Deep Learning
Künstliche Intelligenz ist eine Technologie, die in Zukunft immer relevanter für das alltägliche Leben wird. Neben dem Machine Learning ist auch das Teilgebiet Deep Learning ein wichtiger Bereich, der sich mit der Entwicklung von lernenden Maschinen beschäftigt. Wie auch beim maschinellen Lernen funktioniert das Deep Learning nach dem Prinzip des menschlichen Lernens. Das Deep Learning nutzt dafür neuronale Netze und große Datenmengen, wodurch Prognosen vorhergesagt und Entscheidungen getroffen werden können.
Was ist Deep Learning?
Das Deep Learning ist eine Methode, die sich in das Feld des maschinellen Lernens einordnen lässt und die für die Informationsverarbeitung eingesetzt wird. Dabei orientiert sie sich an der Funktionsweise des menschlichen Lernens. Auf dieser Basis werden durch neuronale Netze bereits vorhandene Informationen mit neuen Inhalten verknüpft, wodurch das System neue Fähigkeiten erlernt. Somit können große Datenmengen analysiert und miteinander verknüpft werden. Eine Maschine ist dann in der Lage Prognosen zu treffen. Ebenfalls können Entscheidungen bestätigt, hinterfragt oder verändert werden.
Was sind neuronale Netze?
Grundlage für das Deep Learning bilden die künstlichen neuronalen Netzwerke, welche innerhalb des Lernprozesses immer wieder neu verknüpft werden. Unter einem neuronalen Netz wird hierbei eine Art künstliches menschliches Gehirn verstanden, welches aus künstlichen Neuronen besteht.
Die künstlichen neuronalen Netzwerke bestehen dabei aus sogenannten Ein – und Ausgangsneuronen und Zwischenneuronen. Über die Eingangsneuronen bekommt das neuronale Netzwerk einen Input, welcher In Form von Daten und Informationen erfolgt. In den Zwischenneuronen, den sogenannten „Hidden Layers“ werden die Daten weiterverarbeitet. Über die Ausgangsneuronen wird dann ein Ergebnis ausgeworfen. Sobald viele Neuronen existieren, können auch komplexere Sachverhalte abgebildet werden.
Wie funktioniert das Deep Learning?
Durch das Deep Learning sind Maschinen in der Lage, ohne menschliches Handeln neue Fähigkeiten zu erlernen und sich somit stetig zu verbessern und weiterzuentwickeln. Dies geschieht durch das Entnehmen von Mustern und Rechenmodellen aus bereits vorhandenen Daten. Mit den Erkenntnissen lassen sich dann Zusammenhänge erkennen, die mit entsprechenden Informationen verknüpft werden können. Durch den erworbenen Kontext können die Maschinen dann Entscheidungen treffen.
Jede getroffene Entscheidung wird hinterfragt, wodurch die Informationsverknüpfungen unterschiedliche Gewichtungen erhalten. Werden Entscheidungen bestätigt, erhalten sie eine höhere Gewichtung. Revidierende Entscheidungen hingegen erhalten eine niedrigere Gewichtung. Durch die Gewichtungen ergeben sich eine Vielzahl an Zwischenschichten zwischen den Ein– und Ausgabeschichten.
Klassische neuronale Netze besitzen meist nur zwei bis drei solcher Schichten. Die tiefen Netze der Deep Learning Technologie hingegen zeichnen sich durch bis zu 150 Schichten aus.
Anwendungsgebiete der Deep Learning Technologie
Die Methode Deep Learning wird in verschiedenen Bereichen zum Lösen praktischer Aufgaben eingesetzt. Dazu zählt zum Beispiel die Bilderkennung, die Verarbeitung natürlicher Sprache oder die automatische Spracherkennung
Deep Learning wird vor allem da eingesetzt, wo große Datenmengen verarbeitet werden und wo sich Muster erkennen lassen. Daher wird Deep Learning häufig für die Gesichts- oder Spracherkennung verwendet. Ein bekanntes Beispiel hierfür ist der Sprachassistent Siri von Apple.
Neben Sprachassistenten sind auch das Übersetzen von gesprochenen Texten, das autonome Fahren oder Vorhersagen über Kundenverhalten weitere Anwendungsgebiete des Deep Learnings.
Deep Learning versus Machine Learning
Das Deep Learning wird zwar als Teilgebiet des Machine Learning angesehen, allerdings gibt es eine klare Unterscheidung zwischen den beiden Technologien. Ein wesentlicher Unterschied ist der Eingriff des Menschen. Beim maschinellen Lernen greift der Mensch in die Analyse und den Entscheidungsprozess ein. Beim Deep Learning ist der Mensch nur für das Anreichern mit Informationen und für die Prozessdokumentation zuständig. Die Analyse und die Prognosen und Entscheidungen werden ausschließlich von den Maschinen übernommen. Somit hat beim Deep Learning der Mensch keinen Einfluss auf die beim Lernprozess entstandenen Ergebnisse.
Anders als beim maschinellen Lernen kann beim Deep Learning zudem nicht mehr nachverfolgt werden nach welchen Mustern eine Maschine eine Entscheidung getroffen hat.