Deep Learning
Author
Robin Laufenburg, Mi, 24. Mrz. 2021
in Für Firmenkunden

Deep Learning

Neuronales Netz als Quasi-Gehirn von KI

Deep Learning ist eine Methode des maschinellen Lernens, bei dem künstliche neuronale Netze zum Einsatz kommen. Künstliche Neuronen und entsprechende neuronale Netze ahmen natürliche Neuronen und Neuronenstrukturen nach. Konkret imitiert Deep Learning dabei Funktionsweisen des menschlichen Gehirns.

Was das aber genau bedeutet und was denn nun Deep Learning ist, erfahren Sie hier.

Voraussetzungen für Deep Learning

Die frühesten künstlichen Intelligenzen (KIs) konnten sehr schnell lernen, mathematisch erfassbare Probleme zu lösen. Mathematische Regeln sind eindeutig erfassbar und damit entsprechend klar erlernbar. KIs konnten für Menschen zum Teil unmögliche Aufgaben schnell und problemlos bearbeiten.

Das, was Menschen jedoch intuitiv bewältigen, wie beispielsweise Gesichter zu erkennen, Stimmen zuzuordnen oder Witze zu verstehen, ist für Computer seit jeher eine deutlich größere Herausforderung. Maschinen müssen die sensorisch erfassten Eingangsdaten, den sogenannten Input, nämlich auszuwerten lernen und hierauf mit passendem Output reagieren. Wir Menschen ordnen Töne und Tonsequenzen, Strukturen, Formen und Farben in Bezug auf bereits Erlerntes ein und sind auf diese Weise fähig, den Kontext des Inputs zu verstehen und darauf adäquat zu reagieren.

Dieses Können, komplexere Bezüge zu begreifen und zuzuordnen, nennen wir „Lernen“. Und genau da setzt Machine Learning (maschinelles Lernen) an: Mithilfe des maschinellen Lernens entstehen nämlich anpassbare Algorithmen, die Daten und Muster auswerten und damit selbstständig Wissen generieren. Deep Learning (aus dem Englischen für „tieferes Lernen“) geht aber noch einen Schritt weiter: Die Machine-Learning-Methode ordnet das Erlernte nämlich automatisiert. Dabei werden Algorithmen zentral in Schichten gelegt, die als Art Neuronen fungieren.

"<yoastmark

Neuronen und neuronale Netze

Deep Learning nutzt für die Wissensgenerierung und -verarbeitung künstliche neuronale Netze, die bereits im Grundaufbau Nervensystemstrukturen und insbesondere menschliche Gehirnstrukturen nachahmen. In unserem Gehirn sind die Neuronen als Netz miteinander verbunden. Ähnlich sieht es bei Computersystemen aus:

  1. Die erste Schicht, die Eingangsschicht oder der Input Layer, eines natürlichen und des künstlichen neuronalen Netzes verarbeitet die Rohdateneingabe. Hier erfassen Eingangsneuronen die einzelnen Pixel eines Bildes oder die Einzeltöne einer Tonfrequenz und systematisieren sie. Die Rohdaten werden beim Deep Learning jetzt an die weiteren Schichten zur tieferen Analyse weitergegeben.
  2. Die Neuronen auf diesen weiteren Schichten, den sogenannten Hidden Layer, ordnen die Rohdaten in Bezug auf bekannte Muster ein. Sie nennt man Zwischenneuronen. Je nach neuronalem Netz gibt es unzählige Schichten bzw. Layer, in denen Daten ausgewertet werden. Ähnlich den biologischen neuronalen Netzen, verknüpfen sich künstliche Netzstrukturen während der Lernvorgänge dabei immer wieder neu und passen sich an die Auswertungen kontinuierlich an.
  3. Mit Deep Learning erlernen KIs, tiefergehende Auswertungen zu vollziehen und entsprechende Entscheidungen zu treffen. Im Output Layer codieren Ausgangsneuronen die Entscheidung in einen entsprechenden verständlichen Ausdruck und geben diesen aus.

Bei dem sensorisch erfassten Input handelt es sich für uns Menschen konkret um Sinneseindrücke. Die Netze werden formell auch als neuronale Faltungsnetzwerke (Convolutional Neural Networks) bezeichnet.

Maschine Learning vs. Deep Learning

Aufgrund der umfassenden Datenanalyse wird Wissen generiert, das für die Einordnung und Auswertung weiterer potenzieller Daten herangezogen werden kann. Große Datenmengen werden dabei also nicht nur selbst ausgewertet, sondern bilden auch eine Grundlage für die Analyse zukünftiger Datensätze. Umso größer die Datenbestände dabei sind, desto eher bietet sich die Analyse durch Deep Learning an. Grundvoraussetzung ist in jedem Fall aber, dass sich aus den Daten Muster und Modelle ableiten lassen.

