Deep Learning – Was ist das? Eine Definition

Einfache Definition von Deep Learning: Deep Learning oder tiefes Lernen ist ein Bestandteil der künstlichen Intelligenz, die ein Teilbereich des Machine Learning (maschinelles Lernen) ist.

Beim Machine Learning verbessern sich verwendete Algorithmen im Laufe der Zeit, wenn sie mehr Daten und Informationen bekommen. Beim Deep Learning geht dies einen Schritt weiter und ein vielschichtiges künstliches neurales Netzwerk viele neue Informationen aufnimmt und verarbeitet.

Funktionsweise von Deep Learning

Deep Learning stützt sich auf ein künstliches neuronales Netz, das dem menschlichen Gehirn nachempfunden ist. Dieses Netz besteht aus Dutzenden oder sogar Hunderten von „Schichten“ von Neuronen, von denen jede die Informationen der vorherigen Schicht empfängt und interpretiert. So lernt das System beispielsweise, Buchstaben zu erkennen, bevor es sich mit Wörtern in einem Text befasst, oder es stellt fest, ob auf einem Foto ein Gesicht zu sehen ist, bevor es herausfindet, um welche Person es sich handelt.

Bei jedem Schritt werden die „falschen“ Antworten eliminiert und an die vorgelagerten Ebenen zurückgegeben, um das mathematische Modell anzupassen. Im Laufe der Zeit ordnet das Programm die Informationen in komplexere Blöcke um. Wenn dieses Modell später auf andere Fälle angewendet wird, ist es normalerweise in der Lage, eine Katze zu erkennen, ohne dass ihm jemals jemand mitgeteilt hat, dass er das Konzept einer Katze nie gelernt hat. Die Ausgangsdaten sind entscheidend: Je mehr unterschiedliche Erfahrungen das System sammelt, desto besser wird es sein.

Wussten Sie es schon?

Wenn es einen Beruf gibt, in dem Deep-Learning-Fachwissen von grundlegender Bedeutung ist, dann ist es der des Datenwissenschaftlers. Von diesem Datenspezialisten wird erwartet, dass er Techniken der künstlichen Intelligenz für das Deep Learning einsetzt. Um dies zu tun, muss der Datenwissenschaftler Deep-Learning-Tools beherrschen. Es gibt spezielle Deep-Learning-Schulungen, in denen man sich weiterbilden kann.

Anwendungen von Deep Learning

Deep Learning wird in vielen Bereichen eingesetzt:

• Bilderkennung
• maschinelle Übersetzung
• selbstfahrende Autos
• medizinische Diagnostik
• personalisierte Empfehlungen
• automatische Moderation von sozialen Netzwerken
• Finanzvorhersagen und automatisierter Handel
• Identifizierung von fehlerhaften Teilen
• Erkennung von Malware oder Betrug
• Chatbots (konversationelle Agenten)
• Weltraumforschung
• intelligente Roboter

Deep Learning ist auch der Grund dafür, dass die künstliche Intelligenz von Google Alpha Go 2016 die besten Go-Champions schlagen konnte. Die Suchmaschine des amerikanischen Riesen basiert selbst zunehmend auf Deep Learning statt auf geschriebenen Regeln.

Heute ist Deep Learning sogar in der Lage, ganz allein Gemälde von Van Gogh oder Rembrandt zu „erschaffen“ und eine völlig neue Sprache zu erfinden, um zwischen zwei Maschinen zu kommunizieren.

Was ist Deep Learning?

Deep Learning oder tiefes Lernen ist ein Teilbereich der Künstlichen Intelligenz (KI). Der Begriff bezeichnet Techniken des maschinellen Lernens (Machine Learning), d. h. eine Form des Lernens, die auf mathematischen Ansätzen beruht und zur Modellierung von Daten verwendet wird. Um diese Techniken besser zu verstehen, müssen wir bis zu den Ursprüngen der künstlichen Intelligenz im Jahr 1950 zurückgehen, als Alan Turning sich für Maschinen interessierte, die denken können.

Aus dieser Überlegung heraus wird das maschinelle Lernen entstehen, eine Maschine, die kommuniziert und sich auf der Grundlage gespeicherter Informationen verhält. Deep Learning ist ein fortschrittliches System, das auf dem menschlichen Gehirn basiert und ein großes Netz künstlicher Neuronen enthält. Diese Neuronen sind miteinander verbunden, um Informationen zu verarbeiten und zu speichern, beliebige Probleme oder Situationen mit ähnlichen Situationen aus der Vergangenheit zu vergleichen, Lösungen zu analysieren und das Problem auf die bestmögliche Weise zu lösen.

Wie beim Menschen geht es beim Deep Learning darum, aus Erfahrungen oder – im Fall von Maschinen – aus gespeicherten Informationen zu lernen.

Wozu dient Deep Learning?

Deep Learning ist in der Welt der Informations- und Kommunikationstechnologien von großem Nutzen.

Es wird in Gesichts- und Spracherkennungssystemen verwendet, die in einigen Smartphones eingebaut sind, und in der Robotik, damit intelligente Geräte in einer bestimmten Situation die erwartete Reaktion zeigen können (z. B. ein intelligenter Kühlschrank, der ein Alarmsignal abgibt, wenn er eine offen gebliebene Tür oder eine anormale Temperatur in den Fächern feststellt).

Sie fragen sich, wie Facebook Ihre Freunde auf den von Ihnen geposteten Fotos erkennt? Jetzt haben Sie die Antwort: Deep Learning. Forscher, insbesondere solche, die DNA untersuchen und/oder manipulieren, greifen bei ihren Untersuchungen ebenfalls auf Deep Learning zurück.

Diese Technologien finden sich auch in anderen Bereichen:

• im maschinellen Übersetzungssystemen
• in Autos und anderen selbstfahrenden Fahrzeugen
• in der Medizin, um anhand einer bildgebenden Untersuchung (Radio, MRT, CT) eine Diagnose zu stellen
• in der Physik, um nach Teilchen zu suchen
• in der Kunst, um ein Kunstwerk zu reproduzieren

Wie funktioniert Deep Learning?

Wie im Inneren des menschlichen Gehirns reisen die Signale zwischen den Neuronen des künstlichen Gehirns. Das Geheimnis dieser Leistung liegt zu einem großen Teil in den Algorithmen. Im Fall der visuellen Erkennung muss der Deep-Learning-Algorithmus, um leistungsfähig zu sein, in der Lage sein, alle vorhandenen Formen aus allen Winkeln zu erkennen.

So kann er z. B. ein Auto auf der Straße mitten in der Landschaft erkennen. Dies ist nur möglich, wenn die Maschine ein umfangreiches Training durchlaufen hat. Und das geschieht durch das Betrachten von Tausenden von Fotografien, auf denen ein Auto in allen möglichen Formen und Winkeln zu sehen ist.

Wenn ein neues Bild erscheint, wird es an das neuronale Netz gesendet, das die Bilder analysiert und bestimmt, ob das Objekt in der Mitte des Bildes tatsächlich ein Auto ist. Wenn die Maschine richtig lag, wird sie ihre richtige Antwort abspeichern, um später ähnliche Situationen zu lösen, wenn sie eines Tages ein anderes Auto erkennen muss.

Urhebender Autor: Céline Deluzarche