hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/wiki/concepts/tutorials/gemini-wm2026-spielplan-demo.md

6.6 KiB
Raw Blame History

created updated sources tags
2026-06-26 2026-06-26
other/2026-06-26_gemini-wm2026-spielplan-ausfuellung.md
tutorial
gemini
image-processing
multimodal
practical-demo
wm2026
expectations-management

Tutorial: WM 2026 Spielplan ausfüllen per KI — Eine Gemini-Demo

📌 Praxisbeispiel — Zeigt wie ein LLM ein Foto verarbeitet, strukturierte Daten extrahiert und mit Realitäts-Constraints umgeht.

Problem

Ausgangslage: Ein User hat ein Foto eines Fußball-WM 2026 Spielplans (Bracket) — z.B. einen EDEKA-Werbe-Poster — und möchte, dass die KI die Ergebnisse einträgt.

Teilprobleme:

  1. Das Foto ist möglicherweise gedreht/verschoben — muss zuerst korrekt ausgerichtet werden
  2. Die Bracket-Struktur muss erkannt und zugeordnet werden (welches Feld gehört zu welchem Spiel?)
  3. Die Ergebnisse müssen aus dem Modellwissen oder aus Live-Daten kommen
  4. Die WM 2026 läuft erst seit Juni 2026 — viele Spiele sind noch nicht gespielt

Approach: Gemini's Bildverarbeitungs-Pipeline

Gemini wendet eine klassische Bildverarbeitungs-Pipeline an — autonom, durch Python-Code-Ausführung:

Foto (raw)
  ↓
1. Rotation (PIL) — Korrektur der Bildausrichtung
  ↓
2. Cropping (cv2/PIL) — Isolierung des Bracket-Bereichs
  ↓
3. Struktur-Analyse — Erkennen der Tabelle/Felder
  ↓
4. Wissensabruf — Welche Ergebnisse sind bekannt?
  ↓
5. Limitierung erkannt — WM 2026 läuft noch
  ↓
6. Alternative angeboten — Schritt-für-Schritt durch die Gruppenphase

Was passiert technisch

Schritt Tool Zweck
Rotation PIL (Image.rotate) Foto in korrekte Ausrichtung bringen
Cropping cv2 / PIL Relevanten Bereich ausschneiden
Struktur-Erkennung Visuelle Analyse Tabellenfelder identifizieren
Wissensabruf LLM-Wissen WM 2026 Gruppenphase-Paarungen
Code-Ausführung Python (Gemini Sandbox) Alle Schritte werden als Code ausgeführt, nicht nur "gedacht"

Limitations

1. Zukunfts-Unwissenheit

Die WM 2026 hatte zum Zeitpunkt der Anfrage (Juni 2026) gerade begonnen. Die Gruppenphase war noch nicht abgeschlossen. Gemini kann keine Ergebnisse eintragen, die noch nicht existieren.

LLMs können:

  • Bilder sehen und verstehen (Multimodalität)
  • Bekannte Fakten abrufen (welche Teams spielen in welcher Gruppe)
  • Code schreiben und ausführen (Bildverarbeitung)

LLMs können nicht:

  • Zukünftige Ereignisse vorhersagen
  • Live-Daten abrufen (ohne Tool-Integration wie Internetsuche)
  • Strukturierte Daten aus unstrukturierten Bildern mit 100% Genauigkeit extrahieren

2. Bildqualität-Abhängigkeit

Die Pipeline funktioniert nur, wenn das Foto gut genug ist. Schräge Aufnahme, schlechte Beleuchtung oder niedrige Auflösung können die Struktur-Erkennung behindern.

3. Struktur-Komplexität

Ein WM-Spielplan mit 48 Teams (2026-Format) ist komplexer als ein einfacher K.o.-Bracket. Die Gruppenphase mit 12 Gruppen à 4 Teams erfordert eine andere Logik als ein einfaches Turnierbaum-Schema.

Tutorial Value: Was man daraus lernt

Für Anfänger

  • KI kann Fotos verarbeiten — nicht nur Text. Das ist ein Paradigmenwechsel.
  • KI führt Code aus — sie schreibt nicht nur Antworten, sondern manipuliert Bilder aktiv.
  • KI kennt ihre Grenzen — ein gutes Modell sagt "ich kann das nicht", statt zu halluzinieren.

Für Fortgeschrittene

  • Pipeline-Denken: Rotation → Crop → Analyse ist ein Muster, das auf viele Bildverarbeitungs-Aufgaben übertragbar ist.
  • Multimodale Architektur: Das LLM sieht das Bild (vision), schreibt Code (reasoning + coding), führt ihn aus (tool use) und interpretiert das Ergebnis (vision again).
  • Wissens-Cutoff: Das Modell weiß, was bis zu seinem Training passiert ist. Live-Ergebnisse benötigen Internetsuche.

Für Kritiker

  • Erwartungsmanagement: Die Demo zeigt eindrucksvoll, was geht — und was nicht. Das ist wertvoller als eine Demo, die perfekt aussieht, weil das Modell halluziniert.
  • Vergleich mit ../llm/llm-sycophancy-confabulation.md: Wo Gemini seine Grenzen kommuniziert, würden schlechtere Modelle Ergebnisse erfinden (Confabulation).

Lessons Learned

  1. Bildorientierung zuerst: Bevor man strukturierte Daten aus einem Foto extrahiert, muss das Bild korrekt ausgerichtet sein. Das ist oft der erste Schritt in jeder praktischen Bildverarbeitungs-Pipeline.

  2. Wissen ≠ Vorhersage: Ein LLM kann Wissen über die WM 2026 haben (Teilnehmer, Gruppen, Spielplan), aber keine zukünftigen Ergebnisse predicten. Das ist ein fundamentaler Unterschied, den Anfänger oft nicht verstehen.

  3. Wenn KI nicht kann, was sie nicht kann → gut: Ein Modell, das "Ich kann das noch nicht, weil die Spiele noch nicht gespielt wurden" sagt, ist besser als eines, das halluzinierte Ergebnisse einträgt. Siehe auch ../llm/llm-sycophancy-confabulation.md für das Gegenbeispiel.

  4. Code-Ausführung als Brücke: Das LLM übersetzt visuelle Wahrnehmung in Code (PIL/cv2), führt ihn aus, und interpretiert das Ergebnis wieder visuell. Diese Code-Schleife ist mächtiger als reine "Bildbeschreibung".

  5. Alternative Vorgehensweise: Statt "geht nicht" → "lass uns es Schritt für Schritt machen, sobald die Spiele laufen" ist ein gutes UX-Pattern für KI-Anwendungen.

Cross-References

Externe Links

Quelle

  • Shared by: k9ert in OME-Gruppe Topic 1345 ("Ich, der DAU und sein Bot LOGBUCH"), 2026-06-26
  • Kontext: Antwort auf Rüdigers Anfrage nach KI-Tutorials/Lernmaterial
  • Raw-Datei: raw/other/2026-06-26_gemini-wm2026-spielplan-ausfuellung.md
  • Einschränkung: Vollständiger Inhalt der Gemini Share Page nicht abrufbar (Google Sign-In erforderlich). Beschreibung basiert auf sichtbaren Elementen und OME-Kontext.