Was ist Deep Learning?

Deep Learning (DL) ist eine Technik des Machine Learnings (ML), die Computern beibringt, das zu tun, was für den Menschen selbstverständlich ist: Lernen durch Vorbild und Erfahrung. Deep Learning macht sich dabei den Grundsatz zunutze, dass ein großer Erfahrungsschatz einen positiven Einfluss auf das Lernverhalten hat. Es ist die Schlüsseltechnologie, die die Sprachsteuerung von Tablets, Smartphones und Fernsehgeräten ermöglicht und die zum Beispiel fahrerlose Autos Stoppschilder erkennen und Fußgänger von Laternenpfählen unterscheiden lässt. 

Tech-Consultant Milad Safar, Managing Partner der Weissenberg Group, erklärt in einem Grundlagenbeitrag im IT-Channel von buchreport.de, wie Deep Learning funktioniert und wozu es genutzt wird.

Was ist Deep Learning?

Deep Learning ist eine Teildisziplin des Machine Learnings in der KI, die die Arbeitsweise des menschlichen Gehirns bei der Verarbeitung von Daten und dem Erkennen von Mustern für die Entscheidungsfindung imitiert. Für das Training dieser Künstlichen Intelligenz werden vor allem große Datenmengen benötigt und analysiert. Zum Beispiel erfordert die Entwicklung fahrerloser Autos Millionen von Bildern und Tausende von Stunden Video. Um einen tiefgreifenden Lerneffekt zu erzeugen, orientieren sich die Entwickler an der Funktionsweise des menschlichen Gehirns. Deep-Learning-Algorithmen versuchen, ähnliche Schlussfolgerungen wie Menschen zu ziehen, indem sie kontinuierlich Daten mit einer gegebenen logischen Struktur analysieren.

Ohne Vorgabe einer Lösung kann DL verschiedene Quellen unstrukturierter Daten mit Blick auf die angelegte Aufgabenstellung auswerten und erkennt vollkommen eigenständig, ob ein Foto ein Boot, einen Fisch oder eine Robbe zeigt. Um dies zu erreichen, verwendet DL eine mehrschichtige Struktur von Algorithmen, die als neuronale Netze bezeichnet werden. Ähnlich wie im menschlichen Gehirn verbinden sich auch in künstlichen neuronalen Netzen die Neuronen (Nervenzellen) mit anderen Neuronen, an die sie zwecks Informationsverarbeitung elektrische Signale weitergeben. Im Gegensatz zum menschlichen Gehirn bestehen die Neuronen des künstlichen neuronalen Netzes aber aus einer mathematischen Formel, die die Information verarbeitet und weitergibt. Durch diesen Ansatz lassen sich bereits erlernte Fähigkeiten mit neuen Inhalten anreichern und verknüpfen. Insgesamt entsteht hierdurch ein tiefgreifender und langfristiger Lernprozess. 

Der Wert von Deep Learning liegt in der Fähigkeit einer solchen Maschine, eigene Entscheidungen zu treffen, getroffene Entscheidungen im Zuge einer erneuten Überprüfung zu hinterfragen und eigene Prognosen zu erstellen. Beim gesamten Lernvorgang ist kein menschlicher Eingriff nötig. Deep Learning eignet sich damit für alle Anwendungen besonders gut, bei denen große Datenbestände zur Verfügung stehen, aus denen sich Muster und Modelle ableiten lassen und deren Auswertung von Menschen kaum noch oder nicht bewältigt werden kann. Davon profitieren alle diejenigen, die mit der Erfassung, Analyse und Interpretation großer Datenmengen beauftragt sind. Denn Deep Learning macht diesen Prozess nicht nur möglich, sondern auch noch schneller und einfacher.

Wie funktioniert Deep Learning?

Deep Learning versetzt eine Maschine in die Lage, selbstständig und ohne menschliches Zutun ihre Fähigkeiten zu verbessern, indem aus vorhandenen Daten und Informationen Muster extrahiert und klassifiziert werden. Dazu werden Algorithmen zur Mustererkennung aus dem Bereich der neuronalen Netze verwendet. Die gewonnenen Erkenntnisse lassen sich mit den Daten korrelieren und mit einem entsprechenden Kontext verknüpfen. Durch den gewonnenen Kontext kann die Maschine schlussendlich Entscheidungen treffen. Die Entscheidungen werden kontinuierlich hinterfragt und können so gewichtet werden. Bestätigte Entscheidungen erhöhen die Gewichtung, während revidierte Entscheidungen zu einer Verringerung der Gewichtung führen.

