Deep Learning

 

  1. Was ist Deep Learning?
  2. Wie funk­tio­niert Deep Learning?
  3. Bei­spiel für Deep Learning
  4. Anwen­dun­gen für Deep Learning

 

 

Was ist Deep Learning?

 

Deep Learning, auch unter den Bezeich­nun­gen “Deep Struc­tu­red Learning” oder “Hier­ar­chi­sches Ler­nen” bekannt, ist eine spe­zi­el­le Metho­de aus dem Bereich Maschi­nel­les Ler­nen. Obwohl das Kon­zept bereits in den 1980er-Jah­ren erst­ma­lig for­mu­liert wird, gewinnt das Kon­zept Deep Learning dank immer leis­tungs­stär­ke­rer Soft- und Hard­ware, dem Vor­han­den­sein von gro­ßen Daten­sät­zen und der Ent­wick­lung bes­se­rer Algo­rith­men in der letz­ten Zeit beträcht­lich an Bedeu­tung.

Wie funktioniert Deep Learning?

 

Beim Deep Learning wer­den häu­fig Algo­rith­men zur Mus­ter­er­ken­nung aus dem Bereich der neu­ro­na­len Net­ze ver­wen­det. Ent­ge­gen einem belieb­ten Bild zur Erklä­rung des Phä­no­mens kopie­ren Deep Learning-Model­le neu­ro­na­le Net­ze des mensch­li­chen Gehirns nicht 1:1 — die Struk­tu­ren ähneln sich aktu­ell nur ober­fläch­lich.

Auch wenn der Auf­bau dem unse­res Hirns (noch) nicht gleicht, liegt ein Erfolgs­ge­heim­nis des Ansat­zes dar­in, dass es in den letz­ten Jah­ren gelun­gen ist, sehr gro­ße Netz­wer­ke mit vie­len auf­ein­an­der­fol­gen­den Schich­ten anzu­le­gen und zu trai­nie­ren. Die vie­len Schich­ten zwi­schen Input und Out­put sor­gen für eine kom­ple­xe, tie­fe Struk­tur — daher “tief­ge­hen­des Ler­nen”. Schließ­lich ergibt sich ein indi­vi­du­el­les Modell, das die Erken­nung von Mus­tern und die Vor­her­sa­gen bezüg­lich neu­er Phä­no­me­ne erlaubt.

Im Gegen­satz zum all­um­fas­sen­den Wis­sens­er­werb eines Men­schen beschränkt sich der Deep Learning-Pro­zess einer Maschi­ne auf eine genau umgrenz­te Pro­blem­stel­lung. Das heißt auch, dass die Daten, die zum Trai­nie­ren eines neu­ro­na­len Net­zes ver­wen­det wer­den, direkt für das zu lösen­de Pro­blem rele­vant sein müs­sen.

Maschi­nel­les Ler­nen kommt dort zur Anwen­dung, wo aus gro­ßen Daten­men­gen Mus­ter abge­lei­tet und Ent­schei­dun­gen getrof­fen wer­den sol­len. Deep Learning hat gegen­über ande­ren Metho­den des maschi­nel­len Ler­nens beson­ders dann Vor­tei­le, wenn sehr vie­le unstruk­tu­rier­te Daten vor­lie­gen, also für Vide­os, Bil­der, Audio­da­tei­en oder Text. Wei­te­res Plus von Deep Learning: Die Ergeb­nis­se sind häu­fig prä­zi­ser als der Out­put ande­rer Model­le.

 

Beispiel für Deep Learning

 

So kann bei­spiels­wei­se eine Anwen­dung zur Bil­der­ken­nung ler­nen wie eine Kat­ze aus­sieht. Das Machi­ne-Learning-Sys­tem bekommt dazu eine gro­ße Anzahl von Bil­dern ein­ge­speist. Hohe Rechen­leis­tung ist not­wen­dig, um im Anschluß jedes ein­zel­ne Bild zu ana­ly­sie­ren und zu bewer­ten.

Die ers­te Dar­stel­lungs­schicht kann die ein­zel­nen Pixel des Kat­zen­bil­des abs­tra­hie­ren und anschlie­ßend Umris­se bzw. Kan­ten codie­ren. Im zwei­ten Lay­er des neu­ro­na­len Netz­wer­kes wer­den ver­schie­de­ne Anord­nun­gen von Kan­ten zusam­men­ge­setzt und codiert. Die drit­te Schicht könn­te Ele­men­te wie Nase und Augen der Kat­ze codie­ren, bevor der vier­te Lay­er erkennt, dass das Bild ein Kat­zen­ge­sicht zeigt. Als Ergeb­nis ord­net das Modell das Bild der Kate­go­rie Kat­ze oder Nicht-Kat­ze zu.

Das Beson­de­re am Deep Learning sind die selb­st­op­ti­mie­ren­den Pro­zes­se. Die Sys­te­me ler­nen ohne durch Exper­ten ein­pro­gram­mier­te Vor­kennt­nis­se, wel­che Fea­tures aus den Input-Daten auf wel­cher Ebe­ne am effek­tivs­ten trans­for­miert wer­den. Das hat den Vor­teil, dass der Mensch nicht ein­grei­fen muss. Ande­rer­seits ist aber auch nicht immer ganz klar, was das Sys­tem lernt. Machi­ne-Learning-Sys­te­me wie Deep Learning Model­le gel­ten daher auch als Black Box.

 

Anwendungen für Deep Learning

 

Klas­si­fi­zi­ka­ti­on bzw. Grup­pie­rung von Daten und/oder die Erstel­lung von Vor­her­sa­gen — Deep Learning löst dort für mensch­li­che Anwen­der Her­aus­for­de­run­gen, wo Maschi­nen mit gro­ßem Daten-Input kon­fron­tiert sind. Häu­fi­ge Anwen­dungs­fäl­le für Deep Learning sind Bild- und Sprach­er­ken­nung, prä­dik­ti­ve Ana­ly­sen, Emp­feh­lungs­sys­te­me oder Ano­ma­lie­er­ken­nung.

Die­ses Bild zeigt unan­ge­mes­se­ne Inhal­te”, “Die­se Finanz­trans­ak­ti­on ist Betrug” oder “Die­se E-Mail ist Spam!” sind prak­tisch ver­wert­ba­re Aus­sa­gen, die auf Deep Learning-basier­te Klas­si­fi­zie­rung zurück­ge­hen.

Die Grup­pie­rung von Daten ermög­licht Resul­ta­te wie “Der Anwen­der sucht sehr wahr­schein­lich die­ses Doku­ment” oder “Die­se bei­den Geräu­sche sind ähn­lich”. Letzt­ge­nann­tes Bei­spiel ist eine der Vor­aus­set­zun­gen, um Ton­aus­schnit­te in grö­ße­ren Audio­da­tei­en zu iden­ti­fi­zie­ren und das gespro­che­ne Wort als Text zu tran­skri­bie­ren.

Durch Deep Learning gewon­nen wäre auch eine rele­van­te Vor­her­sa­ge wie “Auf Basis der Daten zum bis­he­ri­gen Nut­zer­ver­hal­ten pro­gnos­ti­zie­ren wir für User XY eine Kün­di­gung des Abos unse­res SaaS-Ser­vice.”

Eine oder meh­re­re der beschrie­be­nen Deep-Learning-Pro­zes­se kom­men in all­täg­lich genutz­ten Ser­vices zum Ein­satz, etwa in der Sprach­steue­rung von Ale­xa, dem Bil­der-Tag­ging von Face­book oder der auto­ma­ti­schen Über­set­zung von DeepL.

 

 

Quel­len, Ver­wei­se & PDF: