird: Datensicherheit.
     
    ok592 gefällt das.
  9. ok592

    ok592 Mitglied

    Dabei seit:
    19.01.2020
    Beiträge:
    136
    Zustimmungen:
    120
    Sehr spannende Diskussion. Ich komme aus dem Software-Engineering und bin geneigt der geäußerten Kritik an der Vorgehensweise zuzustimmen. Was ich aber ganz sicher glaube, ist dass wir in den kommenden Jahren Lösungen einzelner Hersteller wie Decent Espresso sehen werden die sich grob in diese Richtung orientieren. Deren Maschinen wären standardisiert und aufgrund ihrer hochtechnisierten Komponenten beinahe prädestiniert für solche Entwicklungen. Insofern finde ich die Idee persönlich sehr spannend, den konkreten Umsetzungsvorschlag jedoch halte ich ebenfalls für unmachbar.
     
    zarmomin, Technokrat, 00nix und 2 anderen gefällt das.
  10. #10 Sebastiano, 27.04.2020
    Zuletzt bearbeitet: 27.04.2020
    Sebastiano

    Sebastiano Mitglied

    Dabei seit:
    03.12.2002
    Beiträge:
    3.094
    Zustimmungen:
    2.692
    Vielleicht ein nicht ganz unwesentlicher Punkt, der (Deiner programmatischen Logik folgend) eventuell in Deine Feature-Liste integriert werden könnte:
    • Nach X Tagen, dass die Kalibration der eigenen kognitiven Fähigkeiten erneut durchgeführt werden sollte
    • Nach X Tagen, eine Verbindung zu Google herstellen um abzufragen, was 'google-logisch' als nächstes zu tun sei
      denn dadurch, dass einige Gehirnareale immer weniger angesprochen und gefordert werden, können sich nicht nur die neuronalen Netze des Nervensystems 'umbauen', sondern damit auch das, was Menschen als logisch und folgerichtig empfinden
    Indes – bei kontinuierlicher Schulung/Nutzung der eigenen kognitiven Fähigkeiten ist allerdings nicht auszuschließen, dass Dein kompletter Gedankengang sich als 'pretty überflüssig' herausstellt, ja sogar schädlich wirken kann – denn in Deinem Gedankenspiel definierst Du den ambitionierten Home-Barista nicht als aktiven, selbstbestimmenden Part mit. 'Spaß am Gerät' .sondern verweigerst ihm jegliches durch eigenes Tun erzielbare Erfolgserlebnis, sowie Lernerfolge und degradierst ihn lediglich zum 'Bediener' in einer Art von Vollautomaten- oder trefflicher: 'Thermomix-Logik'.

    Triple-Plus… ;)

    Alles andere gibt es doch längst in Form des Nespresso-Systems, Barcode-Kapseln oder ähnlichen Konzepten mit 'eingebauten, Barcode-lesbaren Norm-Ergebnissen'.
    Decent-Espresso wurde genannt – geht aber wesentlich über den hier von @Observable angedachten Ansatz hinaus. Machinelearning auf Naturprodukte geschweige denn auf individuelle geschmacks- oder tages- und situationsabhängige Lust & Laune auch nur entfernt anzudenken ist mit den 'alten Hirnen 1.0', die noch selbst entscheiden und Erfahrungen sammeln wollen und ihre kognitiven Fähigkeiten 'wach' halten nicht machbar, geschweige denn wünschenswert… ;)
    Insofern ist meine Antwort nicht 'Leider nein' sondern: NEIN.

    Ein überaus komplexes Thema mit weitreichenden Schlussfolgerungen – die ich hier leider mangels Zeitbudget nicht umfassend beleuchten kann.

    Nichts für ungut…

    Nachtrag – Lese-Empfehlung:
    Mein Wein: Das Plädoyer gegen den globalen Einheitswein
    In Auszügen, zwei, drei Absätze lesen – bei google-books zu finden:
    Roboterzunge

    Gruß, Sebastiano
    .
     
    ok592 gefällt das.
  11. #11 Observable, 27.04.2020
    Observable

    Observable Mitglied

    Dabei seit:
    29.07.2011
    Beiträge:
    38
    Zustimmungen:
    15
    Super, erneut danke für Euer ehrliches Feedback!

