Deep Learning ist ein Teilgebiet des maschinellen Lernens, bei dem künstliche neuronale Netze mit mehreren (tiefen) Schichten genutzt werden, um aus großen Datenmengen zu lernen. Ähnlich wie das menschliche Gehirn erkennen diese Netzwerke eigenständig komplexe Muster und Hierarchien in den Daten und können so immer präzisere Entscheidungen treffen und Vorhersagen machen.
So funktioniert Deep Learning
Deep Learning beruht auf einem schrittweisen Lernprozess innerhalb künstlicher neuronaler Netze, die aus Schichten von miteinander verbundenen Knoten, den sogenannten Neuronen, bestehen:
- Eingabeschicht: Sie nimmt Rohdaten auf, zum Beispiel die Pixel eines Bildes.
- Verborgene Schichten (Hidden Layers): Zwischen der Eingabe- und der Ausgabeschicht liegen mehrere verborgene Schichten. In jeder Schicht werden die Daten weiterverarbeitet und Merkmale extrahiert. Während eine frühe Schicht etwa Linien und Kanten erkennt, verarbeiten spätere Schichten bereits komplexere Merkmale, wie die Form eines Objekts. Je mehr Schichten vorhanden sind, desto tiefer und leistungsfähiger ist das Netz.
- Ausgabeschicht: Diese Schicht liefert das Endergebnis der Analyse, zum Beispiel die Erkennung des Objekts auf dem Bild.
- Training und Fehlerkorrektur: Das System wird mit großen, gelabelten Datensätzen trainiert. Weicht die Vorhersage des Modells vom gewünschten Ergebnis ab, wird dies über die sogenannte Rückpropagierung korrigiert. Die Gewichtungen der Verbindungen zwischen den Neuronen werden angepasst, um den Fehler beim nächsten Durchlauf zu minimieren.
Deep Learning versus maschinelles Lernen
Deep Learning ist eine Weiterentwicklung des maschinellen Lernens (Machine Learning, ML). Der Hauptunterschied liegt in der Art der Merkmalserkennung:
| Merkmal | Maschinelles Lernen (ML) | Deep Learning (DL) |
|---|---|---|
| Merkmalsextraktion | Erfordert menschliche Expertise, um die relevanten Merkmale aus den Daten manuell auszuwählen. | Extrahiert relevante Merkmale automatisch und ohne menschliches Zutun. |
| Datenmenge | Funktioniert auch mit kleineren Datensätzen gut. | Benötigt sehr große Datenmengen, um seine volle Leistungsfähigkeit zu entfalten. |
| Komplexität | Verwendet Algorithmen, die in der Regel einfacher und interpretierbarer sind. | Nutzt komplexe, mehrschichtige neuronale Netze, was zur sogenannten „Black-Box-Problematik“ führen kann, da die Entscheidungsfindung weniger transparent ist. |
| Skalierbarkeit | Erreicht bei steigender Datenmenge ein Leistungsplateau. | Verbessert seine Leistung mit wachsender Datenmenge kontinuierlich. |
Anwendungsbereiche von Deep Learning
Deep Learning findet in vielen Branchen und Bereichen Anwendung, darunter:
- Computer Vision: Gesichtserkennung in Smartphones, Bildmoderation oder medizinische Bildanalyse zur Erkennung von Tumoren.
- Spracherkennung und -verarbeitung (NLP): Sprachassistenten wie Siri und Alexa, automatisierte Kundendienst-Chatbots und Übersetzungsdienste wie Google Translate.
- Autonome Systeme: Objekterkennung und Navigation bei selbstfahrenden Autos und Robotern.
- Medizin: Beschleunigung der Diagnostik durch Analyse von medizinischen Bildern und Vorhersage molekularen Verhaltens für die Medikamentenentwicklung.
- Finanzwesen: Betrugserkennung, algorithmischer Wertpapierhandel und Kreditrisikobewertung.
- Generative KI: Erstellung von neuen Inhalten wie Bildern, Musik oder Texten durch generative, konversationsbasierte Modelle.