Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem mehrschichtige neuronale Netze aus großen Datenmengen lernen. Die Netze erkennen eigenständig komplexe Muster und Merkmale, ohne dass ein Mensch diese vorab definiert. Datenmenge und Datenqualität bestimmen, wie viel eine Maschine lernen kann.
Menschen lernen aus Erfahrung. In der Disziplin der künstlichen Intelligenz (KI) gilt dasselbe für Maschinen, die mit KI-Hardware und -Software ausgestattet sind. Die Erfahrungen, aus denen diese Maschinen lernen, sind durch die erfassten Daten definiert.
Deep Learning ist ein Teilbereich des maschinellen Lernens (Machine Learning). Deep-Learning-Systeme verbessern ihre Leistung durch den Zugriff auf mehr Daten. Nach ausreichender Erfahrung lassen sie sich für Aufgaben einsetzen wie das Fahren eines Autos, das Erkennen von Unkraut, das Identifizieren von Krankheiten oder das Inspizieren technischer Anlagen.
Deep-Learning-Netzwerke lernen, indem sie komplexe Strukturen in Daten aufspüren. Sie erstellen Rechenmodelle aus mehreren Verarbeitungsschichten und legen so verschiedene Abstraktionsebenen zu den Daten an.
Ein konvolutionelles neuronales Netz (CNN) kann beispielsweise mit Millionen von Katzenbildern trainiert werden. Das Netz lernt aus den Pixeln der Bilder. Es klassifiziert Pixelgruppen, die für Merkmale wie Krallen, Ohren und Augen stehen, und schließt daraus auf das Vorhandensein einer Katze.
Deep Learning unterscheidet sich grundlegend vom herkömmlichen maschinellen Lernen. Bei einem konventionellen System müsste ein Spezialist viel Zeit aufwenden, um die Erkennung typischer Merkmale zu entwickeln. Beim Deep Learning genügt eine sehr große Zahl an Beispielen, damit das System eigenständig lernt, welche Merkmale relevant sind.
Deep-Learning-Systeme übertreffen konventionelle Systeme bei vielen Aufgaben, darunter Computervision, Spracherkennung und Robotik. Eng verwandt, aber davon zu unterscheiden ist die natürliche Sprachverarbeitung (Natural Language Processing, NLP), die geschriebene und gesprochene Sprache interpretiert. Die Merkmalserkennung läuft beim Deep Learning autonom ab, dafür müssen jedoch Tausende Hyperparameter abgestimmt werden.
Machine Learning und Deep Learning werden häufig verwechselt. Deep Learning ist ein Teilbereich des maschinellen Lernens, unterscheidet sich aber deutlich in Datenbedarf, Merkmalserkennung und Lernkapazität.
| Kriterium | Machine Learning | Deep Learning |
|---|---|---|
| Merkmalserkennung | oft manuell durch Fachleute definiert | autonom durch das Netz gelernt |
| Datenbedarf | funktioniert auch mit kleineren Datenmengen | benötigt sehr große Datenmengen |
| Lernkapazität | oft begrenzt, unabhängig von der Datenmenge | steigt mit mehr Daten |
| Modellstruktur | flachere Algorithmen | tiefe, mehrschichtige neuronale Netze |
| Typische Aufgaben | strukturierte Vorhersagen | Bild-, Sprach- und Sequenzverarbeitung |
Verschiedene neuronale Netzarchitekturen sind für bestimmte Eingangsdaten und Aufgaben optimiert. Die folgenden Typen kommen im Deep Learning am häufigsten vor.
Deep-Learning-Technologie kann bahnbrechende Entwicklungen fördern. Deep Learning hat zur Entdeckung von Exoplaneten, subatomaren Teilchen, Krankheiten und neuen Arzneimitteln beigetragen. Die Technologie vergrößert unser Wissen über Biologie grundlegend, etwa in Genomik, Proteomik und Metabolomik.
Große Herausforderungen erfordern ein neues Niveau an Intelligenz. Der Klimawandel bedroht die Nahrungsmittelproduktion, und die Weltbevölkerung wächst weiter; Schätzungen gehen von rund 9 Milliarden Menschen bis 2050 aus. Ausmaß und Reichweite dieser Themen machen die Möglichkeiten von Deep Learning besonders relevant.
Sehkraft war ein entscheidender Selektionsvorteil in der Evolution. Während der kambrischen Explosion vor rund 540 Millionen Jahren entstand die Sehkraft im Tierreich und wurde schnell zu einer Triebfeder der Evolution. In Kombination mit biologischen neuronalen Netzen gab sie Tieren eine Vorstellung von ihrem Umfeld.
Kameras und neuronale Netze führen heute zu einer Explosion datenbasierter KI-Anwendungen. Deep Learning und neuronale Netze erweitern die Fähigkeiten von Robotern. Roboter verstehen ihre Umwelt zunehmend, treffen eigene Entscheidungen und ergänzen menschliche Fähigkeiten.
Deep Learning kommt in mehreren Branchen zum Einsatz, in denen große, hochwertige Datenmengen verfügbar sind. Die folgenden Beispiele zeigen konkrete Anwendungen.
Viele jüngste Fortschritte in der Robotik gehen auf KI und Deep Learning zurück. KI ermöglicht Robotern, ihre Umgebung wahrzunehmen und darauf zu reagieren. Damit erweitert sich ihr Einsatzbereich: Roboter navigieren durch Lagerhallen und handhaben Objekte, die unregelmäßig geformt, zerbrechlich oder ungeordnet sind.
