Im Zuge der Lehrveranstaltung “Data-driven Content Business” habe ich mit Google Teachable Machine mein erstes Machine Learning Modell erstellt. Es sollte damit möglich sein vier verschiedene Figuren die in den Übungen der Rhythmischen Gymnastik vorkommen zu erkennen: Spagatsprung, Spagatstand, Waagrechtstand und Rehsprung. Ein Modell für maschinelles Lernen (ML) könnte die Fairness und Genauigkeit der Punktevergabe bei Wettkämpfen der rhythmischen Gymnastik verbessern.
Es ist von entscheidender Bedeutung, dass ML-Modelle auf eine unvoreingenommene und gerechte Weise trainiert werden, um jegliche Form der Diskriminierung auszuschließen. Für ein effektives Training ist es notwendig, umfangreiche, diversifizierte und qualitativ hochwertige Datensätze zu nutzen.
Die künstlerischen und subjektiven Elemente der rhythmischen Gymnastik sollten aber weiterhin dem menschlichen Urteil überlassen bleiben. Künstlerischer Ausdruck und Musikinterpretation sind subjektiv und basieren stark auf der menschlichen Wahrnehmung, dem Empfinden und dem kulturellen Kontext. Daher sind sie für ML-Modelle schwer zu erfassen und zu bewerten.
Comments are closed