Künstliche Intelligenz oder AI ist längst im Alltag angekommen. Sie können sich zwar noch nicht mit menschlicher Intelligenz messen, doch gerade im Bereich des Computings bieten sich viele Vorteile durch AI Machine Learning und Deep Learning, um das Verhalten und die Denkweise von Menschen nachzubilden. Allerdings ist die Unterscheidung zwischen ML und DL wichtig, um die Zusammenhänge richtig zu begreifen.
Funktion von Deep-Learning-Netzwerken
Mit DL werden künstlich erzeugte neuronale Netze in die Lage versetzt, digitale Systeme so zu trainieren, dass künftige Entscheidungen auf Basis von nicht kategorisierten und nicht strukturierten Daten getroffen werden können. Sie benötigen also keine zwingende Vorbereitung durch den Menschen. Dies unterscheidet Machine Learning und Deep Learning grundlegend voneinander. Beim Machine Learning oder ML nutzt eine KI die Erfahrungen aus vorliegenden Daten, um bestimmte Muster zu identifizieren und daraus Empfehlungen abzuleiten.
Mit Deep-Learning-Algorithmen ist es hingegen möglich, Wissen anhand von Beispielen zu erwerben, die nicht auf vorgefassten Regelsätzen basieren. Damit ist DL dem menschlichen Lernen sehr ähnlich und wird bei entsprechenden Anwendungen genutzt, in denen ein System „wie ein Mensch“ auf bestimmte Ereignisse reagieren soll.
Die Systeme sind nicht identisch
Obwohl man Deep-Learning als eine Unterart des Machine Learnings bezeichnen kann, sind die Begriffe nicht einfach austauschbar, ähnlich wie jeder Daumen ein Finger ist, aber nicht jeder Finger ein Daumen. Die Unterscheidung von AI, ML, DL lautet per Definition wie folgt:
- Künstliche Intelligenz umfasst Machine- und Deep-Learning als Systeme zur Nachahmung menschlichen Denkens und Handelns innerhalb künstlicher Netzwerke.
- Machine-Learning sind Systeme, die anhand strukturierter Daten dazulernen können, aber eine sehr große Datenbasis als Grundlage benötigen.
- Deep-Learning-Systeme arbeiten innerhalb von neuronalen Netzen ohne Anleitung durch den Menschen.
Aufbau neuronaler Netzwerke ist entscheidend für DL
Ähnlich wie im menschlichen Gehirn sind für DL neuronale Netzwerke erforderlich, deren einzelne Zellen sich wie Nerven miteinander verbinden und Daten austauschen können. Künstliche neuronale Netze sind diesem Vorbild nachempfunden und bilden diese Funktionalität mithilfe mehrerer Schichten ab, die in einer Cloud oder in Clustern zur Verfügung stehen.
Dadurch ist die Verarbeitung großer Datenmengen in kurzer Zeit möglich, um präzise Ergebnisse bei der Erkennung von Text, Sprache oder Bildern zu erzielen. Im Idealfall sollen Deep-Learning-Systeme die Trainingsdauer für KI-Modelle von vielen Wochen auf wenige Stunden reduzieren können.
Damit sind sie den einfacher strukturierten Machine Learning-Algorithmen überlegen. Anwendungsbereiche sind neben Forschung und Entwicklung zunehmend auch Alltagsanwendungen, etwa in Sprachassistenten oder beim Bau von Fahrzeugen, die sich autonom durch den öffentlichen Straßenverkehr bewegen sollen.
Gerade bei Systemen, die sich keinen starr vorhersagbaren Regeln unterwerfen und von unberechenbaren Ereignissen gekennzeichnet sind, ist das normale Machine Learning überfordert. So können die Reaktionen von Fußgängern auf der Straße nicht mit Sicherheit durch Regelsätze vorhergesagt werden.
Anwendungsbereiche für Deep-Learning:
- Chatbots
- Persönliche digitale Assistenten (z. B. Alexa, Siri, Google)
- Autonome Fahrzeuge
- Maßgeschneiderte Kundenerfahrung (z. B. auf Shopping- und Streaming-Plattformen)
- Erkennung von Sprache, Bildern, Emotionen (z. B. bei Fahrassistenz-Systemen im Auto)
Welche Rolle spielen Deep-Learning-Frameworks?
Für die Entwicklung von Deep-Learning-Architekturen nutzen Entwickler heute vor allem sogenannte DL Frameworks wie TensorFlow Keras oder PyTorch. Diese Frameworks vereinfachen die komplexen Lernmodelle und optimieren die Datenerfassung für das Training des neuronalen Netzwerks. Microsoft Deep Learning ist auf der Azure Cloud Computing Plattform verankert und bietet Kunden die Möglichkeit, neuronale Netze und Deep-Learning-Modelle zu entwickeln. Außerdem gibt es eine Vielzahl an Tools für die wissenschaftliche Erhebung von Daten für eigene Machine-Learning-Projekte.
Hinterlasse einen Kommentar