Deep Learning: Einführung, künstliche Neuronale Netzwerke und Anwendungsbeispiele

Deep Learning (tiefes Lernen) ist ein Teilgebiet von maschinellem Lernen, was sich auf künstliche neuronale Netze und große Datenmengen fokussiert. Deep Learning wird dazu genutzt um Bilder zu erkennen, Texte zu verstehen und Entscheidungen genauer zu tätigen.

Durch große Datenmengen (Big Data) und stark gewachsene Rechenkraft hat Deep Learning an Relevanz gewonnen.

In diesem Artikel gehe ich auf folgende Themen zu Deep Learning ein:

Deep Learning Einführung

Die Grundlage von Deep Learning sind Neuronale Netze gibt es schon seit den frühen 1940 Jahren und ist eigentlich kein neues Thema, doch durch Big Data und die wachsende Rechenkraft (durch den Einsatz von Grafikkarten) gewinnt es rasant an Aufmerksamkeit. Deep Learning löst Probleme, die ohne diese Ansätze schlichtweg nicht möglichen sind.

Abgrenzung von Deep Learning, Machine Learning und kuenstlicher Intelligenz. Machine Learning und Deep Learning sind Teil von künstlicher Intelligenz
Deep Learning ist ein Teil von künstlicher Intelligenz

Tiefes Lernen ist extrem rechenintensiv und das Training kann über Monate andauern, um gute Vorhersagen und Entscheidungen treffen zu können. Das liegt ein komplexen Architekturen und millionen von Modell-Parametern.

Deep Learning und künstliche neuronale Netze

Deep Learning basiert auf der Verwendung von künstlicher neuronaler Netze. Künstliche neuronale Netze sind Algorithmen, die nach dem biologischen Vorbild des menschlichen Gehirns modelliert sind. Eingesetzt werden diese um Muster zu erkennen, Texte zu deuten oder helfen uns dabei Cluster zu bilden und Objekte auf Bildern zu klassifizieren.

Natürlich wird ein Deep Learning Algorithmus, wie jeder Algorithmus des maschinellen Lernens, anhand von Daten trainiert. Künstliche neuronale Netze sind oft sehr komplex, was die Interpretation der einzelnen Entscheidungen schwer nachzuvollziehen ist.

Ein ganz einfaches künstliches neuronales Netz besteht aus einer Eingangsschicht (Input Layer), einer versteckten Schicht (Hidden Layer) sowie einer Ausgangsschicht (Output Layer).

Die Neuronen der Hidden Layer enthalten so genannte Gewichte und ordnen den verschiedenen Input-Signalen ein Output-Ergebnis zu.

Dabei werden Input-Signale über Aktivierungsfunktionen gesichtet und transformiert.

Künstliche neuronale Netze können einfach oder komplexe Strukturen haben. Sie bestehen aus Input Layer, Hidden Layer und Output Layer.
Deep Learning und künstliche neuronale Netze können einfache oder komplexe Architekturen aufweisen.

Wie man im Schaubild erkennen kann, kann ein neuronales Netzwerk beliebig komplex aufgebaut sein. Einfache KNNs können beispielsweise nur einen Hidden Layer haben, wobei komplexere Ansätze dann 100 Hidden Layer haben.

Wenn die Rede von tiefem Lernen ist, dann sind Modelle gemeint, die auf jeden Fall mehr als einen Hidden Layer haben.

Wer noch mehr Informationen über Künstliche Neuronale Netze haben möchte: in diesem Artikel geht es etwas mehr in die Tiefe.

Warum Deep Learning?

Warum sollten Deep Learning Algorithmen und künstliche neuronale Netze eingesetzt werden? Es gibt Problemstellungen, wie unstrukturierte Bild– und Texterkennung, die sich besonders gut mit neuronalen Netzen abbilden lassen. Das Erlernen dieser komplexeren Muster, ist mit klassischen Machine Learning Algorithmen nur schwer möglich. Hier spielen künstliche neuronale Netze ihre Stärke aus.

