Deep Learning vs. Machine Learning
Die Algorithmen lernen von Daten und verbessern sich so selbst. Der ursprüngliche Aufbau des Algorithmus, die Wahl des Modells und die Architektur werden dabei in der Regel von menschlichen Entwicklern festgelegt und überwacht. Anschließend „lernen“ die Computer, Vorhersagen und/oder Entscheidungen zu treffen, indem sie Muster aus statistischen Wiederholungen erkennen. Machine Learning gilt zwar als relativ neues Gebiet, existiert in Wirklichkeit jedoch schon seit Jahrzehnten und entstand aus dem Bedürfnis nach künstlicher Intelligenz. Der Begriff wurde ursprünglich 1959 von Arthur Samuel geprägt, einem Pionier der Forschung im Bereich künstliche Intelligenz, der für IBM arbeitete. Samuel entwickelte ein Computerprogramm zum Spielen von Dame, das auch eine Bewertungsfunktion für die Spielsteinpositionen auf dem Spielbrett enthielt. Diese Bewertungsfunktion setzte Machine Learning ein, um die Gewinnchancen der beiden Parteien einzuschätzen.
Wie funktioniert Machine Learning?
Machine Learning stützt sich für die Mustererkennung in erster Linie auf Data Mining, d. h. die Extrahierung von Informationen aus großen Datenmengen. Diese Muster werden dann verwendet, um Analysen und Algorithmen weiter zu optimieren. Natürlich bestimmt dabei die Qualität der Eingabedaten, wie genau das Modell ist. Fehlerhafte oder veraltete Daten führen zu ungenauen Vorhersagen. Der wichtigste Schritt im Machine Learning ist das Training der Maschine. Die bereinigten Daten werden in zwei Sätze aufgeteilt – ein Trainings- und ein Testsatz. Der Trainingssatz wird dem Machine-Learning-Modell eingespeist und überwacht, damit das Modell Muster erkennen und Vorhersagen treffen kann. Diese Vorhersagen werden anschließend mit dem Testsatz verglichen, um die Genauigkeit des Modells zu prüfen. Mit der Zeit und mit angemessenem Training wird das Modell immer bessere Vorhersagen stellen und kann bald mit nur minimalen menschlichen Eingriffen eigenständig arbeiten.
Wie funktioniert Deep Learning?
Deep Learning ist ein Teilbereich von Machine Learning, der ein ausgereifteres Konzept zur Modellierung von Algorithmen verfolgt. Wie bereits erwähnt, werden beim Machine Learning Informationen aus großen Datenmengen extrahiert, um Muster zu erkennen, ohne explizit dafür programmiert worden zu sein. Dabei denken diese Computer jedoch immer noch wie Maschinen (d. h. auf eher lineare Art) und ihre Fähigkeit, zu lernen und komplexere Aufgaben auszuführen, liegt immer noch weit hinter dem, wozu das menschliche Gehirn fähig ist.
Deep-Learning-Modelle hingegen nutzen ein ausgefeilteres Algorithmuskonzept für Machine Learning und sind speziell dem menschlichen Gehirn nachempfunden. Komplexe und mehrschichtige neuronale Netzwerke (manchmal mit Tausenden von Schichten) werden so aufgebaut, dass Daten auf hochgradig vernetzte Weise zwischen Nodes übertragen werden können – ähnlich Neuronen im menschlichen Gehirn. Neuronale Netzwerke werden auch als künstliche neuronale Netzwerke (KNN oder engl. ANN) oder simulierte neuronale Netzwerke (SNN) bezeichnet. Für diesen Ansatz sind enorm große Mengen korrekt konfigurierter Daten erforderlich. Dafür kann das Modell allerdings sofort Ergebnisse generieren, und es erfordert relativ wenig menschliches Eingreifen, sobald die Dateninfrastruktur einmal eingerichtet ist.
Machine Learning vs. Deep Learning
Zwischen Machine-Learning- und Deep-Learning-Programmen bestehen mehrere wesentliche Unterschiede. Zunächst einmal ist für Machine Learning mehr menschlicher Input erforderlich, wohingegen Deep Learning mehr Zeit für die Einrichtung benötigt, danach aber sofort Ergebnisse generieren kann und außerdem weniger menschliche Intervention erfordert.
Machine-Learning-Programme verwenden weniger komplexe Algorithmen als ein Deep-Learning-Programm. Sie können auf herkömmlichen Computerkonfigurationen ausgeführt werden und ein Netzwerk darauf trainieren, bestimmte Daten zu erkennen. Deep-Learning-Systeme hingegen erfordern Investitionen in komplexere Konfigurationen mit Grafikprozessoren (GPUs), die mehr Arbeitsspeicherkapazität bieten und dazu in der Lage sind, mehrere Operationen effizient gleichzeitig auszuführen.
Für Machine Learning sind strukturiertere Daten nötig und es verwendet meist simple Algorithmen wie zum Beispiel lineare Regression, eine Methode der Datenanalyse, die einen unbekannten Datenwert mithilfe eines anderen verwandten und bereits bekannten Datenwerts vorhersagt. Deep Learning wiederum nutzt neuronale Netzwerke und kann mit großen Mengen unstrukturierter Daten arbeiten.
In Machine-Learning-Modellen trägt jede Schicht des neuronalen Netzwerks zur hierarchischen Abbildung der Daten bei, sodass ein System fundierte Vorhersagen oder Entscheidungen treffen kann, auch ohne dass für jedes Szenario ein spezielles Programm benötigt wird. Machine Learning gibt es schon seit Jahrzehnten und es zählt zu den Anwendungen, die häufig von Banken und Arztpraxen verwendet werden. Deep Learning stützt sich auf neuronale Netzwerke, um komplexe Muster abzubilden und zu verstehen. Dadurch sind Netzwerksysteme dazu in der Lage, auf Basis umfassender Datenanalysen vielschichtige Entscheidungen zu treffen. Diese Technologie ermöglicht komplexe und autonome Tasks wie Natural Language Processing oder Roboter, die lernen, fortgeschrittene chirurgische Eingriffe durchzuführen.
Praxisbeispiele für Machine Learning
Es gibt viele alltägliche Einsatzzwecke für Machine Learning.
Bilderkennung
Bei der Bilderkennung werden mithilfe eines Computerprogramms Informationen extrahiert, anhand derer das Bild rekonstruiert werden kann. Auf diese Weise kann zum Beispiel eine Person durch ein Foto identifiziert werden, was häufig bei Identitätsdiebstahl genutzt wird.
Spracherkennung
Ein beeindruckendes Beispiel der modernen Wissenschaft ist das Training von Machine Learning für die Spracherkennung. Durch die Optimierung von Benutzerinteraktionen mithilfe von Spracherkennungstechnologie können Geräte freihändig gesteuert, gesprochene Worte in Textdokumente umgewandelt und Sprachbefehle für virtuelle Assistenten verwendet werden.
Betrugserkennung
Eine weitere Anwendung für Machine Learning ist die Betrugserkennung. Denn Kriminelle, die zum Beispiel Kreditkartenbetrug begehen, entwickeln ihre Taktiken ständig weiter, weswegen traditionelle Aufdeckungsmethoden schnell veraltet sind. Machine Learning kann bei diesem Problem helfen. Jedes Mal, wenn ein Kunde eine Kreditkartentransaktion abschließt, untersucht das Machine-Learning-Programm sorgfältig dessen Profil sowie vorherige Transaktionen im Netzwerk, um ungewöhnliche Muster und damit einen möglichen Betrug aufzudecken. Mithilfe von Stream Processing und Echtzeit-Zugriff auf Daten können Kreditkartenunternehmen Betrug erkennen und verhindern, da Maschinen immer mehr über die Gewohnheiten ihrer Kunden in Erfahrung bringen. Beim Stream Processing beispielsweise werden Daten, während sie die Systemschichten durchlaufen, analysiert. Echtzeit-Zugriff ermöglicht eine proaktive Identifizierung betrügerischer Aktivitäten und damit eine unmittelbare Reaktion, die Kunden und Kreditkartenunternehmen nicht nur Milliarden von Dollar, sondern auch Zeit und Mühe spart.
