Was ist Deep Learning?

Wenn Ihre Organisation künstliche Intelligenz (KI) und maschinelles Lernen (ML) in irgendeiner Form umfassend einsetzt, ist die Wahrscheinlichkeit groß, dass bei Ihnen einige Deep-Learning-Projekte in Arbeit sind. Das Interesse an Deep Learning ist in letzter Zeit sprunghaft gestiegen, und die Technologie hat sich in vielen verschiedenen Branchen zu einem entscheidenden Wegbereiter entwickelt.

Branchenberichte spiegeln dieses rasant wachsende Interesse an Deep Learning wider. Ein Bericht aus dem Jahr 2018 mit dem Titel Wie Unternehmen KI mithilfe von Deep Learning einsetzen ergab, dass nur 28 Prozent der befragten Unternehmen Deep Learning einsetzten. Die jüngere Umfrage KI-Einsatz in Unternehmen 2021 ergab jedoch, dass sich der Anteil der Befragten, die Deep Learning einsetzen, auf 67 Prozent mehr als verdoppelt hatte.

Auch an den Ausgaben lässt sich der zunehmende Einsatz von Deep Learning ablesen. Gartner weist die Ausgaben für Deep Learning nicht separat aus, prognostiziert jedoch, dass der gesamte KI-Markt 2022 ein Volumen von 62,5 Milliarden US-Dollar erreichen wird. Das entspricht einem Anstieg von 21,3 % gegenüber den 51,5 Milliarden US-Dollar, die 20221 ausgegeben wurden.

Grand View Research zufolge war allein der Deep-Learning-Anteil des KI-Marktes 2021 34,8 Milliarden US-Dollar wert. Das Unternehmen schätzt außerdem, dass die Ausgaben zwischen 2022 und 2030 jährlich um mehr als 34,3 Prozent wachsen werden.

Deep Learning entwickelt sich eindeutig zu einem großen Geschäft. Aber was genau ist Deep Learning?

Siehe auch: Top-KI-Software

Deep Learning, maschinelles Lernen und künstliche Intelligenz
Was ist Deep Learning?
Arten des Deep Learning
Deep-Learning-Architekturen
Anwendungsfälle für Deep Learning
Deep-Learning-Tools und -Services
Die Zukunft des Deep Learning

Deep Learning, maschinelles Lernen und künstliche Intelligenz

Bevor Sie Deep Learning verstehen können, müssen Sie zwei grundlegende Konzepte verstehen: künstliche Intelligenz und maschinelles Lernen.

Künstliche Intelligenz umfasst alle Technologien, die es Maschinen ermöglichen, wie Menschen zu denken. Dazu gehören Fähigkeiten wie das Verstehen und Sprechen menschlicher Sprachen, das Beschreiben des Inhalts eines Bildes, das Erkennen des emotionalen Zustands eines Sprechers und das Erlernen neuer Konzepte.

Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz. Der Begriff bezeichnet alle Technologien, die es Computern ermöglichen, etwas Neues zu lernen, ohne ausdrücklich dafür programmiert worden zu sein.

Deep Learning ist eine Teilmenge des maschinellen Lernens. Es bezeichnet ML, das auf künstlichen neuronalen Netzen stattfindet.

Siehe auch: Die Zukunft der künstlichen Intelligenz

Was ist Deep Learning?

Mehrere Organisationen haben Definitionen für Deep Learning vorgelegt. Viele dieser Definitionen sind jedoch schwer zu verstehen, wenn man keinen Hintergrund in der Datenwissenschaft hat.