Der Deep Learning-Prozess einer Maschine beschränkt sich dabei auf eine präzise umrissene Problemstellung. Die Daten, die zum Trainieren einer Maschine benötigt werden, müssen direkt für das zu lösende Problem relevant sein. Um ein akzeptables Maß an Genauigkeit zu erreichen, benötigen Deep Learning-Programme Zugriff auf große Mengen an Trainingsdaten und eine entsprechend hohe Verarbeitungskapazität. Denn es bedarf Hunderttausender von Bildern, bis das System gelernt hat, eindeutige Aussagen zu machen, ob zum Beispiel ein Bild einen sitzenden Mann oder einen Hund zeigt. 

Was ist der Unterschied zwischen Deep Learning und Machine Learning?

Auch wenn Deep Learning ein Teilgebiet des Machine Learnings ist, unterscheidet sich das maschinelle Lernen bereits beim initialen Workflow vom Deep Learning. Beim traditionellen maschinellen Lernen wird der Lernprozess überwacht und der Programmierer muss dem Computer präzise mitteilen, nach welchen Arten von Dingen er suchen soll, um zu entscheiden, ob ein Bild einen Hund oder keinen Hund enthält. Dies ist ein mühsamer Prozess, der als Merkmalsextraktion bezeichnet wird. Die Erfolgsrate des Computers hängt vollständig von der Fähigkeit des Programmierers ab, einen Merkmalssatz für „Hund” genau zu definieren.

IT-Grundlagen und Technologien der Zukunft

Mehr zum Thema IT und Digitalisierung lesen Sie im IT-Channel von buchreport und Channel-Partner knk.
Hier mehr

Der Vorteil von Deep Learning besteht darin, dass das Programm die Funktionen selbstständig und ohne Aufsicht ausführt. Ein moderner Deep Learning-Workflow extrahiert die benötigten Merkmale automatisch und ohne menschliches Zutun. Dementsprechend handelt es sich hierbei um einen End-to-End-Lernvorgang, bei dem die Software die automatische Erledigung einer Aufgabe schrittweise erlernt, so dass kein Fachwissen erforderlich ist. Zudem zeichnen sich die Algorithmen des Deep Learnings durch eine Skalierbarkeit auf Basis der vorliegenden Daten aus. In dem Maße, in dem der Umfang der Datenbasis ansteigt, verbessern sich die Ergebnisse von Deep Learning. Das bedeutet, dass das neuronale Netz bei einer Ausweitung der verfügbaren Datenbasis kontinuierlich besser wird.

Anwendungsbeispiele für Deep Learning

Deep Learning ist überall dort hilfreich, wo Maschinen mit einem großen Daten-Input konfrontiert sind. Häufige Anwendungsfälle für Deep Learning sind Bild- und Spracherkennung, prädiktive Analysen, Empfehlungssysteme oder Anomalieerkennung.

Derzeit wird Deep Learning beispielsweise in folgenden Bereichen eingesetzt:

Text- und Sentimentanalysen

Durch Sprach- und Sentimentanalyse leistet Deep Learning im Sales- und Aftersales-Bereich einen wertvollen Beitrag zur Verbesserung der Customer Experience. Intelligente Algorithmen sind in der Lage, nicht nur Text und gesprochen Sprache, sondern sogar Ironie durch die Analyse des Kontexts zu verstehen. Gerade für den Kundenservice ist es sehr hilfreich zu wissen, ob es sich bei den täglich zu hunderten eingehenden, schriftlichen Kundenanfragen um eine normale oder eine verärgerte Anfrage handelt. Als intelligentes Filtersystem kann die Sentimentanalyse die Gefühle der Kunden messen, die verärgerten Kunden identifizieren und zwecks besonderer Kundenpflege aussortieren, damit sie nicht abspringen.  

