Deep Learning erklärt für Einsteiger

Sprach- und Fahrassistenten, digitale Bilderkennung, … Künstliche Intelligenz hält immer mehr Einzug in unser Leben und unsere Wirtschaft. Große Fortschritte auf dem Gebiet sind Deep Learning zu zuschreiben. Was sich hinter dieser komplexen Technologie verbirgt haben wir in einfachen Worten zusammengefasst.

Was ist Deep Learning?

Digitalisierung ist in aller Munde und mit ihr die großen Veränderungen unserer vernetzten Welt. Immer häufiger fällt hier vor allem der Begriff der KI = Künstliche Intelligenz ins Auge. Als Bestandteil der Fähigkeit von Programmen selbständig zu lernen, zeigt sich die Methode des Deep Learnings besonders effektiv und schnell umsetzbar für Programmierer und Hardware. Mit Deep Learning lassen sich Aufgaben im Unternehmen steuern und optimieren. Basierend auf Big Data, also großen Datenmengen, validiert die Software verschiedene Szenarien und leitet daraus die wahrscheinlich beste Handlung ab.

Was kann Deep Learning?

Deep Learning behandelt ein Thema aus der praxisorientierten technischen Informationstechnologie. Was sich auf den ersten Blick kompliziert an hört, ist Teil der digitalen Transformation der modernen Zeit und beschert den Menschen, aber auch den Unternehmen, neue Möglichkeiten zur Gestaltung von Arbeits- und Produktionswelten. Der Überbegriff für die digitale Technologie ist Künstliche Intelligenz. Dabei handelt es sich um eine von Programmierern und Mathematikern geschaffene Software mit mathematischen Algorithmen und Wenn-/Dann-Abfragen (vereinfacht ausgedrückt) bei der es möglich ist, auf hohe Datenmengen zuzugreifen und von dort aus Theorien, Muster, Gleichmäßigkeiten und ähnliches zu entnehmen. Während viele Menschen häufig erst mal Angst vor dieser Technologie haben, zeigt sich ihr großes Potential vor allem in der Industrie, dem Wertschöpfungsprozess von Produkten und Konsumgütern, sowie bei der Customer Journey und der Kundenzufriedenheit. Dem Deep Learning ist der Begriff Machine Learning übergeordnet. Das Deep Learning beschäftigt sich mit neuronalen Netzen im menschlichen Gehirn. Dort werden alle Bewegungsabläufe und Handlungen gesteuert. Die Transmitter arbeiten in enger Kooperation mit den Nervenzellen und geben beispielsweise dem linken Arm den Befehl sich zu heben, noch bevor der Mensch das bewusst denken muss. Ein elektrischer Impuls über die Nervenzellen wird ausgelöst und von menschlichen Gehirn zu einem Befehl umgearbeitet.

Deep Learning basiert auf Erkenntnissen über das menschliche Gehirn

Wie würde nun das Gehirn, frei von Emotionen, Erinnerungen und Erfahrungen aussehen? Bricht man es ganz runter, bleibt ein Konstrukt aus Nervenbahnen mit Knotenpunkten über. Zelle 1 sendet einen Impuls an Zelle 2. Entnimmt man nun rein theoretisch nur das Netzwerk aus Impulsen dann spricht man von einem neuronalen Netz, dass auch frei vom menschlichen Körper funktionieren kann. Wissenschaftlicher aus aller Welt haben nun herausgefunden, dass man neuronale Netze auch künstlich herstellen kann. Dafür nutzen sie mathematische Algorithmen, bei denen Zelle 1 verschiedene Theorien und Wahrscheinlichkeiten vorgibt und Zelle 2 diese validiert oder eben nicht.

Ersetzt man nun zwei menschliche Zellen durch zwei Computer (Netzwerke/Maschinen/Teilnehmer), dann können diese miteinander kommunizieren und wir sind im Bereich Deep Learning. Durch die Vernetzung von mehr als zwei Partnern in einem Netzwerk entsteht ein Kommunikationsgeflecht, dass sich leicht auf industrielle Anwendungen übertragen lässt.