Verkehrsprognose
Machine Learning wird auch zur Verkehrsprognose eingesetzt. Die alltägliche Verwendung von GPS ist heute bereits Routine. Wir verwenden GPS in unseren Autos, um zum Beispiel ein Restaurant zu finden, in einer neuen Stadt zu navigieren oder uns im Verkehr zurechtzufinden und rechtzeitig am Ziel anzukommen. Navigationshilfen wie Google Maps zeigen an, wie lange eine Reise dauert, berechnen Ihre geschätzte Ankunftszeit und erstellen die effizientesten Fahrtrouten basierend auf Straßenbedingungen und dem voraussichtlichen Verkehr. Sie können Ihnen sogar ein Bild Ihres Ziels anzeigen, damit Sie die Umgebung direkt erkennen. Darüber hinaus nutzen Logistikunternehmen und Speditionen Verkehrsvorhersagen, um Zeit und Geld zu sparen. Verschiedene Machine-Learning-Algorithmen werden für die Verkehrsprognose trainiert, darunter Regressions- und Zeitreihenanalysen. Wenn man bedenkt, wie viel Zeit wir in unseren Autos verbringen und von einem Ziel zum anderen fahren, dann sind die Zeitersparnisse, die wir aus der wissenschaftlichen Verkehrsvorhersage gewinnen, wirklich von großem Wert.
Praxisbeispiele für Deep Learning
Auch Deep Learning umgibt uns überall und wird immer mehr zu einem wichtigen Merkmal des modernen Lebens.
Natural Language Processing
Natural Language Processing (NLP) ist ein Forschungsgebiet, das sich mit der Interaktion zwischen der menschlichen Sprache und Computern befasst. Menschen erhalten von Geburt an ein durchgehendes Sprachtraining und sind einer Vielzahl von sozialen Situationen ausgesetzt, die das Erlernen von angemessenen Antworten und persönlichen Ausdrucksformen unterstützen. Das Ziel von Natural Language Processing ist, mithilfe von Deep Learning die gleichen Ergebnisse zu erzielen, indem Maschinen darauf trainiert werden, sprachliche Nuancen zu verstehen und so angemessene Erwiderungen zu formulieren. Eine der Hauptanwendungen von Deep Learning in NLP ist die maschinelle Übersetzung.
Deep-Learning-Modelle werden auf der Grundlage umfangreicher Datensätze der menschlichen Sprache trainiert, um Text von einer Sprache in eine andere zu übersetzen. Diese Technologie eignet sich besonders für internationale Organisationen für eine Vielzahl von Anwendungen, darunter die Übersetzung von Marketingkommunikation und Websites bis hin zur internen Unternehmenskommunikation. Dadurch müssen Übersetzer sich nicht länger abmühen, um den richtigen Begriff zu finden. Die Maschinen wurden speziell trainiert, um für sie ein breites Vokabular zu erlernen, und die resultierenden Computerprogramme können ihre Arbeitsleistung enorm steigern.
Ein wichtiges Feature von Deep Learning im NLP ist die sogenannte Stimmungsanalyse. Bei dieser speziell entwickelten Wissenschaft werden Algorithmen eingesetzt, um Textebenen zu analysieren und Einstellungen, Meinungen und Emotionen seitens der Verbraucher zu bestimmen. Deep-Learning-Modelle werden verwendet, um eine Textebene korrekt als positiv, neutral oder negativ zu klassifizieren und Unternehmen so wertvolle Erkenntnisse über die Stimmung der Kunden zu ihren Produkten und/oder Diensten zu liefern. Das wiederum kann ihnen helfen, fundiertere Entscheidungen zu treffen, um die Kundenzufriedenheit und Kundenbeziehungen zu verbessern. Auch wenn Deep Learning unseren menschlichen Fähigkeiten in manchen Bereichen noch um einiges nachsteht, so hat es doch eine neue Welt der Möglichkeiten eröffnet, die auf Natural Language Processing basieren und es uns ermöglichen, die menschliche Sprache auf nie dagewesene Weise zu verstehen und mit ihr zu interagieren.
Medizin
Deep Learning spielt auch in der Medizin eine große Rolle. Chirurgen beispielsweise nutzen DL-Anwendungen, um klinische Diagnosen zu stellen, die Entscheidungsfindung zu unterstützen, die chirurgische Ausbildung zu verbessern, medizinische Bilder zu interpretieren und die präoperative Planung sowie intraoperative Prozesse zu erleichtern und somit die Sicherheit und Resultate für Patienten zu optimieren. Dabei mangelt es nicht an Optimismus, was die möglichen Verbesserungen in der Patientenversorgung betrifft. Es kann allerdings schwierig sein, zu erklären, wie ein Deep-Learning-Algorithmus zu einer bestimmten Schlussfolgerung gelangt, was bei Patienten ein gewisses Maß an Skepsis hervorruft. Hier ist die Aufklärung zu Fragen zum maschinellen Output im Vergleich zur menschlichen Leistung ein wichtiges Werkzeug und ergänzt die ständige Kommunikation der Erfolgsgeschichten.
