Deep Learning: Bedeutung, Zweck und Beispiele
Künstliche Intelligenz hat die Informationsverarbeitung revolutioniert durch Maschinen, die in der Lage sind, wie das menschliche Gehirn zu lernen. Aus dem Machine Learning, bei dem enorme Datenmengen analysiert werden können, hat sich ein Teilbereich weiterentwickelt, das Deep Learning. Was das ist, wozu und in welchen Bereichen es genutzt wird, erklären wir hier.
Künstliche Intelligenz, Machine Learning, Deep Learning: Unterschiede
Um zu verstehen, was Deep Learning bedeutet, ist es nützlich die Konzepte künstliche Intelligenz und Machine Learning zu unterscheiden, weil Laien diese oft als synonym ansehen.
Künstliche Intelligenz ist ein Teilbereich der Informatik, der in den 1960er Jahren entstand. Man suchte zunächst nach einer Methode, um einfache aber wiederkehrende und mühsame Rechenaufgaben zu vereinfachen und automatisch auszuführen statt manuell. Letztlich war die Idee dahinter, eine Technologie zu erschaffen mit denselben kognitiven und analytischen Fähigkeiten wie der Mensch.
Innerhalb der künstlichen Intelligenz bezeichnet das Machine Learning eine Technologie, die automatische Prozesse ausführt und in großen Datenmengen bestimmte Muster identifizieren kann, auf deren Basis die Maschine selbständig Entscheidungen treffen kann. Beispiele für die Anwendung sind etwa die Erkennung von bestimmten Objekten oder Wörtern unter vielen und die Auswahl von Aktionen, die auf eine andere Aktion innerhalb eines Prozesses folgen sollen.
Dabei zeichnet sich das Machine Learning dadurch aus, dass die Entscheidung für eine bestimmte Reaktion automatisch durch die Maschine erfolgt, ohne Einfluss durch den Menschen. Der Mensch hat nur insofern einen Einfluss, als er der Maschine im Vorfeld sozusagen "beibringt", bestimmte Eigenschaften zu erkennen und konkrete Aktionen auszuführen, sie also dementsprechend programmiert. Das Deep Learning ist eine Technologie, die noch über dieses automatische Lernen hinausgeht.
Was ist Deep Learning und wie funktioniert es?
Das Deep Learning nutzt künstliche neuronale Netze (artificial neural networks), die es ermöglichen, dass die Maschine lernt, ohne dass ein Mensch sie zuvor darauf programmiert, unterscheiden zu können, was sie erkennen soll. Das System ist wie das menschliche Gehirn fähig, das Erlernte immer wieder mit neuen Inhalten zu verknüpfen und dadurch erneut zu lernen. Dazu sendet eine niedrige Schicht einfache und allgemeine Informationen an eine höhere Schicht, die die Informationen in komplexere Muster einbinden, um präzise Analysen zu erstellen.
Das System kann nicht nur eigene Entscheidungen treffen wie beim maschinellen Lernen, sondern auch Prognosen erstellen sowie schon getroffene Entscheidungen hinterfragen und dann bestätigen oder ändern. Um den Unterschied besser zu verstehen, nehmen wir zum Beispiel die Erkennung eines Huts. Beim Machine Learning wird die Maschine darauf programmiert, dieses Kleidungsstück zu erkennen, indem man ihm Informationen über seine Form und Beschaffenheit vermittelt und zeigt, wann ein Hut abgebildet ist und wann nicht. Beim Deep Learning ist die Maschine in der Lage, selbst die gemeinsamen Eigenschaften von Hüten unter vielen anderen Kleidungsstücken zu ermitteln und Hüte selbständig als zu einer gemeinsamen Klasse gehörende Objekte zu erkennen.
Beim Deep Learning kann die Maschine ihre eigene Leistung ständig verbessern und sogar ganz neue Fähigkeiten selbst lernen. Die Analyseprozesse finden auf bis zu 150 verborgenen Schichten statt, von denen jede eine andere Funktion übernimmt. Das "tief" in der Bezeichnung Deep Learning bezieht sich auf diese tiefen, verborgenen Schichten.
