Definition

Was ist Deep Learning?

| Autor / Redakteur: Tutanch / Nico Litzel

(© aga7ta - Fotolia)

Deep Learning ist ein Teilbereich des Machine Learnings und nutzt neuronale Netze sowie große Datenmengen. Die Lernmethoden richten sich nach der Funktionsweise des menschlichen Gehirns und resultieren in der Fähigkeit eigener Prognosen oder Entscheidungen.

Beim sogenannten Deep Learning handelt es sich um eine spezielle Methode der Informationsverarbeitung. Deep Learning ist ein Teilbereich des Machine Learnings und nutzt neuronale Netze. Zur Herstellung künstlicher Intelligenz werden Trainingsmethoden genutzt, die große Datenmengen heranziehen und analysieren. Die Funktionsweise ist in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert. Auf Basis vorhandener Informationen und des neuronalen Netzes kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Daraus resultierend ist die Maschine in der Lage, Prognosen oder Entscheidungen zu treffen und diese zu hinterfragen. Entscheidungen werden bestätigt oder in einem neuen Anlauf geändert. In der Regel greift der Mensch beim eigentlichen Lernvorgang nicht mehr ein.

Deep Learning eignet sich für alle Anwendungen besonders gut, bei denen große Datenbestände zur Verfügung stehen, aus denen sich Muster und Modelle ableiten lassen. Als technische Grundlage des Deep Learnings dienen künstliche neuronale Netze, die während des Lernvorgangs immer wieder neu verknüpft werden.

Neuronale Netze – Grundlage für das Deep Learning

Das neuronale Netz ist eine Art künstliches Abstraktionsmodell des menschlichen Gehirns und besteht aus künstlichen Neuronen. Es verfügt über sogenannte Eingangs- und Ausgangsneuronen. Dazwischen befinden sich mehrere Schichten an Zwischenneuronen. Die Eingangsneuronen lassen sich durch Lernen auf verschiedenen Wegen über die Zwischenneuronen mit den Ausgangsneuronen verknüpfen. Je mehr Neuronen und Schichten existieren, desto komplexere Sachverhalte lassen sich abbilden.

Das grundlegende Konzept des Deep Learnings

Deep Learning lehrt Maschinen zu lernen. Die Maschine wird in die Lage versetzt, selbstständig und ohne menschliches Zutun ihre Fähigkeiten zu verbessern. Das erreicht man, indem aus vorhandenen Daten und Informationen Muster extrahiert und klassifiziert werden. Die gewonnenen Erkenntnisse lassen sich wiederum mit Daten korrelieren und in einem weiteren Kontext verknüpfen. Schließlich ist die Maschine fähig, Entscheidungen auf Basis der Verknüpfungen zu treffen.

Durch kontinuierliches Hinterfragen der Entscheidungen erhalten die Informationsverknüpfungen bestimmte Gewichtungen. Bestätigen sich Entscheidungen, erhöht sich deren Gewichtung, werden sie revidiert, verringert sich die Gewichtung. Zwischen der Eingabeschicht und der Ausgabeschicht entstehen immer mehr Stufen an Zwischenschichten und Verknüpfungen. Über den eigentlichen Output entscheidet die Anzahl der Zwischenschichten und deren Verknüpfung.

Abgrenzung des Deep Learnings vom rein maschinellen Lernen

Deep Learning ist zwar ein Teilbereich des Machine Learnings, lässt sich aber dennoch gut vom rein maschinellen Lernen abgrenzen. Der entscheidende Unterschied besteht darin, dass beim maschinellen Lernen der Mensch in die Analyse der Daten und den eigentlichen Entscheidungsprozess eingreift. Beim Deep Learning sorgt der Mensch lediglich dafür, dass die Informationen für das Lernen bereitstehen und die Prozesse dokumentiert sind. Die eigentliche Analyse und das Ableiten von Prognosen oder Entscheidungen überlässt er der Maschine selbst. Der Mensch hat keinen Einfluss auf die Ergebnisse des Lernprozesses. Es lässt sich im Nachhinein nicht mehr vollständig zurückverfolgen, auf Basis welcher genauen Muster eine Maschine eine bestimmte Entscheidung getroffen hat. Zudem werden die Entscheidungen ständig hinterfragt und die Entscheidungsregeln selbstständig optimiert.

