Donnerstag, 09.08.2018
Aus dem Familienstammbaum der Künstlichen Intelligenz
Verbunden sind nicht nur neuronale Netze: Als Teilbereich des maschinellen Lernens, welches sich mit komplexen mathematischen Modellen befasst, findet man Deep Learning im Stammbaum unter der Künstlichen Intelligenz wieder. Die tiefen, neuronalen Netze können große Datenmengen mit einem Lernalgorithmus analysieren, der Informationen auf mehrere Schichten einteilt.
Das Lernen lernen
Wie können nun künstliche, neuronale Netze selbst denken lernen? Ohne Starthilfe funktioniert es nicht ganz – der Algorithmus muss erst einmal mit seinem Treibstoff gefüttert werden: Trainingsdaten. Diese Daten weisen für den Menschen sichtbare Variablen auf und kommen als Input in die erste Schicht des Netzwerks. Aus dieser Vielzahl von Informationen werden wiederkehrende Strukturen in den sogenannten verborgenen Schichten erkannt, evaluiert verknüpft. So werden Bilder, Texte und akustische Daten anhand von mehreren Schichten ausgewertet, die alle miteinander vernetzt sind. In diesem Prozess kann auch eine selbstständige Verbesserung erfolgen, denn die Entwicklung ergibt sich aus der Verknüpfungsgewichtung der verborgenen Schichten. So können eigene Entscheidungen und Prognosen getroffen werden, ohne dass der Mensch selbst in den Prozess eingreift. Die Genauigkeit dieses Verfahrens basiert auf einer großen Menge vorklassifizierter Daten.
Deep Learning in der Praxis
Die Anwendungsfälle von Deep-Learning-Verfahren sind vielfältig, die Nachfrage steigt. Ob es sich um Autonomes Fahren, Echtzeitübersetzung à la DeepL oder einer Sprachassistenz wie Siri handelt – die künstlichen neuronalen Netze liegen schwer im Trend. Obwohl die Methodik bereits in den 60er Jahren entwickelt wurde, entstand der Hype um Deep Learning erst vor wenigen Jahren. Ein entscheidender Grund dafür: die damals fehlende Leistungsstärke der Computer, um schnell und effizient immense Datenmengen zu analysieren und zu verknüpfen. Heutzutage können beispielsweise Grafikprozessoren diese Prozesse beschleunigen. Die Architektur des Netzwerks kann durch den Benutzer spezifiziert werden und dank dem neusten Stand der Technik in Teilbereichen genauere Ergebnisse erzielen als Menschen.
Nichtsdestotrotz sind die neuronalen Netze keine Alleskönner, denn der Treibstoff muss erstmal von Menschenhand gereicht werden. So bleiben Deep-Learning-Verfahren in ihrem jeweiligen Einsatzgebiet häufig ungeschlagen ohne die Fähigkeit zu besitzen über den Tellerrand hinaus zu denken.
Starten Sie jetzt durch:
Wir freuen uns auf den Austausch mit Ihnen.