Roboter fungieren künftig zunehmend als menschliche Assistenten. Sie beantworten nicht nur Fragen, sondern reagieren auf Sprachbefehle und Gesten und können nächste Arbeitsschritte vorhersehen. Kollaborative Roboter arbeiten bereits direkt mit Menschen zusammen.
Deep Learning verändert den landwirtschaftlichen Anbau. Landwirte setzen Geräte ein, die per optischer Erfassung zwischen Kulturpflanzen und Unkraut unterscheiden. So lassen sich Herbizide selektiv auf Fremdpflanzen ausbringen, während Nutzpflanzen unberührt bleiben.
Landmaschinen optimieren mit Computervision auf Basis von Deep Learning sogar einzelne Pflanzen. Sie versprühen Herbizide, Dünger, Fungizide, Insektizide und biologische Stoffe nur an passenden Stellen. Deep Learning lässt sich zudem auf Bewässerung und Ernte anwenden.
Deep Learning ist in der medizinischen Bildverarbeitung besonders wirksam, da hochwertige Daten verfügbar sind und konvolutionelle neuronale Netze Bilder klassifizieren. Die Einstufung von Hautkrebs gelingt Deep-Learning-Systemen mindestens ebenso effektiv wie Dermatologen.
Mehrere Anbieter haben bereits eine FDA-Zulassung für Deep-Learning-Algorithmen zu diagnostischen Zwecken erhalten, etwa bei Krebs- und Netzhauterkrankungen. Deep Learning verbessert die Gesundheitsversorgung außerdem, indem es medizinische Ereignisse aus elektronischen Gesundheitsakten prognostiziert.
Neuronale Netzarchitekturen sind für bestimmte Eingangsdaten optimiert. Konvolutionelle Netze klassifizieren Bilder, rekurrente Netze verarbeiten sequenzielle Daten. Beide nutzen überwachtes Lernen und benötigen große Datenmengen. Ausgefeiltere KI-Typen setzen zunehmend auf unüberwachtes Lernen, zu dem intensiv geforscht wird.
Reinforcement Learning (bestärkendes Lernen) ist ein anderer Ansatz, bei dem ein Agent durch Versuch und Irrtum lernt. Deep-Learning-Erweiterungen auf diesem Gebiet heißen Deep Reinforcement Learning (DRL). DRL-Programme haben Menschen bereits im sehr alten Spiel GO besiegt.
Der Entwurf neuronaler Netzarchitekturen ist schwierig, da viele Hyperparameter und Verlustfunktionen abzustimmen sind. Umfangreiche Forschung zielt auf autonomes Lernen der Architektur ab. Dieses Erlernen des Lernens, auch Metalernen oder AutoML genannt, macht stetige Fortschritte.
Neurowissenschaft und Deep Learning können sich gegenseitig befruchten. Deep-Learning-Architekturen weisen inzwischen Strukturen auf, die an Rasterzellen im biologischen Gehirn erinnern. Sehr wahrscheinlich nähern sich beide Bereiche weiter an. Auch Quantencomputing hat seit einigen Jahren Fortschritte gemacht, und Lernalgorithmen können von dieser Rechenkapazität profitieren.
Deep Learning bietet klare Stärken, hat aber auch Grenzen, die bei jedem Projekt zu beachten sind. Die folgende Übersicht fasst beide Seiten zusammen.
Vorteile von Deep Learning:
Grenzen von Deep Learning:
Deep Learning setzt eine geeignete Grundlage aus Daten, Rechenleistung und Kompetenz voraus. Ohne diese Bausteine bleibt ein Modell hinter seinen Möglichkeiten zurück.
Deep-Learning-Projekte stützen sich auf spezialisierte Software und Hardware. Die folgenden Kategorien sind mit dem Thema fest verbunden.
NetApp AI solutions unterstützen diese Infrastruktur, indem sie Datenerfassung, KI-Workloads und Cloud-Integration auf einer gemeinsamen Grundlage zusammenführen.
Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem mehrschichtige neuronale Netze aus großen Datenmengen lernen. Die Netze erkennen eigenständig Muster, ohne dass ein Mensch diese Merkmale vorab definiert.
Machine Learning umfasst viele Algorithmen mit oft begrenzter Lernkapazität. Deep Learning nutzt tiefe neuronale Netze, die ihre Leistung mit mehr Daten verbessern und Merkmale autonom erkennen.
Deep-Learning-Netzwerke spüren komplexe Strukturen in Daten auf. Mehrere Verarbeitungsschichten bilden verschiedene Abstraktionsebenen, sodass das Netz aus rohen Daten eigenständig relevante Merkmale ableitet.
Deep Learning kommt in Computervision, Spracherkennung, maschineller Übersetzung, Robotik, Landwirtschaft und medizinischer Bildverarbeitung zum Einsatz. Diese Aufgaben profitieren von großen, hochwertigen Datenmengen.
Deep Learning braucht große Mengen hochwertiger Daten. Datenmenge und Datenqualität bestimmen maßgeblich, wie gut ein Modell lernt und wie zuverlässig es Aufgaben löst.
Neuronale Netze sind Rechenmodelle aus mehreren Schichten, die dem menschlichen Gehirn nachempfunden sind. Konvolutionelle Netze eignen sich für Bilder, rekurrente Netze für sequenzielle Daten.
Wer Hindernisse und Engpässe in der KI-Infrastruktur beseitigt, macht den Weg frei für eine effizientere Datenerfassung, schnellere KI-Workloads und eine reibungslosere Cloud-Integration. Für datenintensive Deep-Learning-Projekte bilden NetApp AI solutions dabei die Grundlage.