Künstliche Intelligenz verändert nicht nur die Welt — sie macht auch Eichhörnchen nass.
Der Journalist Jeremy B. Merrill von der Washington Post hat eine KI-gesteuerte Vorrichtung namens Squirrel Soaker 9000 entwickelt. Für den DIY-Aufbau im Garten kommen Bilderkennung, Cloud-Computing und ein Raspberry Pi zum Einsatz, um genau eines zu tun: Eichhörnchen mit einem Wasserstrahl vom Vogelfutterhaus zu vertreiben. Er weist darauf hin, dass die Eichhörnchen dabei nicht zu Schaden kommen.
Es ist absurd. Es ist auf seltsame Weise effektiv. Und es ist ein perfektes Beispiel dafür, wie zugänglich KI-Tools werden und wie sie still und leise an Orten jenseits des Rechenzentrums auftauchen.
Der Aufbau: Open Source + ein Schlauch
Das System basiert auf einem ziemlich einfachen Prinzip.
- Alle 30 Sekunden nimmt eine Kamera ein Foto vom Vogelfutterhaus auf.
- Das Bild wird von einem fast.ai-Modell analysiert, das auf AWS Lambda läuft.
- Wird ein Eichhörnchen mit einer Konfidenz von über 70 % erkannt, aktiviert das System einen Wassersprüher, zeichnet ein Video auf und protokolliert die Begegnung.
Die Ergebnisse: Gut, aber nicht 100 %
Die Genauigkeit ist nicht perfekt – laut seinem Entwickler liegt sie bei etwa 86,6 %, wobei gelegentlich auch eine Trauertaube ins Kreuzfeuer gerät. Dennoch hat sich das System als ausreichend leistungsfähig erwiesen, um die Besuche von Eichhörnchen am Futterhaus deutlich zu reduzieren.
„Fastai (eine Deep-Learning-Bibliothek für Forscher und Praktiker) macht es wirklich, wirklich einfach – im Ernst: 13 Codezeilen –, einem KI-Modell beizubringen, zwei Arten von Bildern zu unterscheiden, indem man ihm Beispiele für beide Arten von Bildern gibt“, schrieb Merrill in seinem Blogbeitrag.
Edge-KI in ihrer reinsten Form
Der Squirrel Soaker 9000 greift zentrale Themen auf, die für den Einsatz von KI in Unternehmen relevant sind. Er ist ein großartiges Beispiel für Edge-KI: Leichtgewichtige Modelle werden auf kleiner Hardware eingesetzt und treffen auf Grundlage von Bilddaten Entscheidungen in Echtzeit. Keine rechenintensive Infrastruktur, keine GPU-Cluster, keine riesigen annotierten Datensätze. Nur ein Python-Skript, eine Kamera und ein klares Ziel.
Für Unternehmen, die KI am Netzwerkrand einsetzen möchten, gilt dasselbe Prinzip: lokale Inferenz, schnelle Reaktionszeiten und Autonomie, ohne dass ständig menschliche Kontrolle erforderlich ist.
Weitere Erkenntnisse
Das Projekt unterstreicht einen wichtigen Punkt für KI-Einsteiger: Man braucht weder makellose Datensätze noch komplexe Pipelines, um etwas Funktionierendes zu entwickeln. Schnelle Iterationen und Eingaben, die „gut genug“ sind, können viel bewirken.
Darüber hinaus mögen Projekte wie der Squirrel Soaker 9000 zwar entwickelt worden sein, um ein ganz bestimmtes Problem mit bestimmten Waldtieren zu lösen, doch sie unterstreichen einen ernst zu nehmenden Punkt: KI lebt längst nicht mehr nur im Labor.