Deep Learning als Teilbereich maschinellen Lernens

Das Deep Learning, frei übersetzt als tiefgreifendes oder tiefgehendes Lernen, ist ein wichtiger Teilbereich der künstlichen Intelligenz und eine spezielle Methode der Informationsverarbeitung. Es werden dabei neuronale Netze genutzt, die von ihrer Funktion her dem menschlichen Gehirn nachempfunden sind. Auch die Lernmethoden orientieren sich an der Funktionsweise des menschlichen Gehirns. Es ist eine immer mehr an Bedeutung gewinnende Technik, die in der Lage ist, Prognosen aufzustellen oder Entscheidungen aufgrund von Erfahrungen zu treffen.

Maschinen lernen ähnlich wie Menschen

Das menschliche Gehirn nimmt Informationen über die Sinnesorgane auf und nutzt diese Informationen, um bisher Erlerntes immer wieder mit neuen Inhalten zu verknüpfen und auf diese Weise das Gesamtwissen zu erweitern. Aufgrund seiner aus Informationen gewonnenen Erfahrungen ist der Mensch dadurch in der Lage, Zukunftsprognosen aufzustellen und Entscheidungen in seinem Handeln zu treffen. Ähnlich ist es auch beim so genannten Deep Learning, einer gerade in der letzten Zeit immer stärker an Bedeutung gewinnenden Methode der Informationsverarbeitung und einen Teilbereich des Machine Learning. Das maschinelle Lernen ist ein Vorgang, bei dem auch Computer bzw. Maschinen lernen können, ohne dass ein Mensch dafür einen Programmcode verändern oder erweitern müsste. Die Maschinen können durch das eigenständige Lernen Aufgaben selbsttätig eigenen Erfahrungswerten anpassen und dadurch optimieren. Deep Learning ist eine Methode, die auf neuronalen Netzen basiert und bereits vor einigen Jahrzehnten als Idee entstanden ist, zunächst allerdings mehr theoretisch. Praktisch eingesetzt wurde diese Methode erst wesentlich später, als die Leistungen der Computer entsprechend hoch waren und für die zu verarbeitenden Datenmengen ausreichende Kapazitäten zur Verfügung standen.

Deep Learning: Inhalte miteinander verknüpfen und erweitern

Die Grundlagen des Deep Learning bilden so genannte neuronale Netze, die sich wiederum aus mehreren Schichten von Neuronen zusammensetzen. Das Grundprinzip besteht darin, dass aus den gewonnenen Informationen Daten mit bestimmten Eigenschaften herausgefiltert werden. Eingesetzt werden solche neuronalen Netze beispielsweise, um Bilder oder Texte zu erkennen bzw. zur Erkennung von Objekten in Bildern oder von bestimmten Begriffen in Wortketten und Sätzen. Die Grundlage der Funktion des Deep Learning ist das Training, bei dem zunächst ein Bild oder mehrere Bilder mit einem bestimmten Inhalt dem jeweiligen passenden Wort zugeordnet werden. Anschließend werden weitere Trainingsdaten in Form von Bildern verwendet, um einen Optimierungsprozess durchführen zu können, bei dem wieder aus verschiedenen Bildern bestimmte Inhalte herausgefiltert werden sollen. Auf diese Weise findet ein Lernprozess statt, in dem das System lernt, auf Bildern bestimmte Inhalte zu erkennen. Ein möglicher Anwendungsbereich ist zum Beispiel die Gesichtserkennung oder die Sprachsteuerung bei der Verarbeitung von akustischen Signalen zum Herausfiltern von gesprochenen Wörtern.

Wofür Deep Learning bevorzugt eingesetzt wird

Deep Learning erfordert sehr große Datenmengen und damit eine ausreichende Rechnerleistung zum Anlegen eines entsprechenden neuronalen Netzes. Ein Computermodell erlernt die Durchführung von Klassifikationsaufgaben direkt aus Bildern, Texten oder akustischen Daten, zum Beispiel für die Spracherkennung. Daraus ergeben sich bereits einige Beispiele für mögliche Anwendungsgebiete:

  • automatische Erkennung von Objekten wie zum Beispiel Verkehrszeichen beim automatisierten Fahren
  • Industrieautomatisierung, beispielsweise in Form der automatischen Spracherkennung und Sprachsteuerung von Maschinen
  • automatisiertes maschinelles Hören und Sprechen, beispielsweise zur Nutzung von Assistenzsystemen im Privatbereich
  • im Bereich der medizinischen Bildverarbeitung und im Gesundheitswesen (Klassifizierung von Röntgenbildern oder Ähnliches) für diagnostische Zwecke

Unterschiede zwischen Deep Learning und Machine Learning

Deep Learning ist eine spezialisierte Form des Machine Learning, bei der es darum geht, bestimmte Merkmale automatisch aus den vorhandenen Daten zu extrahieren. In einem Netz werden die Rohdaten zur Verfügung stellt, und zwar zusammen mit einer bestimmten Aufgabe in Form einer Klassifikation. Das System lernt nun, diese Aufgabe automatisch durchzuführen. Dieses Verfahren weist damit Unterschiede zum Machine Learning auf, bei dem zunächst die relevanten Merkmale erst manuell aus den Daten extrahiert werden müssen und daraus ein Modell erstellt wird, das bestimmte Bereiche bzw. die entsprechenden Objekte in den Daten kategorisiert. Ein Vorteil zum maschinellen Lernen besteht darin, dass die Ergebnisse automatisch verbessert werden, sobald die Datenmenge ansteigt. Das Deep Learning ist dem Lernvorgang im menschlichen Gehirn etwas ähnlicher. Ein wesentliches Merkmal ist dabei das Trainieren, das von Grund auf vorgenommen wird, ähnlich wie ein Mensch bestimmte Fähigkeiten ebenfalls durch das Training erlernt, zum Beispiel beim Lernen des Menschen von neuen Sprachen oder beim Erlernen eines Instrumentes.

Deep Learning im Bereich Industrie 4.0

Das Lernverfahren wird gerne bei der Analyse im Bereich Big Data eingesetzt, also bei der Verarbeitung von Fragestellungen mit einem sehr großem Datenumfang. Ein wichtiges Einsatzgebiet sind industrielle Ökosysteme wie zum Beispiel Windparks oder ähnliche Anlagen, in denen riesige Mengen an Sensordaten anfallen, die alle in Echtzeit aufgenommen und verarbeitet werden müssen. Aber auch in anderen Bereichen Industrie kann Deep Learning sehr gut eingesetzt werden, beispielsweise zur Prognose von Vorgängen wie Wartungsaufgaben, die in nächster Zeit anfallen werden. Solche Vorgänge basieren auf Erfahrungswerten, die aus Daten aus der Vergangenheit gewonnen werden. Es geht also im Wesentlichen darum, intelligente Lösungen mithilfe von künstlicher Intelligenz zu erschließen und damit Aufgaben, die lange Zeit nur von Menschen durchgeführt werden konnten. Der Lernaspekt ist dabei ein sehr wichtiger Vorteil, der die Systeme von anderen Methoden künstlicher Intelligenz unterscheidet und die Systeme erst intelligent macht.