Da Deep Learning ein Teilbereich des Machine Learning ist und es sich bei fast allem zeitgemäßen Machine Learning auch um Deep Learning handelt, lassen sich die beiden Begriffe nicht im Klaren voneinander abgrenzen. Aber man kann sie deutlich unterscheiden: Beim Machine Learning ist der Mensch an der Auswertung von Daten direkt beteiligt, beim Deep Learning übernimmt die Maschine die Auswertung komplett selbst. Der Mensch stellt hierbei nur die Daten bereit und kontrolliert die Dokumentation aller vollzogener Prozesse. Anwendungen auf Basis von Deep Learning bieten sich dann für Sie an, wenn Sie Hochleistungs-GPU (Grafikprozessoren) im Einsatz haben und große und ständig erweiterte Datenmengen analysieren wollen.

Anwendungsbereiche

Die bekanntesten Anwendungsbereiche, in denen das Deep Learning heute zum Einsatz kommt, sind bisher die Gesichts-, Sprach-, und Objekterkennung, unter anderem für das sogenannte Deepfaking. KI wird heute aber auch bereits eingesetzt, um Naturkatastrophen wie Erdbeben vorauszusagen. Mit ihr können Krankheiten oder pathologische Auffälligkeiten wie Krebszellen frühzeitig erkannt werden. Auch ermöglicht sie, Kundenverhalten zu analysieren oder selbstständig Programme zu entwickeln und zu verbessern.

Neuronale Netzwerke kommen aber beispielsweise auch beim sogenannten Upscaling und Recolouring von Foto- und Filmmaterial zum Einsatz. Eine entsprechend geschulte KI kann auf diese Weise, nachdem sie sich eine Vielzahl an Videos angesehen und diese ausgewertet hat, selbstständig uralte Schwarz-Weiß-Aufnahmen in hohe und flüssige Ultra-HD-Qualität umwandeln und in Farbe darstellen. Umso mehr Daten von der KI ausgewertet werden, umso einfacher fällt es ihr, weitere Videos auf den heutigen Stand der Technik zu bringen.

Deep Learning ermöglicht auf diese Weise eine Zeitreise in die ausgehenden 1890er und frühen 1900er Jahre, mit 60 FPS, in HD und Farbe, wie dieses YouTube-Video zeigt:

Deep Learning im Unternehmensumfeld

KI ermöglicht heute konkrete Prognosen zu Verhalten, Transaktionen und Leistungsbereitschaften in unterschiedlichen Kontexten. Die Genauigkeit der Analysen und Voraussagen ist dabei schon absolut erstaunlich. Das, was durch Entwicklungen im Bereich der künstlichen Intelligenz möglich ist und vor allem das, was damit noch möglich wird, ist kaum zu erfassen.

Bereits jetzt kristallisiert sich jedoch heraus, dass man in Zukunft nicht darum herumkommen wird, KI in immer mehr Prozesse zentral einzubeziehen und auf selbstlernende Software zurückzugreifen. In der heutigen Praxis kommen verschiedene Deep-Learning-Frameworks für die Erstellung entsprechender Software-Lösungen zum Einsatz. Mit ihnen können Anwendungen im Bereich des maschinellen Lernens entwickeln oder bestehende Anwendungen anpassen. Dazu gehören beispielsweise die Open-Source-Frameworks TensorFlow, Keras oder Pytorch.

Aber vor allem kleine Firmen und Gewerbetreibende, die keine eigen entwickelte Anwendungs- und Softwarelösungen im Einsatz haben können und nicht auf entsprechenden Ressourcen zurückgreifen können, werden standardisierte zeitgemäße Softwarelösungen immer relevanter. Sicherheitskonzepte, die mit Gesichts- und Stimmerkennungen arbeiten, sind heute bereits kaum wegzudenken und sollten auch von kleinen Firmen genutzt werden. Benötigen Sie in diesem Bereich Hilfe, dann kontaktieren Sie PC-SPEZIALIST in Ihrer Nähe. Unsere kompetenten IT-Experten richten für Sie unter anderem zeitgemäße Antivirenlösungen und Firewalls ein.

_______________________________________________

Weiterführende Links: Data Science Blog, Computerwoche, Microsoft News, Wikipedia, Empolis Information Management GmbH, BigData-Insider, DataSolut, MathWorks

0 Kommentare

    Schreiben Sie einen Kommentar

    Ihre E-Mail Adresse wird nicht veröffentlicht.