Deep Learning

Deep Learning mit neuronalen Netzen

Maschinelles Lernen findet bei Künstlicher Intelligenz statt, Deep Learning wiederum bezeichnet einen Teilbereich des Maschinellen Lernens. Das „In-die-Tiefe-Gehen“ zeichnet sich dadurch aus, dass sich diese Methode bei der Problemlösung an der Arbeitsweise des menschlichen Gehirns orientiert.

Künstliche neuronale Netzwerke ähneln insofern dem menschlichen Gehirn, als dass Informationen über verschiedene Ebenen transportiert werden. Dabei variieren die Verbindungen und Richtungen der Datenausbreitung.

• Die Eigenschaften einer Aufgabe werden immer weiter zerschnitten und an verschiedene Ebenen des neuronalen Netzwerks verteilt.
• Durch die zahlreichen Bewertungen verschiedener Aspekte des Problems ergibt sich als finale Ausgabe ein Wahrscheinlichkeitswert.
• Je tiefer diese Informationsverarbeitung erfolgt (das heißt je umfangreicher das neuronale Netzwerk ist), desto treffsicherer wird diese Wahrscheinlichkeitsaussage.

Programmbibliotheken für Deep Learning

Universitäten und große IT-Unternehmen haben umfangreiche Softwarebibliotheken entwickelt, deren Quellcode zum großen Teil frei verfügbar ist (Open Source). Beispiele:

• TensorFlow (Google)
• PyTorch (Facebook)
• Cognitive Toolkit (Microsoft)
• MXNet (Apache)

Das offene Format OMNX (Open Neural Network Exchange) wurde von Unternehmen wie Facebook, Amazon und Microsoft entwickelt, um Entwicklern die Möglichkeit zu geben, verschiedene KI-Tools auszutauschen und zu kombinieren.

Deep Learning lässt sich vor allem in der Sprach- und Bilderkennung erfolgreich einsetzen. Dies sind Aufgaben, die für einen Menschen leicht erscheinen, aber nur schwer maschinell erledigt werden können. DL hat insbesondere durch die Verfügbarkeit der riesigen Datenmengen im Internet seit Beginn des 21. Jahrhunderts rasante Fortschritte gemacht und die Entwicklung von KI-Anwendungen maßgeblich beschleunigt.