Algorithmus, Bias, Clusteranalyse – für Data Scientists gehören diese Begriffe ganz natürlich zum täglichen Arbeitsleben dazu. Dabei vergessen sie leicht, dass bestimmte Begriffe für andere nicht auf den ersten Blick verständlich und greifbar sind. Wir sorgen für Durchblick im Begriffschaos: mit unserem Data-Science-ABC. Der Buchstabe D widmet sich einer speziellen Methode, inspiriert vom menschlichem Gehirn.

Deep Learning – zu Deutsch übersetzt „tiefgehendes Lernen“, beschreibt eine Methode zur Informationsverarbeitung, die Maschinen nutzen, um Funktionen des Gehirns zu imitieren und dadurch große Datenmengen zu verarbeiten. Die aus dem Machine Learning entsprungene Methode, nutzt dafür neuronale Netze und bildet mit vorhandenen Informationen neue Verknüpfungen. Diese neuronalen Netze ähneln der Informationsarchitektur der Nervensysteme von Mensch und Tier.

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.

Sie haben eine andere Idee für den Buchstaben D? Wir freuen uns auf Ihren Kommentar.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*
*