Je größer die Datenmenge, desto besser funktioniert tiefes Lernen.

Ein gutes Beispiel ist die Sprach-, Text- und Bilderkennung. Dafür gibt es bestimmte neuronale Netzwerkarchitekturen, die dafür besonders gut geeignet sind. Zur Bilderkennung werden sehr häufig Convolutional Neural Networks (CNN) eingesetzt.

Aber auch strukturierte Daten lassen sich mit neuronalen Netzen gut verarbeiten, besonders wenn viele Daten vor Verfügung stehen.

Big Data Technologie und die stetig wachsende Datenmenge spielen für den Erfolg dieser Ansätze eine entscheidende Rolle. Ohne Big Data funktionieren neuronale Netze oft schlechter als klassisches maschinelles Lernen, was folgendes Schaubild von Andrew Ng deutlich zeigt.

Warum Deep Learning mit großen Datenmengen besser funktioniert als herkömmliche Algorithmen.
Warum Deep Learning? Deep Learning vs. standard Vorgehen.
Folie von Andrew Ng

In der Praxis muss ich feststellen, dass viele meiner Kunden einfach noch nicht genug Daten zur Verfügung haben oder einfach in Ihrem Machine Learning Reifegrad noch nicht weit genug sind.

Deep Learning vs. Machine Learning: Wo ist der Unterschied?

Deep Learning eine Teilmenge von Machine Learning, daher ist Deep Learning somit immer maschinelles Lernen. Allerdings lohnt es sich, die Fähigkeiten dieser beiden Arten von maschinellem Lernen genauer zu betrachten, denn beide haben unterschiedliche Eigenschaften.

Um die Begriffe besser abzugrenzen teilen wir diese in Deep Learning und „klassisches“ Machine Learning. Mit klassischem Machine Learning sind die Methoden gemeint, die keine künstliche neuronale Netze nutzen. Deep Learning hingegen nutzt ausschließlich künstliche neuronale Netzwerke.

Somit liegt der Hauptunterschied zwischen Deep Learning und klassischem Machine Learning liegt in der Fähigkeit, durch künstliche neuronale Netzwerke (KNN), unstrukturierte Daten zu verarbeiten.

Künstliche neuronale Netzwerke sind in der Lage unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umzuwandeln. Diese extrahierten Informationen werden dann zur Mustererkennung und zum weiteren Lernen verwendet.

Machine Learning vs. Deep Learning: der Unterschied liegt in der Feature Extraktion und dem Einsatz von tiefen, künstlichen neuronalen Netzen.
Machine Learning vs. Deep Learning: der Unterschied liegt in der Feature Extraktion und dem Einsatz von tiefen, künstlichen neuronalen Netzen.

Klassische Machine Learning Methoden sind nicht in der Lage diese unstrukturierten Daten gut zu verarbeiten. Anwendungsfälle, wie die Bilderknnung sind mit klassischen Methoden kaum sinnvoll umzusetzen, da diese Modelle die komplexen Zusammenhänge nicht abbilden können.

Ein weiterer Unterschied ist das Feature Engineering, also die Datenvorverarbeitung, die bei Deep Learning fast ausschließlich durch den Algorithmus durchgeführt wird.

In der folgenden Tabelle zeige ich die Hauptunterschiede zwischen Deep Learning und Machine Learning:

  Machine Learning Deep Learning
Datenstruktur Strukturierte Daten Unstrukturierte und strukturierte Daten
Datensatzgröße Klein – Mittel Groß
Hardware Funktioniert mit einfacher Hardware. Braucht leistungsstarke Computer (mit GPUs). Neuronale Netze multiplizieren Matrizen, die sehr viel Rechenzeit brauchen – GPUs beschleunigen den Vorgang.
Feature Extraktion Sie müssen die Merkmale in der Regel verstehen. Sie müssen die Merkmale nicht verstehen.
Laufzeit Ein paar Minuten bis Stunden Bis zu Wochen und Monaten. Künstliche neuronale Netze müssen einen enorm viele Gewichte berechnen.
Interpretierbarkeit Einige Algorithmen sind leicht zu interpretieren (Logistische Regression, einfache Entscheidungsbäume), andere sind fast unmöglich (SVM, XGBoost). Schwer zu interpretieren und oft unmöglich.
Deep Learning und Machine Learning im Vergleich: Wo liegt der Unterschied?