Zum Beispiel Gartner sagt: „Deep Learning, eine Variante von Algorithmen des maschinellen Lernens, verwendet mehrere Algorithmenebenen, um Probleme zu lösen, indem Wissen aus Rohdaten extrahiert und auf jeder Ebene transformiert wird.“

IBM bietet eine etwas verständlichere Definition:

Deep Learning versucht, das menschliche Gehirn nachzuahmen – auch wenn es dessen Fähigkeiten bei Weitem nicht erreicht – und ermöglicht es Systemen, Daten zu clustern und mit unglaublicher Genauigkeit Vorhersagen zu treffen. Deep Learning ist eine Teilmenge des maschinellen Lernens, bei dem es sich im Wesentlichen um ein neuronales Netz mit drei oder mehr Schichten handelt. Diese neuronalen Netze versuchen, das Verhalten des menschlichen Gehirns zu simulieren – auch wenn sie dessen Fähigkeiten bei Weitem nicht erreichen – und ermöglichen es ihm, aus großen Datenmengen zu „lernen“.

Im Kern ist Deep Learning der Versuch, Computern zu ermöglichen, auf dieselbe Weise zu lernen wie menschliche Babys. Bei seiner Geburt weiß ein Baby nichts. Babys nutzen die Netzwerke von Nervenzellen in ihrem Gehirn, um Informationen über die Welt um sie herum aufzunehmen und zu verstehen, und gelangen langsam zu Schlussfolgerungen über diese Welt.

Deep-Learning-Systeme basieren auf künstlichen neuronalen Netzen, die den Neuronen im Gehirn eines Säuglings sehr ähnlich sind. Diese Netze umfassen mehrere Schichten, die es dem System ermöglichen, Daten zu verarbeiten und wiederholt zu verarbeiten, bis es die wichtigen Eigenschaften der analysierten Daten erlernt.

Siehe auch: Wie KI die Softwareentwicklung durch KI-Unterstützung verändert

Arten des Deep Learning

Die verschiedenen Arten des Deep Learning lassen sich je nach Art der verwendeten Daten in drei Kategorien einteilen:

Überwachtes Deep Learning basiert auf gekennzeichneten Daten. Bei dieser Art von Deep Learning führt man dem Datenmodell viele verschiedene Daten zu und teilt dem Modell mit, worum es sich handelt. Der Computer lernt dann selbstständig, welche Merkmale dazu führen, dass Daten der einen oder anderen Kategorie zugeordnet werden, sodass er eigenständig extrapolieren kann. Das menschliche Gegenstück dazu sind Erwachsene, die auf verschiedene Gegenstände zeigen und einem Baby deren Namen nennen. Irgendwann lernt das Baby selbst, wodurch sich ein „Hund“ von einer „Flasche“ oder einem „Buch“ unterscheidet.
Unüberwachtes Deep Learning basiert auf nicht gekennzeichneten Daten. Im Grunde lernt das System durch Nachahmung. Ein vielleicht vertrautes Beispiel sind Deep-Learning-Systeme, die Beispiele menschlicher Kunst aufnehmen und anschließend eigene Kunstwerke erzeugen. Das menschliche Gegenstück ist ein Baby, das durch Nachahmung der Erwachsenen, die es hört, Laute wie „mamamama“ oder „dadadada“ zu sagen lernt. Mit der Zeit und durch Verstärkung werden aus den Lauten erkennbare Wörter mit Bedeutung.
Teilüberwachtes Deep Learning kombiniert gekennzeichnete und nicht gekennzeichnete Daten. Diese Lernform kommt wahrscheinlich dem Lernen echter Babys am nächsten: etwas explizites Training kombiniert mit umfangreicher Beobachtung und Nachahmung.

Jede Art des Deep Learning hat ihre eigenen Vor- und Nachteile. Überwachtes Lernen liefert die schnellsten und genauesten Ergebnisse, erfordert aber im Vorfeld viel Arbeit seitens der Personen, die das System betreiben. Unüberwachtes Lernen benötigt nicht denselben Einrichtungsaufwand, ist jedoch weniger zuverlässig und nimmt viel Zeit in Anspruch. Teilüberwachtes Lernen liegt dazwischen: Es erfordert deutlich weniger Einrichtung als vollständig überwachtes Lernen und liefert zugleich deutlich zuverlässigere Ergebnisse als unüberwachtes Lernen.

Siehe auch: Top-Unternehmen für die digitale Transformation

Deep-Learning-Architekturen

Die künstlichen neuronalen Netze, auf denen Deep Learning basiert, können viele verschiedene Formen annehmen. Eine vollständige Erklärung würde ein ganzes Buch erfordern, aber hier sind kurze Beschreibungen einiger der gängigsten Deep-Learning-Architekturen:

Konvolutionale neuronale Netze sind wahrscheinlich die am häufigsten eingesetzte Deep-Learning-Architektur, insbesondere für die Bildverarbeitung. Für die erforderlichen komplizierten Berechnungen benötigen sie jedoch Grafikprozessoren (GPUs) und fortschrittliche Verarbeitungskapazitäten.
Feedforward-neuronale Netze waren der erste Typ künstlicher neuronaler Netze; sie leiten Daten in eine Richtung weiter, ohne Schleifen oder Zyklen.
Neuronale Netze mit radialen Basisfunktionen sind eine Art von Feedforward-neuronalen Netzen, die eine Eingangsschicht, eine Aktivierungsschicht mit radialer Basisfunktion und eine Ausgangsschicht umfassen.
Rekurrente neuronale Netze folgen einer zeitlichen Abfolge und eignen sich besonders für die Analyse von Sprache und Handschrift.
Selbstorganisierende Kohonen-neuronale Netze eignen sich zur Erstellung von Merkmalskarten aus unüberwachten Daten.
Modulare neuronale Netze umfassen eine Reihe unabhängiger neuronaler Netze, die miteinander verbunden werden können.

Datenwissenschaftler entwickeln ständig neue Architekturtypen sowie Varianten der bestehenden Arten, sodass die Liste kontinuierlich wächst und sich verändert.

Siehe auch: Die besten Plattformen für maschinelles Lernen

Anwendungsfälle für Deep Learning

Deep Learning ist besonders nützlich für sehr komplexe Probleme mit vielen verschiedenen Variablen. Zu den häufigsten Anwendungsfällen gehören:

Verarbeitung natürlicher Sprache ermöglicht es Computersystemen, menschliche Sprache zu verstehen und zu erzeugen. Dazu können Sprache-zu-Text, Text-zu-Sprache, maschinelle Übersetzung, Verschlagwortung, die Erkennung benannter Entitäten und die Stimmungsanalyse gehören. Sie ermöglicht Anwendungen wie digitale Assistenten (etwa Siri und Alexa), Chatbots, Spam-Erkennung, Social-Media-Analysen und vieles mehr. Deep Learning hilft Engines zur Verarbeitung natürlicher Sprache, sich im Laufe der Zeit zu verbessern, indem sie Muster in der menschlichen Sprache erkennen und nachahmen.
Bildverarbeitung ist eine der häufigsten Anwendungen für Deep Learning. Sie ermöglicht eine große Bandbreite verschiedener Anwendungen, darunter Biometrie und Gesichtserkennung, die Analyse medizinischer Scans, autonome Fahrzeuge, die Erkennung fehlerhafter Teile in einer Fertigungslinie, das Schärfen von Bildern und sogar die in sozialen Medien und Videokonferenzsoftware beliebten Filter.
Betrugsprävention wird deutlich genauer, wenn Organisationen Deep-Learning-Techniken einsetzen, um anomale Muster in Verkaufs- und Finanzdaten zu erkennen. Finanzinstitute, Einzelhändler, Strafverfolgungsbehörden, Verkehrsunternehmen und andere Organisationen nutzen Deep Learning, um betrügerische Aktivitäten schnell zu erkennen und zu stoppen.
Cybersicherheits- tools hinken Cyberkriminellen traditionell hinterher, die ständig neue Techniken entwickeln, um bestehende Präventionsmaßnahmen zu umgehen. Deep-Learning-Techniken ermöglichen es Cybersicherheitssoftware, erwartete und unerwartete Muster im Netzwerkverkehr zu erkennen. Dadurch lassen sich völlig neue Angriffe entdecken und verhindern, die zuvor noch niemand gesehen hat.
Arzneimittelentwicklung wird deutlich schneller, wenn Forscher Deep-Learning-Techniken einsetzen. Während der Coronavirus-Pandemie trainierten Wissenschaftler Modelle mit biochemischen Datensätzen und nutzten die daraus hervorgegangenen Algorithmen anschließend, um Medikamente zu identifizieren, die die Krankheit möglicherweise behandeln könnten. Dieselben Techniken könnten die Entwicklung von Arzneimitteln für eine Vielzahl verschiedener Krankheiten beschleunigen.
Klimawissenschaftliche Modelle umfassen eine enorme Zahl von Variablen – dadurch sind sie ideale Kandidaten für Deep-Learning-Ansätze. Diese Techniken helfen Wissenschaftlern, ihre Modelle zu verfeinern und genauere Prognosen zu erstellen.
Videospiele nutzen Deep-Learning-Techniken in großem Umfang. Deep Learning ermöglicht es Entwicklern, realistischere Charaktere und Animationen zu erstellen, bessere Audiointeraktionen zu ermöglichen und Bots zu entwickeln, deren Fähigkeiten denen der besten menschlichen Spieler ebenbürtig sind.
Prädiktive Analysen haben sich zu einem entscheidenden Werkzeug entwickelt, mit dem Unternehmen Strategien erstellen und ihre Abläufe optimieren können. Zwar erfordern nicht alle prädiktiven Analysen den Einsatz von Deep-Learning-Techniken, doch kann Deep Learning in Situationen mit einer hohen Zahl von Variablen und großen Mengen historischer Daten hervorragende Ergebnisse liefern.