Was den Einsatz von Deep Learning auf dem Gebiet der Chirurgie betrifft, so verbringen Ärzte in der Regel Jahrzehnte damit, ihre Fähigkeiten zu meistern und zu verfeinern, indem sie an Hunderten beaufsichtigter Operationen teilnehmen, um verschiedene Methoden zu perfektionieren und die besten Techniken zu erlernen.
Leider werden sie dabei oft durch ihre menschlichen Grenzen eingeschränkt, z. B. das Gedächtnis, die nötige Zeit für die Erfassung von Daten und die Tatsache, dass der Tag nun mal eine begrenzte Anzahl von Stunden hat. Ein Deep-Learning-Programm hingegen kann eine ganze Flut von Netzwerkinformationen in nur wenigen Sekunden verarbeiten. Mit diesen Informationen können Operationsroboter mit übermenschlicher Präzision programmiert werden. Deep-Learning-Systeme sind weder durch Zeit noch durch ihr Gedächtnis eingeschränkt und können in Sekundenschnelle eine riesige Datenmenge durchsuchen und Aufnahmen und Bilder von Tausenden von Operationen verarbeiten. Auch erinnern sie sich genau so gut an den ersten wie an den letzten Eingriff, den sie beobachtet haben, und nutzen diese Informationen zur weiteren Optimierung ihrer Methoden. Darüber hinaus steigert der Einsatz von Deep-Learning-Algorithmen zur Rationalisierung der Patientenversorgung sowie der Automatisierung chirurgischer Eingriffe die Effizienz und trägt so dazu bei, dass mehr Menschen Zugang zu medizinischer Versorgung und lebensrettenden Operationen erhalten.
Die Zukunft von Machine Learning
Machine Learning ist ein Teilbereich der künstlichen Intelligenz, der seit den 1950er Jahren existiert und in unserem Alltag bereits weit verbreitet ist. Mit Sicherheit wird Machine Learning auch in Zukunft unbegrenzte Anwendungsmöglichkeiten in der Industrie und für Privatpersonen eröffnen und das Leben durch Zeit- und Geldeinsparungen verbessern, den Zugang zur Gesundheitsversorgung vereinfachen und Resultate insgesamt optimieren, um nur ein paar Punkte zu nennen. Wer kann schon sagen, was die Zukunft bringt? Was einst wie Science Fiction klang, mit Robotern, die lernen, unsere alltäglichen Aufgaben zu erledigen, ist heute Realität. Es gibt zwar Befürchtungen, dass Menschen durch Maschinen ersetzt werden, doch wird menschliches Wissen in Wahrheit immer gebraucht werden. Die künstliche Intelligenz ist lediglich dazu da, dieses Wissen zu ergänzen, nicht es zu ersetzen. Die Chancen, die uns Machine Learning bietet, sind schier grenzenlos, aber eines ist sicher: Die Revolution ist hier, um zu bleiben!
AI Deploy
Wenn Sie das Ende eines KI-Projektzyklus erreicht haben und Ihre Machine-Learning-Modelle oder -Anwendungen in Produktion bringen, dann wissen Sie auch, dass diese ressourcenintensive Phase der Industrialisierung eine echte Herausforderung darstellen kann.
AI Training
Starten Sie Ihre KI-Trainingsaufgaben in der Cloud, ohne sich um die zugrunde liegende Infrastruktur kümmern zu müssen. Mit AI Training können sich Data Scientists ganz auf ihr Kerngeschäft konzentrieren, anstatt sich mit der Orchestrierung der Datenverarbeitungsressourcen abzumühen.
Data Analytics
Zusätzlich zu unseren verschiedenen Storage- und Machine-Learning-Lösungen bietet Ihnen OVHcloud ein Portfolio an Datenanalysediensten für eine unkomplizierte Analyse Ihrer Daten. Von der Datenerfassung bis hin zur Nutzung haben wir klare Lösungen erstellt, mit denen Sie Ihre Kosten kontrollieren und schnell durchstarten können.
OVHcloud Cloud Storage
Je nach Art der zu speichernden Daten und deren Verwendungszweck bestehen zuweilen bestimmte Vorgaben, sodass eine speziell angepasste Lösung erforderlich ist.