    @benötigt : Die Daten über Sensorik automatisiert aufzunehmen, ist sicherlich der beste Weg, allerdings würde dies wie beschrieben für die User eine hohe Einstiegshürde mit monetärem Mehraufwand bedeuten. Zusätzlich wird dann auch mechanisches und elektrisches Verständnis vorausgesetzt, um die Sensorik in bestehende Hardware zu integrieren, was die Menge an Usern und damit die Menge an Daten drastisch reduziert. Deshalb die Idee, dass die User die Parameter (wie Zeit, Mahlgutgewicht, ...) manuell in die Datenbank über eine App eingeben. Natürlich werden die Daten dadurch ungenauer, da die Nutzer selbst unter detaillierter Anleitung Fehler machen oder bestimmte Parameter anders interpretieren und einpflegen. Auf dieser Datenbank werden dann die Algorithmen angewendet. Das Ergebnis: ich kann nicht vorhersagen wie hoch die Schwankungsbreite sein wird und ob das Ergebnis dann noch ausreicht.

    Decent Espresso ist mir natürlich ein Begriff. Allerdings ist hier, wie bei anderen High-End Maschinen auch, das Ziel möglichst viele Parameter einzustellen, zu überwachen und zu reproduzieren. Allerdings ist die Einstellung in der Verantwortung des Users.

    Durch eine Wissensdatenbank (ich greife den Begriff mal auf) mit mathematischem Modell on top könnte eventuell für Anfänger oder unerfahrene Langzeitnutzer wie mich ein Plus bringen. Gerade bei Kaffeebohnen, bei denen keine Parameter vom Röster veröffentlicht werden. Ähnlich wie bei uns im Forumsbereich: "Ich trinke gerade..." bei dem auch Parameter von Usern gepostet werden.
     
    Technokrat, 00nix und ok592 gefällt das.
  12. #12 benötigt, 27.04.2020
    benötigt

    benötigt Mitglied

    Dabei seit:
    02.10.2019
    Beiträge:
    2.667
    Zustimmungen:
    1.874
    Schau auch mal nach der App "Beanconqueror". Im Prinzip sammelt der User dort relevante Informationen für sich selber. Ein Teilen oder Auswerten ist nicht vorgesehen. Das ist in der Struktur nicht so komplex, wie bei Deiner Idee, aber zeigt das Prinzip.
    Das hebt aber auch noch nicht meine sonstigen Vorbehalte auf, weil Machine Learning damit ebenfalls nicht gehen wird, nur die Ermittlung von Durchschnittswerten, sollten mehrere User Informationen teilen wollen.

    Wie hilfreich die Auswertungen dann sind, wäre noch ein anderes Thema. Denn z.b. bei der von mir verwendeten Niche Zero kann der Nutzer selbst kalibrieren. Mein Wert sagt nichts über den exakt gleichen Zahlenwert eines anderen Nutzers.

    Ebenso gibt es andere Faktoren, die die Reproduzierbarkeit erschweren. Selbst gleiche Maschinentypen können unterschiedliche Komponenten verbaut haben. Zwei Besitzer werden nicht zwangsläufig exakt das Gleiche einstellen und erreichen können.

    Zu viele Variablen machen die Idee komplex...
     
    ok592 gefällt das.
  13. Schoki

    Schoki Mitglied

    Dabei seit:
    17.10.2019
    Beiträge:
    686
    Zustimmungen:
    797
    Machine Learning geht immer, die Frage ist nur, wie hilfreich das Ergebnis ist :D
     
    ok592 gefällt das.
  14. #14 Observable, 28.04.2020
    Observable

    Observable Mitglied

    Dabei seit:
    29.07.2011
    Beiträge:
    38
    Zustimmungen:
    15
    Ich danke Euch für Eure Zeit, ich werde die Idee wohl erstmal nicht weiterverfolgen, sondern mehr Espresso trinken :)
     
    Cyclebarista, eviltwin, Sebastiano und 2 anderen gefällt das.
  15. #15 eviltwin, 28.04.2020
    eviltwin

    eviltwin Mitglied

    Dabei seit:
    10.02.2020
    Beiträge:
    349
    Zustimmungen:
    140
    Vielleicht kommt dabei ja eine neue Idee :)
     
    Cappu_Tom gefällt das.
  16. Silas

    Silas Mitglied

    Dabei seit:
    07.10.2019
    Beiträge:
    811
    Zustimmungen:
    772
    Äh, maschinelles Lernen heißt so, weil eine Maschine (ein Computer) aus Daten lernt. Wo diese Daten herkommen, ist dabei unerheblich. Die können von Sensoren stammen, aus Berechnungen, aber natürlich auch von Nutzern eingegeben worden sein.

    Unabhängig davon teile ich die hier von vielen, insb. @Schoki und @cbr-ps, geäußerte Skepsis bzgl. Mehrwert und praktischer Umsetzbarkeit der Idee.
     
    unknown-artist, Cappu_Tom und cbr-ps gefällt das.
  17. #17 benötigt, 28.04.2020
    benötigt

    benötigt Mitglied

    Dabei seit:
    02.10.2019
    Beiträge:
    2.667
    Zustimmungen:
    1.874
    :) :) :)

    Na dann viel Spass dabei, die für eine automatische Anwendung von Algorithmen erforderlichen Big Data Quellen durch manuelle User Eingaben in strukturierter, nachvollziehbarer, vereinheitlichter, unvoreingenommener, transparenter und kontinuierlicher Weise zu erhalten. Weil das "natürlich" so gut möglich ist, gibt es dafür auch entsprechend unendlich viele praktische Anwendungsfälle. Aus dem mannigfaltigen Vorkommen in der Literatur wären ein paar exemplarische Beispiele mal interessant...
     
  18. Schoki

    Schoki Mitglied

    Dabei seit:
    17.10.2019
    Beiträge:
    686
    Zustimmungen:
    797
    Die Erfassung ist nicht das Problem. Man gibt das vor, was man gerne hätte (Dosis, Gewicht in der Tasse, ...) und der Nutzer gibt dann die entsprechenden Werte ein. Wenn man ausreichend Daten sammeln kann, dann kann man damit absolut was anfangen (und das muss nicht Größenordnung Big Data sein). Natürlich muss man dann noch ein bisschen filtern, aber das muss man bei jedem Datensatz. Eine gewisse Ungenauigkeit ("noise" quasi) wird es ebenfalls geben, das ist aber in der Praxis normal. Ob die Parameter, die man als Nutzer ermitteln kann, ausreichen? Vielleicht, sowas weiß man vorher meist nicht genau. Ob es genug Freiwillige geben wird, die ohne sofortige Vorteile die entsprechenden Daten sammeln würden? Vermutlich nicht.

    Und ein paar Beispiele für ML-Anwendungen mit "menschlich generierten" Daten, die mir spontan einfallen: Handschrifterkennung, Spracherkennung, Gestenerkennung. Google dürfte auch zahlreiche Modelle haben, die mit Userdaten gefüttert werden.
     
    Silas gefällt das.
  19. #19 benötigt, 29.04.2020
    benötigt

    benötigt Mitglied

    Dabei seit:
    02.10.2019
    Beiträge:
    2.667
    Zustimmungen:
    1.874
    Sorry, was Du beschreibst sind Anwendungsfälle von atomatisierten Auswertungen, die durch ursprünglich menschliche Intervention gelernt haben. Da findet kein Machine Learnung statt, sondern der Abgleich mit einer beliebig grossen Datenbank.

    Das ist nicht das Gleiche, wie ein manuelles Erfassen von Daten beim ML. Der Verweis ist nicht präzise gewählt.

    Ganz konkret: Du musst ein Gesicht aktiv in einer Datenbank ablegen, damit es hinterher z.b. für eine Zutrittskontrolle wieder abgerufen und abgeglichen werden kann.
    Bei der Spracherkennung müssen Variationen eines Begriffes vor der Anwendung erlernt werden, um eine hohe Erkennungsrate zu erreichen. Auch neue Worten müssen hinzugefügt werden und werden nicht maschinell erlernt ("Entschuldigung, ich kann sie nicht verstehen."). Aber das ist einfach nicht ML. Bestenfalls kannst Du das "Machine Teaching" nennen, weil ein Bediener richtig und falsch verifiziert. Nur um das zu untermauern: Vor Kurzem ging ein Aufschrei durch die Lande, weil Amazon Mitarbeiter über Alexa (uberlaubt) Konversationen mithören, um die "Qualität der Spracherkennung" zu erhöhen. Das wäre aber nicht erforderlich, wenn das System tatsächlich automatisch (maschinell) lernen würde.

    Ich weiß schon, dass das ziemlich weit führt. Beim Vorschlag des TE war es nur eben auch so, dass ML nicht praktisch denkbar war. Das ändert nichts daran, dass durch derartige Ideen Innovationen entstehen können. Jedoch hilft ML einfach nicht an Stellen, die bestimmte Kriterien in der Datenerfassung nicht erfüllen.
     
  20. Silas

    Silas Mitglied

    Dabei seit:
    07.10.2019
    Beiträge:
    811
    Zustimmungen:
    772
    Sorry, aber ich will gar nicht auf alles eingehen, was du hier schreibst, das ist mir einfach zu viel. Deine “Datenbank”, aus der z. B. Handschriften erkannt werden, ist ein (künstliches) neuronales Netz. Und was machen neuronale Netze? Richtig, lernen. Das tun sie anhand von Trainingsdaten, die normalerweise von Menschen, die ja schon Handschriften lesen können, annotiert worden sind. Könnte sein, dass du das mit “Teaching” meinst, ändert aber nichts daran, dass es sich hier um (supervised) machine learning handelt. Folgerichtig heißen die konkreten Algorithmen dann beispielsweise Backpropagation Learning oder, aktuell in aller Munde, auch Deep Learning.

    Aber ich bin jetzt hier raus, sehe nicht wo das hinführen soll.
     
    autofokus, Turtle_s, Lukas.28 und 4 anderen gefällt das.
Thema:

Machine Learning Espresso Zubereitung

Die Seite wird geladen...

Machine Learning Espresso Zubereitung - Ähnliche Themen

  1. 100% Robusta Espresso gesucht

    100% Robusta Espresso gesucht: Moin (neue) Kollegen. Ich bin neugierdehalber auf der Suche nach einem neuen Robusta. Ich bin sehr sehr sehr mit dem Bar Uganda von Black Delight...
  2. [Vorstellung] OHNE - Wir holen entkoffeinierten Kaffee aus der Mottenkiste!

    OHNE - Wir holen entkoffeinierten Kaffee aus der Mottenkiste!: Moin liebe Community, Wir sind OHNE und wir sind angetreten das Image von entkoffeiniertem Kaffee aus der Mottenkiste zu holen. Wir machen DECAF...
  3. [Maschinen] Decent Espresso Maschine

    Decent Espresso Maschine: Hallo, ich bin auf der Suche nach einer Decent Espresso Maschine. Bitte anbieten wer Interesse hat sein Modell zu verkaufen. Danke, Nils
  4. [Zubehör] Smart Espresso Profiler for machines with an E61 group head

    Smart Espresso Profiler for machines with an E61 group head: Wer möchte das gern für schmales Geld verkaufen oder kennt eine günstige alternative mit gleicher Funktion?
  5. [Erledigt] Feinwaage G&G LS2000H | 0-1000g = 0,05g | 1000-2000g = 0,1g | Waage für Espresso & Kaffee

    Feinwaage G&G LS2000H | 0-1000g = 0,05g | 1000-2000g = 0,1g | Waage für Espresso & Kaffee: Feinwaage / Waage "G&G LS2000H" inklusive Abdeckung/Schale. Bis 2000g belastbar. Genauigkeit 0,05g im Bereich 0 bis 1000g, ab 1000g bis 2000g...
  1. Diese Seite verwendet Cookies um Inhalte zu personalisieren. Außerdem werden auch Cookies von Diensten Dritter gesetzt. Mit dem weiteren Aufenthalt akzeptierst du diesen Einsatz von Cookies.
    Information ausblenden