Suchen

Künstliche Intelligenz

Deep Learning – Definition, Einsatzgebiete und Verfahren

| Autor/ Redakteur: Viviane Krauss / B.A. Sebastian Hofmann

Wenn maschinelle Lernmethoden an ihre Grenzen gelangen, kommt Deep Learning zum Einsatz – egal, ob es sich um Bilderkennung oder Sprachverarbeitung handelt.

Firmen zum Thema

Deep Learning kommt zum Einsatz, wenn andere maschinelle Lernverfahren an ihre Grenzen stoßen.
Deep Learning kommt zum Einsatz, wenn andere maschinelle Lernverfahren an ihre Grenzen stoßen.
(Bild: ©wladimir1804 - stock.adobe.com)

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learning. Der bedeutende Unterschied zu maschinellen Lernverfahren ist der Einsatz künstlicher neuronaler Netzwerke. Diese dienen der Weitergabe und Verarbeitung von Informationen aus großen Datenmengen. Deep Learning basiert auf Algorithmen, die Muster in Datensätzen erkennen und Daten klassifizieren können – zum Beispiel bezogen auf Ähnlichkeiten in Bildern oder Texten. Dazu bauen sich die Algorithmen Rechenmodelle und entwickeln sie sogar selbstständig weiter.

In welchen Bereichen wird Deep Learning eingesetzt?

Diese besondere Art des maschinellen Lernens eignet sich für Anwendungen, bei denen große Datenbestände zur Verfügung stehen. Häufige Einsatzgebiete sind Assistenzsysteme und Sprachverarbeitungen. Das Programm „Siri“ von Apple ist eines der bekanntesten und am häufigsten genutzten Deep-Learning-Systeme. Auch bei der maschinellen Übersetzung von Texten und bei der Erkennung von Objekten und Bildern kommt Deep Learning zum Einsatz. Im industriellen Bereich ist der Einsatz von Deep Learning zum Beispiel bei der Qualitätsprüfung von Werkstücken denkbar: Auf Basis der erlernten Muster und Modelle kann das System erkennen, welches Teil beschädigt oder unbrauchbar ist und es noch vor dem Produktionsprozess aussortieren.

Wie funktioniert Deep Learning?

Der Lernprozess eines Algorithmus beginnt mit der Einspeisung verschiedener Daten. Aus ihnen gewinnt das Netzwerk Informationen und baut sich daraus ein Vorhersagemodell. Das System findet eigenständig heraus, wie die Daten zu klassifizieren sind. So werden bestimmte Muster ermittelt und unterschiedliche Datengruppen gebildet. Je mehr unterschiedliche Muster das Netzwerk zuordnen kann, desto spezifischere Modelle sind möglich.

Letztendlich kann der Computer Entscheidungen oder Prognosen auf Basis der Modelle treffen, hinterfragen oder bestätigen. Werden beim Deep-Learning-Prozess beispielsweise Bilder als Trainingsdaten eingespielt, registriert das Netzwerk nach und nach die verschiedenen Helligkeitswerte und etwaige Kanten. Jedes Mal, wenn ein Modell mit Zusatzinformation verfeinert wird, wird der Algorithmus genauer und komplexer. Handelt es sich etwa um Hundebilder, können irgendwann konkrete Merkmale wie „vier Beine“ oder „Kopfform“ erkannt werden.

Weitere Quellen zum Thema Deep Learning

Auf Computerwoche finden Sie weitere spannende Infos zu Machine Learning und Deep Learning sowie Anwendungsbeispiele. Ebenfalls interessant ist die Studie "Wie Unternehmen KI und ML priorisieren und bereits heute einsetzen" von Lufthansa Industry Solutions.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46002512)