Anwendungsbereiche für das Deep Learning

Deep Learning ist überall dort gut geeignet, wo sich große Datenmengen nach Mustern und Modellen untersuchen lassen. Deep Learning kommt daher im Rahmen künstlicher Intelligenz häufig für die Gesichts-, Objekt- oder Spracherkennung zum Einsatz. Bei der Spracherkennung ist es beispielsweise dank des Deep Learnings möglich, dass die Systeme ihren Wortschatz selbstständig mit neuen Wörtern oder Wortwendungen erweitern. Ein bekanntes Beispiel für eine solche Arbeitsweise ist der intelligente Sprachassistent Siri von Apple. Weitere Anwendungsbereiche sind das Übersetzen von gesprochenen Texten, die erweiterte künstliche Intelligenz in Computerspielen, das autonome Fahren oder die Vorhersage des Kundenverhaltens auf Basis von Daten eines CRM-Systems.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Das sind die IoT-Highlights auf der Embedded World 2019

Produkt-Bildergalerie

Das sind die IoT-Highlights auf der Embedded World 2019

Produkte und Lösungen rund um das Internet der Dinge stehen im Fokus, wenn sich die Embedded-Branche Ende Februar in Nürnberg trifft. Wir stellen einige Highlights vor. lesen

So beeinflussen neue Technologien Analytics

Kommentar von Satish HC, Infosys

So beeinflussen neue Technologien Analytics

Die rasanten Veränderungen in den Bereichen Digitalisierung, Daten und Analytics eröffnen Unternehmen Potenziale für nachhaltige Veränderungen. Organisationen können nun ihre Geschäftsmodelle neu gestalten, ihre Performance verbessern, die Kundenzufriedenheit steigern und Risiken reduzieren. Damit erfüllen sie Marktanforderungen und bleiben wettbewerbsfähig. lesen

Mit Deep Learning Geschäftsdaten optimieren

Uniserv-Initiative abgeschlossen

Mit Deep Learning Geschäftsdaten optimieren

Der Datenmanagementspezialist Uniserv hatte im Rahmen der Data-Pitch-Initiative gemeinsam mit Start-ups nach KI-basierten Möglichkeiten zur Generierung von Mehrwert aus Geschäftsdaten gesucht. Nun liegen die Ergebnisse vor. lesen

Medtech-Hersteller entlasten den Arzt

Künstliche Intelligenz auf der Medtec Live

Medtech-Hersteller entlasten den Arzt

Wissenschaftler beschäftigen sich schon seit Jahrzehnten mit Künstlicher Intelligenz. Doch erst heute scheint die Schwelle zur weitläufigen Nutzung überschritten. Aber ist Künstliche Intelligenz in der Medizin tatsächlich der so medienwirksam gepriesene Heilsbringer für die Zukunft? Eine Bestandsaufnahme mit Beispielen aus der Praxis. lesen

Wie sieht die Medizin der Zukunft aus?

Gesundheitswesen 2030

Wie sieht die Medizin der Zukunft aus?

Die nächsten Jahre werden spannend. Künstliche Intelligenz, Robotik und Big Data transformieren die Art und Weise, wie wir Medizin und Technologie, Krankheit und Gesundheit betrachten. Auch Prozesse, Diagnosen und Therapiemethoden werden durch technologische Innovationen beeinflusst. lesen

Deep-Learning-Prozessor für das Edge

Hailo-8

Deep-Learning-Prozessor für das Edge

Server-Rechenleistung am Edge verspricht das israelische Start-up Hailo. Dafür hat es einen proprietären Prozessor entwickelt, der auf die Verarbeitung von Deep-Learning-Algorithmen spezialisiert ist. Bei Investoren kommt das an: In der ersten Finanzierungsrunde konnte Hailo 21 Millionen US-Dollar einwerben. lesen

Big Data Paris 2019 lädt zum Branchentreff

Fachkonferenz in Frankreich

Big Data Paris 2019 lädt zum Branchentreff

Am 11. und 12. März findet in Paris die Konferenz Big Data Paris 2019 statt. Bereits zum 8. Mal in Folge treffen sich dort renommierte Branchenexperten mit interessierten Teilnehmern, um datengesteuerte Unternehmen von morgen zu erkunden. lesen

Viele Machine-Learning-Projekte scheitern am falschen Framework

Kommentar von Dr. David James, IT-Novum

Viele Machine-Learning-Projekte scheitern am falschen Framework

Welches Machine Learning Framework passt zu meinem Use Case? Die Antwort auf diese Frage beschäftigt viele Unternehmen, die bei der Auswahl häufig an einen Punkt gelangen, an dem sie nicht mehr weiterkommen. Unterstützung hierbei bietet eine Machine-Learning-Framework-Entscheidungsmatrix, die verschiedene miteinander Frameworks vergleicht. lesen

Daten zentral verwalten, ohne die Nutzer einzuengen

Zalando toleriert die „Schatten-KI“

Daten zentral verwalten, ohne die Nutzer einzuengen

Der Vorteil von Machine-Learning- und Deep-Learning-Anwendungen schwindet, wenn jedes Team das Rad neu erfindet. So die Überzeugung von Kshitij Kumar, Leiter des Zalando-Bereichs Data Infrastructure. Deshalb steht sein Team dem gesamten „Zalando Fashion Store“ als zentrale Instanz für Data-Warehouse- und „KI“-Applikationen zu Verfügung. Benötigt nun aber eine Geschäftseinheit partout etwa Eigenes, so fungieren die „Data-Infras“ als Consulting- und Servicegruppe. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44659369 / Definitionen)