Was ist Deep Learning?

Überwachtes Lernen

Wenn eine Person eine Aufgabe unter Aufsicht neu erlernt, steht ihr ein Lehrer oder Trainer zur Seite, der ihre Fehler korrigieren kann. Im Falle eines Computers bedeutet das, dass zu verarbeitende Daten entsprechend gekennzeichnet werden, um den Computer darauf aufmerksam zu machen, wenn er einen Fehler macht.

Es gibt zwei verschiedene Modellarten für überwachtes Deep Learning – Klassifikation und Regression.

Klassifikation: Ein Deep-Learning-System könnte zum Beispiel mithilfe zahlreicher Tierbilder trainiert werden. Wenn das System dann ein neues Bild sieht, vergleicht es dieses mit dem bereits „Gelernten“ aus den Trainingsbeispielen, um zu bestimmen, ob das neue Bild ein Tier enthält oder nicht. Der Algorithmus wird dann danach beurteilt, wie präzise er ein Tier in einem zufälligen Bild erkennen kann.

Regression: Alternativ kann das Deep-Learning-Modell mit zahlreichen Variablen gefüttert werden, um es dann dazu aufzufordern, einen Wert vorauszusagen. Ein mögliches Beispiel wäre im Bankenbereich, wenn ein Kunde einen Kredit beantragt. Das Modell wird anhand Tausender Kreditbeantragungen trainiert, die jeweils Angaben wie das Einkommen des Antragstellers, seine Kreditvergangenheit, sein Bankguthaben, seinen Beschäftigungsstatus und andere Informationen beinhalten, sowie den Hinweis, ob diese Antragssteller einen Kredit erhielten oder eben nicht. Danach erhält das Modell die Daten eines neuen Antragstellers und wird dazu aufgefordert, zu entscheiden, ob dieser für einen Kredit infrage kommt.

Überwachtes Lernen wird eingesetzt, wenn große Sätze gekennzeichneter Datenpunkte vorhanden sind – wie beispielsweise Tierbilder oder die Daten von Kreditantragstellern.

Unüberwachtes Lernen

In diesem Fall erhält das Deep-Learning-Model keine Daten, die in irgendeiner Weise gekennzeichnet sind. Stattdessen soll das Modell bei der Datenverarbeitung selbst Muster erkennen.

Ein mögliches Beispiel ist, ein Deep-Learning-Modell mit Tausenden Liedern zu füttern, um dann selbst zu entscheiden, wie diese gruppiert werden sollen. Wenn wir uns als Menschen Musik anhören, erkennen wir deren Struktur, Instrumente, Tempo, Gesang und BPM, und können so Genres wie Punk, Klassik oder Techno unterscheiden. Das unüberwachte Deep-Learning-Modell kennt keine Genres oder Instrumente und verwendet daher sein mathematisches „Gehirn“, um Muster in den Liedern zu erkennen und neue Kategorien zu erstellen.

Teilüberwachtes Lernen

Hierbei handelt es sich um eine Kombination aus überwachtem und unüberwachtem Lernen. Deep-Learning-Modelle werden mit einer Mischung aus gekennzeichneten und nicht gekennzeichneten Daten gefüttert. Sie erhalten ein gewisses Maß an Struktur und Anleitung, sind ansonsten aber bei der Suche nach Mustern auf sich allein gestellt. Um bei dem Beispiel der Musik zu bleiben, hätten manche Songs Datenlabels wie das Datum der Erstveröffentlichung, das dabei helfen könnte, die Mustererstellung des Deep-Learning-Modells zum gewünschten Ergebnis zu führen.

Verschiedene Arten von KI können für eine Vielzahl von Einsatzzwecken verwendet werden. Tatsächlich schleicht sich KI allmählich in jeden Aspekt unseres Lebens ein, da Computer durch diese Methode der Datenverarbeitung effizienter werden und besser mit Menschen interagieren können.

Es ist tatsächlich gar nicht lange her, dass Spam-Filter äußerst primitiv waren und potenziellen Spam nur erkannten, indem Nachrichten mit bestimmten Schlüsselwörtern blockiert wurden. Mit der Einführung von KI sind Spam-Filter dazu in der Lage, verschiedene Aspekte von E-Mail-Nachrichten wie Absender, Empfänger und den Kontext der Nachricht selbst zu betrachten, bevor sie entscheiden, ob eine Nachricht an den Posteingang oder den Spam-Ordner des Empfängers weitergeleitet wird.

Stellen Sie sich für ein anderes Beispiel vor, ein Deep-Learning-Modell untersuche Rohdaten einer Live-Überwachungskamera, die auf den Vorplatz einer Tankstelle gerichtet ist. Die Videokamera produziert etwa 25 einzelne Standbilder pro Sekunde, die mithilfe einer Mischung der verschiedenen oben genannten Lernsysteme an das Modell gesendet werden.