Ist Deep Learning überbewertet?

Die Frage, ob Deep Learning überbewertet ist, kann man einfach beantworten: nein.

Durch neuronale Netze können heute Probleme gelöst werden, die ohne diese einfach nicht zu lösen wären. Die automatisierte Bilderkennung von Schrift und Text sind für klassische maschinelle Lernmethoden einfach nicht in der gewünschten Qualität losbar.

Auch das verstärkendes Lernen, was für autonome Fahrzeuge und Robotik eingesetzt wird, ist nur durch Deep Learning-Methoden möglich. So werden solche Anwendungen unser tägliches Leben in den nächsten Jahren deutlich verändern.

Anwendungsfälle für das Deep Learning

Deep Learning ist ein mächtiges Werkzeug für das Lösen von Problemen in der Datenverarbeitung im Bereich Big Data. Entsprechend vielfältig sind die Anwendungsfälle im Business-Umfeld. Wir haben uns sieben interessante Use-Cases für Sie angesehen und kurz skizziert. Sie verdeutlichen, welche überragende Rolle das Deep Learning für Unternehmen heute spielt.

Im Folgenden gehe ich auf 7 Anwendungsfälle von Deep Learning in unterschiedlichen Unternehmensbereichen und Branchen ein.

Marketing

Deep Learning bietet Ihnen im modernen Marketing Vorteile in Hinblick auf eine konsequentere Personalisierung der Maßnahmen. Das Marketing ist immer stärker an den Bedürfnissen des einzelnen Kunden ausgerichtet und nicht mehr an größeren Gruppen, die sich in der Vergangenheit einfacher analysieren ließen. Deep Learning hilft dabei, Kundenbedürfnisse besser zu verstehen, optimale Produkte vorzuschlagen und Verhaltensweisen der Kunden wie etwa ein verändertes Kaufverhalten vorherzusagen. Häufig können Sie mit den aus Deep Learning gewonnenen Erkenntnissen konkrete Maßnahmen für eine Stärkung der Kundenbindung ableiten.

Kundenservice

Ein beliebtes Anwendungsbeispiel für Deep Learning im Kundenservice sind die Chatbots. Sie ersetzen menschliche Mitarbeiter bei der Beantwortung von Kundenfragen. Moderne Algorithmen erlauben es insbesondere, immer kompliziertere Anfragen und nicht nur Standardanfragen zu bearbeiten. Je mehr Kunden der Chatbot bedient, desto stärker wächst der Erfahrungsschatz an und der Lernerfolg steigt. Das bringt in der Praxis stetige Verbesserungen des Systems mit sich.

Verkauf

Basierend auf allen Kundenkontakten und bisherigen Verkaufserfolgen ermöglicht Deep Learning Ihnen präzise Umsatzprognosen. Deep Learning setzt Zeitressourcen bei Ihren Mitarbeitern im Verkauf frei, die sich um die Prognosen nicht mehr selbst kümmern müssen und es hilft bei der Lead Generierung.

FinTech

Deep Learning setzen FinTech-Unternehmen in der Betrugsbekämpfung ein, um ungewöhnliche oder betrügerische Transaktionen frühzeitig zu erkennen. In Systemen, die Millionen Transaktionen bewältigen, ist eine Betrugsbekämpfung häufig ohne den Einsatz von KI schlicht nicht mehr denkbar. Ein weiteres wichtiges Einsatzgebiet für FinTechs sind die Robo-Advisor. Ein KI-Chatbot unterstützt Sie bei Ihren Finanzentscheidungen und steht bei Fragen zum Konto oder Depot jederzeit zur Verfügung.