Deep-Learning-Tools und -Services

Da Deep Learning umfangreiche Rechen-, Grafikverarbeitungs-, Speicher- und Speicherkapazitäten erfordert, laufen viele Deep-Learning-Projekte entweder auf Hochleistungscomputersystemen oder in der Public Cloud. Die meisten großen Public-Cloud-Anbieter haben Platform-as-a-Service-Angebote (PaaS), die Deep Learning unterstützen. Zu den Optionen gehören:

Zu den weiteren beliebten Deep-Learning-Tools gehören:

Die Zukunft des Deep Learning

Mit Blick auf die Zukunft ist die Entwicklung von Deep Learning eng an die Perspektiven der KI insgesamt gekoppelt. Viele Analysten sagen, dass sich die künstliche Intelligenz derzeit an einem gewissen Scheideweg befindet. Unternehmen haben stark in diese Technologien investiert, doch KI-Initiativen erzielen nicht immer die gewünschten Ergebnisse.

„Der Markt für KI-Software nimmt an Fahrt auf, aber seine langfristige Entwicklung wird davon abhängen, dass Unternehmen ihre KI-Reife vorantreiben“, erklärt Alys Woodward, Senior Research Director bei Gartner.

„Erfolgreiche Geschäftsergebnisse durch KI werden von der sorgfältigen Auswahl der Anwendungsfälle abhängen“, fügt Woodward hinzu. „Anwendungsfälle, die einen erheblichen geschäftlichen Mehrwert liefern und zugleich skaliert werden können, um Risiken zu reduzieren, sind entscheidend, um den geschäftlichen Stakeholdern die Wirkung von KI-Investitionen zu demonstrieren.“

Der Fortschritt bei Deep Learning hängt außerdem stark von der Entwicklung schnellerer Hardware ab, die immer größere Datensätze zügig verarbeiten kann. Einige Forscher glauben, dass die Entwicklung von Quantencomputersystemen letztlich Deep-Learning-Systeme mit Fähigkeiten ermöglichen wird, die wir uns heute nicht einmal vorstellen können.

Bis diese Systeme verfügbar sind, werden Forscher ihre Deep-Learning-Techniken weiter verfeinern und Deep-Learning-Systeme für die Verarbeitung größerer Datenmengen skalieren, um Antworten auf mehr Fragen zu finden.