Wozu dient Deep Learning?
Dass eine Maschine selbständig, schnell und ohne notwendige Kontrolle durch den Menschen Terabytes und Petabytes von Informationen verstehen, verarbeiten und Lösungen anwenden kann, ist ein unglaublich großer und nützlicher Fortschritt. Da sich damit enorm viel Zeit und Geld sparen lässt, wundert es nicht, dass die Unternehmen in aller Welt ehrgeizig an der Entwicklung und Anwendung dieser Technologie arbeiten.
Unter den möglichen Anwendungen sind zum Beispiel Bilderkennung, Prognosen zur Voraussage des Verhaltens von einzelnen oder Gruppen von Menschen (Nutzerpräferenzen, Migrationsströme, Verkehrsaufkommen), die Entwicklung von Krankheiten oder des Klimas.
Beispiele für die Anwendung von Deep Learning im Alltag
- Marketing und Werbung: Unternehmen wenden die Technologie an, um herauszufinden, wo Ihre Logos und Produkte im Internet auftauchen und wer sie teilt. Deep Learning analysiert in Echtzeit, wie Konsumenten auf neue Produkte reagieren, wie sie die Marke finden und nach welchen Kriterien sie auswählen, um die Produktlinie und Marketingstrategie des Unternehmens entsprechend anzupassen. Amazon nutzt dies zum Beispiel bei der Anzeige von Empfehlungen auf der Basis Ihrer früheren Bestellungen.
- Autos: Intelligente Autos nehmen Informationen aus ihrer Umgebung auf, um daraus die besten Aktionen abzuleiten in Bezug auf Verkehrssicherheit oder Energieeffizienz. Heutzutage gibt es schon Systeme, die den Fahrer darauf hinweisen, wenn er sich Objekten zu sehr nähert, oder die ihm Vorschläge für einen geringeren Benzinverbrauch machen. Dank Deep Learning werden Autos in Zukunft autonom fahren können, ganz ohne Zutun von Menschen.
- Cyber-Sicherheit: Deep Learning kann die Sicherheit aller Arten von Informations- und Kommunikationssystemen gewährleisten. So kann die Technologie zum Beispiel Bankbetrug oder gestohlene Ausweise identifizieren. Konten von Banken und Internetdiensten können jetzt schon automatisch gesperrt werden, wenn Algorithmen ungewöhnliche Aktivitäten entdecken. Diese werden immer mehr verfeinert, um sogenannte Falsche Positive zu vermeiden.
- Medizin: Im Bereich der Medizin dient Deep Learning dazu, Aufnahmen durch Röntgen oder Computertomographie auf Anomalien zu untersuchen und Krankheitsmuster besser zu erkennen. So können Krankheiten nicht nur früher entdeckt, sondern Verläufe auch effizienter vorhergesagt und behandelt werden.
- Gesichts- und Spracherkennung: Viele Unternehmen nutzen diese Technologie bereits zur Identifizierung Ihrer Mitarbeiter oder Kunden. So erkennen Google Fotos und Facebook mit Hilfe von Deep Learning die Personen auf Bildern. Smartphones werden nur durch das gespeicherte Gesicht des Nutzers entsperrt und intelligente Lautsprecher und Sprachassistenten reagieren nur auf die Stimme Ihres Besitzers.
- Texterkennung in Bildern: Diese Technologie kommt zum Beispiel in der Live-Text-Funktion des mobilen Betriebssystems iOS 15 zur Anwendung. Deep Learning kann Text in Bildern erkennen und sogar in andere Sprachen übersetzen.
- Streaming-Plattformen: Internetportale wie YouTube, Netflix oder Spotify erkennen danke Deep Learning Ihre Lieblingsinhalte, um Ihre Präferenzen zu identifizieren und personalisierte Listen zu erstellen, Ihnen Neuigkeiten über Ihre Lieblingskünstler anzuzeigen und Ihnen Filme zu empfehlen, die Sie interessieren könnten.
Foto: © phonlamaiphoto - 123RF.com