Gehen wir einmal davon aus, dass es sich um eine ländliche Tankstelle mit wenig Betrieb handelt. Die meiste Zeit zeigen die Bilder eine leere Tankstelle mit den Pumpen und dem Vorplatz. Mit der Zeit erkennt das System, dass „normal“ die leere Tankstelle ist. Wenn ein Auto einfährt, „sieht“ das Deep-Learning-Modell das Fahrzeug und weiß, dass sich etwas geändert hat. Nach weiterer Feinabstimmung kann das Modell zwischen Autos, Motorrädern und Lastwagen unterscheiden. Wird das System dann mit der Ladenkasse verbunden, ist es kein allzu großer Schritt mehr, bis es einschätzen kann, ob das Fahrzeug, das soeben den Vorplatz verlassen hat, bezahlt hat oder nicht. Auf diese Weise werden weitere Ebenen der Dateneingabe und -verarbeitung hinzugefügt, damit das System in der wirklichen Welt „intelligenter“ und nützlicher wird.

Ähnliche Deep-Learning-Modelle werden auch weltweit in Flughäfen eingesetzt, um unbeaufsichtigtes Gepäck zu erkennen. Das Deep-Learning-Modell untersucht Videodaten von Überwachungskameras und erkennt Personen, die mit ihren Koffern und Taschen durch den Flughafen laufen. Mit ausreichend Verfeinerungsebenen kann ein Algorithmus lernen, das Sicherheitspersonal zu warnen, wenn eine Person ihr Gepäck ablegt und zu lange allein lässt.

In der Finanzwelt überwachen Deep-Learning-Systeme die Märkte und versuchen, die Bewegungen verschiedener Handelsgüter zu verstehen. Sie sind dazu in der Lage, in Echtzeit Verbindungen mit einer riesigen Anzahl von Inputs herzustellen, und lernen immer mehr, wie manche Wertentwicklungen andere beeinflussen. Diese Inputs können ganz unterschiedlich sein – zum Beispiel Unwetterwarnungen und politische Unruhen, genauso wie tatsächliche Marktpreise. Mit der Zeit können sie bekannte Muster erkennen und vorhersagen, was als nächstes geschieht. So könnte ein Deep-Learning-Modell zum Beispiel erkennen, dass ein riesiger Zyklon in einem Gebiet mit vielen Bananenplantagen den Preis der Bananen für die kommende Saison wahrscheinlich nach oben treiben wird. Derartige Erkenntnisse könnten sich für Trader als äußerst wertvoll erweisen.

Deep Learning wird auch in Atomkraftwerken, Fabriken und Rechenzentren eingesetzt. Die Systeme überwachen den Input aus Internet-of-Things- (IoT-) Sensoren und Kameras, die sich in der Anlage befinden. Kennt ein Modell erst einmal den Normalzustand der Anlage, kann es Warnungen aussenden, wenn ungewöhnliches Verhalten erkannt wird. Zu ungewöhnlichem Verhalten gehören unter anderem Maschinen, die nicht ordnungsgemäß funktionieren, ein heftiger Sturm oder bestimmtes Personal, das sich nicht auf dem Gelände angemeldet hat. In der Summe könnten diese kleinen Probleme auch ein größeres Problem verursachen. Deep-Learning-Modelle sind wesentlich zuverlässiger als Menschen, wenn es darum geht, eine Kombination kleinerer Probleme zu erkennen, die zu einem ernsthaften Problem führen könnten. Das hilft Ingenieuren dabei, größere Störungen zu vermeiden, bevor sie passieren.

Datenqualität:  Deep-Learning-Systeme müssen Daten beobachten und sind daher durch die Menge und Qualität der Daten, die sie erhalten, eingeschränkt. Gibt es nicht ausreichend Daten oder enthalten diese einen Bias, ist der Algorithmus möglicherweise ungenau oder reproduziert diesen Bias in seinen Ergebnissen. Beispiel: Ein Deep-Learning-Modell wird mit Tausenden Fotos von Vögeln gefüttert und soll anschließend eine Auswahl neuer Fotos nach Bildern mit Vögeln durchsuchen. Wenn die ursprünglichen Daten nur Fotos mit Vögeln in freier Wildbahn, im Dschungel oder mit Bäumen im Hintergrund enthalten, so könnte das Deep-Learning-System – wenn es nicht darauf trainiert wurde, den Hintergrund zu ignorieren – dabei Schwierigkeiten haben, einen Vogel zu erkennen, der in einem Stadtgebiet oder Käfig fotografiert wurde.

Unflexibilität:  Wurde ein Deep-Learning-Modell erst einmal trainiert, kann es normalerweise nur zu demselben Problem mit derselben Art von Daten korrekte Ergebnisse liefern. Wenn zum Beispiel im oben genannten Beispiel die Qualität der Vogelfotografien geändert wurde, ist das System möglicherweise nicht mehr dazu in der Lage, diese korrekt zu vergleichen. Das Modell müsste ebenfalls neu trainiert werden, wenn der Benutzer will, dass es anstelle von Vögeln die Fotos eines anderen Tieres erkennt. Deep-Learning-Modelle müssen also auch für ähnliche Aufgaben speziell trainiert werden – sie sind nicht flexibel anpassbar.

Rechenressourcen:  Deep Learning erfordert riesige Mengen an Rechenleistung. Einer der Gründe, warum Deep Learning heute beliebter ist als noch vor zehn Jahren, ist vor allem auf die Verfügbarkeit von Mehrkernprozessoren und GPUs zurückzuführen. Deep-Learning-Modelle sind auch, was RAM und Speicher betrifft, äußerst ressourcenintensiv: Da Daten sich so schnell bewegen, können herkömmliche Festplatten eventuell nicht mithalten, sodass SSDs erforderlich sind.