Autonomes Fahren

Deep Learning ist die Kraft, die autonomes Fahren zum Leben erweckt. Ein regelmäßiger Test- und Implementierungszyklus, der typisch für Deep Learning-Algorithmen ist, sowie die Analyse von Millionen von Verkehrsszenarien gewährleisten sicheres Fahren. Daten von Kameras, Sensoren und Geokartierungen helfen dabei, prägnante und ausgefeilte Modelle zu erstellen, mit denen selbstfahrende Autos durch den Verkehr navigieren und Beschilderungen, Routen nur für Fußgänger, das Verkehrsaufkommen sowie Straßensperren erkennen können.

Virtuelle Assistenten

Die beliebteste Anwendung des Deep Learning sind virtuelle Assistenten – von Alexa über Siri bis hin zum Google Assistant. Jede Interaktion mit diesen Assistenten bietet die Möglichkeit, mehr über Stimme und Akzent des Nutzers zu erfahren und so eine sekundäre menschliche Interaktionserfahrung zu bieten. Virtuelle Assistenten nutzen Deep Learning, um mehr über verschiedene Themen zu erfahren, angefangen von Essensvorlieben bis hin zu den meistbesuchten Orten oder Lieblingsliedern des Nutzers. Sie lernen, Befehle zu verstehen, indem sie die natürliche menschliche Sprache bewerten, um sie auszuführen. Sie machen Notizen, buchen Termine, koordinieren Aufgaben und helfen beim Erstellen oder Senden von E-Mails oder anderen Chat-Nachrichten.

Medizin

Krebsforscher haben begonnen, Deep Learning in ihre Praxis zu implementieren, um Krebszellen automatisch zu erkennen. Mithilfe der Technologie lassen sich Röntgenbilder oder CT-Aufnahmen auf Anomalien untersuchen. Durch die angelernte Mustererkennung kann die Software schnell und präzise Krankheitsmuster identifizieren. Dabei basieren die getroffenen Entscheidungen auf umfangreichen Datensets, bestehend aus mehreren Millionen Bildern entsprechender Krankheitsmuster. Demzufolge ist auch die Präzision einer Diagnose mit Deep Learning im Regelfall höher als bei menschlichen Entscheidungen.

Computer Vision

Deep Learning hat die Bildverarbeitung erheblich verbessert und für eine äußerst hohe Genauigkeit bei der Objekterkennung sowie bei der Klassifizierung, Wiederherstellung und Segmentierung von Bildern gesorgt. Bilder können nach Orten sortiert werden, die anhand der Umgebung, der Personen oder des Ereignisses erkannt werden.

Effizienzsteigerung in der Landwirtschaft

Durch den Einsatz moderner Deep Learning-Algorithmen zur Bilderkennung erhalten Landwirtschaftsmaschinen die Möglichkeit, zwischen Kulturpflanzen und Unkraut zu differenzieren. Auf diese Art und Weise lassen sich Pestizide und Herbizide selektiv verwenden. Zusätzlich können Landwirte durch den Einsatz von Deep Learning auch den Anbau der Kulturpflanzen überwachen und die chemischen Ergänzungsmittel nur an den benötigten Stellen einsetzen. 

Fazit

Über die Revolution durch Künstliche Intelligenz wird aktuell viel gesprochen. In den meisten Fällen steckt Deep Learning dahinter. Kein Wunder daher, dass dieses Teilgebiet der Künstlichen Intelligenz mittlerweile fest im Fokus der Forschung verankert ist. Denn Deep Learning erreicht schon jetzt bei einigen Aufgaben wie der Klassifizierung von Objekten in Bildern eine Erkennungsgenauigkeit, die die des Menschen übertrifft. Bestes Beispiel ist die Medizin, speziell die Erstellung von Diagnosen anhand von Röntgenbildern. Hierdurch lassen sich Krankheitsbilder bereits frühzeitig behandeln, weil sie schneller identifiziert werden, als das Ärzte können. Durch den kontinuierlichen Lernprozess verbessern sich die verwendeten Algorithmen in einer ungeahnten Geschwindigkeit, die befeuert wird durch immer größere Rechnerleistungen, immer größere Datenspeicher und immer höhere Datenraten. Wenn man zudem sieht, wie Deep Learning vor allem die Bild-, Text- und Spracherkennung, die Interpretation komplexer Datenmengen sowie Predictive Analytics vorangetrieben hat, besteht kein Zweifel daran, dass diese Technologie das Potenzial hat, Aufgabenstellungen anzugehen, die sich mit herkömmlicher Programmierlogik bisher nicht lösen ließen.