Medizin

Im Bereich der Medizin ergeben sich viele Big-Data-Anwendungsfälle zum Beispiel beim Analysieren von Patientendaten. Die KI sieht sich Befunde an und macht Handlungsvorschläge etwa für die Einleitung von Therapien. Zudem generiert die KI Medikamentierungspläne, warnt frühzeitig vor der Entwicklung chronischer Erkrankungen bei gefährdeten Patienten oder unterstützt bei der Ausstellung von Rezepten. Weiterhin ermittelt Deep Learning, welche Marktsegmente das Marketing mit welchen Produkten bearbeiten sollte und hilft beim Brand Management.

Personalwesen

Im Personalwesen stehen die Unternehmen vor der Herausforderung vorherzusagen, welchen Beitrag ein bestimmter Kandidat zum Unternehmenserfolg leisten wird. Deep Learning analysiert Bewerbungen und viele andere Datenquellen im Zusammenhang mit Bewerbungsprozessen und macht präzise Vorhersagen zur Leistungsfähigkeit und Leistungsbereitschaft der Kandidaten. Ihr Unternehmen erhält hier ein wertvolles Werkzeug für Analysen im Personalwesen.

Selbstfahrende Autos

Für Effizienzsteigerungen im Verkehr sorgt Deep Learning auf vielfältige Weise. Er verhilft dem Fahrzeug zu einer besseren Wahrnehmung der Umgebung, bietet Fahrassistenzen und erhöht die Sicherheit im Fahrzeug. Auf der Straße sammeln moderne Autos riesige Mengen an Daten zu diesen und vielen weiteren Fragen. Deep Learning ermöglicht es Ihnen und Ihrem Unternehmen, aus diesen Daten die richtigen Schlüsse zu ziehen.

Welche Deep Learning Frameworks gibt es?

Heute sind in der Praxis verschiedene Deep Learning-Frameworks relevant. Wenn Sie und Ihre Mitarbeiter eigene Anwendungen in diesem Bereich entwickeln möchten, empfehlen wir Ihnen die Beschäftigung mit folgenden Optionen:

TensorFlow

TensorFlow gehört heute zu den Deep Learning-Frameworks mit der weltweit stärksten Verbreitung. Es handelt sich um Open-Source für die Entwicklung von Anwendungen im Bereich Maschinenlernen und KI zum Beispiel für die automatische Bilderkennung oder Natural Language Processing. Für die Entwicklung zeichnet das Google Brain Team verantwortlich. Google setzt selbst TensorFlow ein für seine Google Suche, Google Fotos und für Gmail sowie für die Spracherkennung. Die Entwicklung erfolgt in den Sprachen Python und C++.

Keras

Keras ist ebenso wie TensorFlow in Python geschrieben. Das Framework erlaubt die schnelle Implementierung von neuronalen Netzwerken und ist daher hervorragend für dynamische Business-Umgebungen mit sich ständig ändernden Anforderungen geeignet. Interessant ist, dass ein gemeinsamer Einsatz mit anderen Frameworks wie TensorFlow möglich ist. Als Open-Source-Bibliothek ist eine Weiterentwicklung durch die weltweite Gemeinschaft mitarbeitender Programmierer gesichert.

Pytorch

Pytorch ist das dritte Deep Learning-Framework im Bunde, das auf Open-Source und die Programmiersprache Python setzt. Zudem erfolgt die Entwicklung in C und CUDA. Hinter diesem Projekt steht das KI-Forschungsteam von Facebook. Pytorch nutzt viele bewährte Python-Bibliotheken und ermöglicht die Nutzung auf mobilen Plattformen wie Android oder iOS. Seit 2020 setzt die Non-Profit-Organisation OpenAI offiziell auf Pytorch.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Den datasolut Blog abonnieren und Expertentipps zu Marketingoptimierung mit künstlicher Intelligenz erhalten.

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.