KI und Maschinelles Lernen an einem einfachen Beispiel erklärt

Ein einfaches Praxisbeispiel zeigt die Methode von Deep Learning im Rahmen von Künstlicher Intelligenz am besten: Der Industrieroboter steuert mit Prozessoren und Sensoren seine Bewegungen und Abläufe. Er ist nun mit einem zweiten Industrieroboter verbunden, der die Arbeiten an einer Karosserie für ein neues Fahrzeug genau nach ihm ausführen muss. Roboter 1 fragt nun Roboter 2 ob dieser bereit ist, die Teile zu übernehmen. Roboter 2 ist aber nicht bereit, weil noch andere Karosserieteile einer vorherigen Serie bei ihm lagern. Er informiert nun Roboter 1 über die notwendige Pause. Durch intelligente Software ist es nun möglich, dass Roboter 1 „lernt“. Über mehrere Monate hinweg sammeln beide Roboter Daten und das System erstellt daraus verschiedene Statistiken und Werte. Nach einer Weile ist Roboter 1 in der Lage den Rückstau in der Produktion selbständig zu verhindern, indem er beispielsweise langsamer arbeitet. Roboter 2 könnte genauso selbständig entscheiden, dass er immer bei Kooperation mit Roboter 1 schneller arbeiten muss, da dieser ständig neue Teile schickt. Das Ganze basiert auf Datensammlungen und die Software erstellt daraus Muster/Vorschläge/Theorien und speist die Daten in die Prozessoren und Sensoren automatisch ein. Beide Roboter können damit „Maschine Learning“ umsetzen. Das Deep Learning ist genau der Teil, an dem die Daten ausgewertet und verwendet werden. Die Software geht in die Tiefe der Daten und sucht nach Gemeinsamkeiten. Vielleicht tritt der Rückstau zwischen Roboter 1 und 2 immer nur werktags auf? Oder immer nur dann, wenn vorher die Spätschicht an der Karosserie gearbeitet hat. Deep Learning versetzt Maschinen in die Lage, anhand großer Datenmengen Vorgehensweisen anzupassen und Arbeitsschritte (Verhalten) zu ändern. Dabei muss der Mensch am Anfang die Software schreiben und sich um die benötigte Hardware sowie die Schnittstellen kümmern.

Deep Learning Beispiel aus der Praxis – Autonomes Fahren und Chatbots

Schon heute ist Deep Learning in vielen Bereichen eingesetzt und erleichtert Verbrauchern und Konsumenten das tägliche Leben. Sie kennen sicherlich den Chat in einem Online-Shop? Hier wird vielfach schon mit virtuellen, also nicht menschlichen, Gesprächspartnern gearbeitet. Sie haben vielleicht auch gehört, dass es einer KI gelungen ist, weltbekannte Maler so zu fälschen, dass es selbst Experten nicht möglich war zu erkennen, welches Bild nun echt war und welches die Fälschung. Auch selbständiges Fahren wird durch Deep Learning erst möglich, denn hier spielen große Datenmengen und selbsttätige Entscheidungen des Fahrzeugs eine große Rolle. Nur so kann der Fahrer überhaupt die Hände von Lenkrad nehmen und überlässt der Technik im Fahrzeuginneren die Entscheidungen, wann gebremst wird, wann abgebogen wird oder wann ein Hindernis auftaucht. Der Algorithmus dafür wird über die Software berechnet und basiert auf mathematischen Gleichungen und Formeln.

Viele Anwendungen befinden sich noch in der Entwicklung. Die großen Autobauer nutzen verschiedene Forschungen und Technologiezentren, um zu lernen, wie die Produktion von morgen aussehen kann. Die klassische Fließbandfertigung jedenfalls wird sich auf Dauer nicht mehr durchsetzen können. Mobilität wird von e-mobility und Vehicle-Sharing-Themen beeinflusst und unsere Welt im Ganzen verstärkt digitalisiert und vernetzt.

Mehr Infos gefällig? Microsoft hat ein Whitepaper herausgebracht, in dem Deep
Learning auf verständliche Weise erklärt wird.

Weitere Deep Dives erhälst Du mit dieser Lektüre: „Maschinelles Lernen für Einsteiger“
von Tech Trip (via Amazon, no affiliate link)

Dies könnte Dich auch interessieren: