Was ist Deep Learning?

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.

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.

Anwendungsbeispiele für tiefes Lernen

Mit Deep Learning lassen sich viele Problemstellungen lösen, besonders wenn unstrukturierte Daten, wie Video, Audio und Text zu analysieren sind, eigent sich der Einsatz. Vor allem aber große Datenmengen sind von Vorteil, denn die Modelle brauchen viele Daten um gute vorhersagen zu treffen.

Bekannte Bespiele für Deep Learning:

Natürlich finden sich auch Anwendungsbeispiele im CRM oder E-Commerce. Viele Recommendation Systeme nutzen neuronale Netze um komplexes Kundenverhalten abzudecken und mehr Features aufzunehmen.

Deep Learning Frameworks

Für tiefes Lernen haben sich in den letzten Jahren eigene Frameworks entwickelt, oft getrieben durch große amerikanische Technologie-Unternehmen (Facebook & Google). Die bekanntesten Frameworks für Deep Learning sind:

Die Grundlagen von TensorFlow habe ich bereits in diesem Artikel beschrieben. Ebenfalls habe ich in diesem Artikel eine Einführung mit Beispiel in Keras gegeben.


Ihr Ansprechparnter: Laurenz Wuttke

Wir entwickeln Künstliche Intelligenz, mit der Sie mehr aus Ihren Kundendaten machen – für wachsende Umsätze und eine nachhaltig hohe Kundenzufriedenheit.

Auch interessant für Sie