Deep Learning

Deep Learning ist eine Technologie im Rahmen der Entwicklung von künstlicher Intelligenz (KI). Es ähnelt dem Machine Learning, geht jedoch noch darüber hinaus (dazu weiter unten mehr). Vorbild ist in beiden Fällen die Funktionsweise des menschlichen Gehirns.

Allgemeine Informationen zum Thema

Deep Learning nutzt neuronale Netze und orientiert sich damit am menschlichen Gehirn (dabei ist die Technologie jedoch keineswegs gleichzusetzen mit dem menschlichen Denken, dafür sind zu viele Aspekte unberücksichtigt, wie etwa soziale Intelligenz oder Kreativität). Zweck von Deep Learning ist die Verarbeitung und Analyse von großen Datenmengen. Dabei zeigt sich Deep Learning lernfähig. Durch die Nutzung der neuronalen Netze können bereits aufgenommene Informationen interpretiert und weiter verbreitet werden. So kann Erlerntes mit neuen Inhalten verknüpft und für zukünftige Aufgaben verwendet werden.

Deep Learning versetzt Maschinen in die Lage, Prognosen zu erstellen und Entscheidungen zu treffen. Das Besondere daran ist unter anderem, dass zunächst getroffene Entscheidungen neu bewertet und entsprechend angepasst werden können. Der Mensch greift in diese Entscheidungsprozesse gar nicht oder nur noch selten ein. Deep Learning bietet sich daher für Muster und Modelle an, deren Grundlage große Datenbestände sind. Die neuronalen Netze werden während der Lernvorgänge immer wieder neu miteinander verknüpft.

Unterschied zwischen Deep Learning und Machine Learning

Immer wieder werden Deep Learning und Machine Learning als gleichbedeutend angesehen. Doch auch wenn es gewisse Ähnlichkeiten gibt, unterscheiden sich doch beide Ansätze auch voneinander.

Machine Learning bietet sich vor allem in Geschäftsprozessen an. Mittels dieser Technologie kann mit einer Vielzahl von Daten gearbeitet werden, um beispielsweise die Nachbestellung von Rohstoffen zu organisieren. Dabei werden Aspekte wie Produktivität, Lagerbestand oder Marktnachfrage mit in die Planung einbezogen.

Anders, als der Mensch, der jahrelange Erfahrung braucht, um die beschriebenen Faktoren einschätzen zu können, ist Machine Learning in der Lage, dies alles nahezu gleichzeitig und innerhalb von weniger als einer Sekunde zu tun. Schon deshalb wird Machine Learning in Unternehmen mit umfangreichen Geschäftsanwendungen eingesetzt.

Deep Learning geht weiter als Machine Learning, da hier deutlich tiefer in die Informationsstruktur eingegriffen werden kann. Deep Learning ist also in der Lage, Trends und Daten zu erkennen, auszuwerten und eigene Schlüsse daraus zu ziehen. KI von Netflix oder Amazon folgt dem Prinzip von Deep Learning, da in diesen Bespielen Sehgewohnheiten, Verweildauer oder Bewertungen der Zuschauer ausgewertet werden, um entsprechend der daraus gewonnenen Erkenntnisse Empfehlungen für das zukünftige Sehverhalten aussprechen zu können.

Auswertungen des Sehverhaltens von Zuschauern bleiben jedoch an der Oberfläche im Vergleich zu den weiteren Fähigkeiten von Deep Learning. Die Einsatzgebiete sind zahlreich, so lässt sich Deep Learning bei der Erkennung und Darstellung von DNA-Problemen anwenden, mit der Technologie lassen sich zudem komplexe Datenmengen von Mobilgeräten auswerten. Und auch im Bereich der Gesundheit (präventiv wie diagnostizierend) werden die Möglichkeiten von Deep Learning schon lange in Anspruch genommen.

Prinzip von Deep Learning anhand von Bilderkennung

Anhand einer Gesichtserkennung kann verdeutlicht werden, nach welchem Prinzip Deep Learning funktioniert:

1. Im ersten Schritt lernt die KI, hellere und dunklere Pixel voneinander zu unterscheiden.
2. Dann lernt der Computer, einfache Formen und Kanten zu identifizieren.
3. Auf der nächsten Stufe lernt die KI, Objekte und Formen zu erkennen.
4. Auf der letzten Ebene lernt der Computer, Formen und Objekte einem menschlichen Gesicht zuzuordnen.

Wenngleich Deep Learning sehr schnell in die Lage kommt, Bilder zu erkennen und beispielsweise Menschen von Katzen zu unterscheiden, ist dafür doch ein recht hoher Aufwand nötig. Während ein Kind nicht lange braucht, um sich die Grundcharakteristik etwa einer Katze einzuprägen und diese Merkmale auch auf Bilder übertragen kann, die einer Katze nur entfernt ähneln, tut sich die KI damit schwerer. Sie muss ungleich mehr Bilder auswerten, um zu den gleichen Lerneffekten wie ein Kind zu kommen.

Hat die KI einen Lernprozess jedoch abgeschlossen, sind die Möglichkeiten, die sich daraus ergeben, im Vergleich zum Menschen enorm, was das Weiterlernen miteinschließt.

Einsatzbereiche von Deep Learning

Auf einigen speziellen Gebieten kann Deep Learning ein hilfreiches Instrument sein:

• Medizin: Da Deep Learning innerhalb kürzester Zeit viel mehr Bilder betrachten und auswerten kann als das selbst erfahrene Ärzte könnten, leistet diese Technologie im Bereich der Krankheitsdiagnose schon heute Erstaunliches.
• Kundenservice: Deep Learning wird auch eingesetzt, um den Kundenservice zu verbessern. Durch eine Spracherkennung kann KI herausfiltern, was für ein Anliegen ein Kunde am Telefon (oder in Schriftform) hat. Sie kann darüber hinaus die anstehenden Aufgaben nach Prioritäten abarbeiten.
• Internetsicherheit: Durch die große Menge an Daten kann Deep Learning im Netz erkennen, ob es sich um einen normalen Vorgang oder einen Angriff handelt. Dadurch kann die Sicherheit im Netz erhöht werden.
• Risikomanagement bei Finanztransaktionen: Ob Kreditkartenbetrug, das Erkennen von Malware oder anderen ungewöhnlichen Vorgängen – Deep Learning ist in der Lage, mögliche Unstimmigkeiten zu erkennen und oft auch einzuordnen.
• Industrie 4.0/Produktion: Deep Learning kann in der Industrie bzw. Produktion wertvolle Hilfe beim Auswerten von Big Data liefern. Zudem kann es Produktionsprozesse umfassend überwachen und Fehler bereits erkennen, bevor sie für den Menschen sichtbar werden.

Bedeutung für das Online Marketing

Auch beim Online Marketing fallen zahlreiche Daten an, die es auszuwerten gilt. Deep Learning kann hier effektive Hilfestellungen leisten und Marketingmaßnahmen auswerten sowie weitere planen.

Bei allen Vorteilen und bei all dem Potenzial, das in Deep Learning steckt, ist die Technologie jedoch noch lange nicht ausgereift. So lässt sich bezüglich des oben genannten Beispiels der Kundenbetreuung ergänzen, dass KI in aller Regel nicht in der Lage ist, Ironie oder Satire zu erkennen. Eine durchaus ironisch gemeinte Aussage wie: „Das hast du ja ganz toll gemacht“ wird von Deep Learning meist nicht als ironisch gemeint eingestuft.

Trotz der durchaus vorhandenen Schwächen von Deep Learning und den hier nicht angesprochenen Risiken etwa des Datenschutzes sind die Möglichkeiten, die diese Technologie bietet, schier grenzenlos.

Weblinks

• Machine Learning - Chancen und Risiken durch künstliche Intelligenz
• Deep Learning - Drei Dinge, die Sie wissen sollten
• Was ist Deep Learning?