15.12.2020
Deep Learning
Warum kann das eigene Smartphone eigenständig Fotoalben aufgrund des Inhalts erstellen und die Bilder entsprechend zuordnen? „Deep Learning“ ist die Antwort darauf.
"Deep Learning“ ist ein Teilgebiet von MACHINE LEARNING und somit von künstlicher Intelligenz (KI). Die Netzwerke dieses Teilgebiets sind in der Lage, selbstständig aus Daten zu lernen, auch wenn diese Unstrukturiert und nicht vollständig benannt sind. Das Erkennen entsprechender Zusammenhänge ähnelt den Netzwerkstrukturen des menschlichen Gehirns. Man spricht deshalb auch von „tiefem neuronalem Lernen“ oder dem „tiefen neuronalen Netzwerk“.
Deep Learning ist damit eine Funktion der künstlichen Intelligenz, die die Funktionsweise des menschlichen Gehirns bei der Verarbeitung von Informationen und DATEN zur Entscheidungsfindung nachahmt. Obwohl das Konzept bereits in den 80er Jahren erstmals formuliert wurde, gewinnt es gegenwärtig aufgrund immer leistungsstärkerer Soft- und Hardware, stetig größer werdenden Datensätzen und besserer Algorithmen zunehmend an Beachtung und Bedeutung.
Statista - Prognose zum Umsatz mit Unternehmensanwendungen im Bereich künstliche Intelligenz weltweit von 2016 bis 2025(in Millionen US-Dollar)
Wie funktioniert Deep Learning?
Deep Learning erkennt Zusammenhänge in unstrukturierten Daten. In Zeiten der Digitalisierung, da Unmengen an Big Data aus SOCIAL MEDIA, SUCHMASCHINEN, E-COMMERCE-Plattformen etc. entstehen, ist diese Fähigkeit extrem wertvoll. Wofür Menschen Jahre benötigen würden, schafft Deep Learning in kürzester Zeit. Es lernt aus riesigen Mengen an unstrukturierten Daten, extrahiert die wichtigsten Informationen, filtert, verarbeitet diese und bereitet sie anschließend verständlich auf. Damit das funktioniert, verwendet es eine hierarchische Ebene künstlicher neuronaler Netze. Herkömmliche Programme für Datenanalysen erstellen diese Analysen meist auf lineare Weise. Die hierarchische Funktion von Deep-Learning-Systemen ermöglicht jedoch eine nichtlinearen Analyseansatz zur Verarbeitung der Daten.
Statista - Prognose zum Umsatz im Bereich Spracherkennung weltweit von 2015 bis 2024(in Millionen US-Dollar)
Deep Learning gegen Betrüger
Jede einzelne Schicht des neuronalen Netzwerks baut auf ihre vorherige Schicht auf und enthält neue zusätzliche Daten und Informationen wie beispielsweise Absender, Benutzer, IP-Adresse, Social-Media-Ereignis, Kredit-Score und noch viel mehr. Deep-Learning-Algorithmen werden daraufhin trainiert, ein Muster aus diesen Daten und Informationen zu erkennen und zu erstellen. Sie sollen vor allem auch Muster, die betrügerische Untersuchungen signalisieren, erkennen und offenlegen. Im Falle einer Betrugserkennung, leitet die letzte Schicht des neuronalen Netzwerks ein Signal weiter, dass beispielsweise das betroffene Benutzerkonto einfrieren kann, bis alle weiteren Analysen abgeschlossen sind und somit vor weiteren Betrügern schützen kann.
Ein praktischer Ansatz der Deep Learning Technologie wird häuig bei Onlineformularen eingesetzt – das Google ReCaptcha. Diese Technik soll eine Unterscheidung zwischen realen Benutzern und Bots ermöglichen, um so wirksam gegen Spams in Kontaktformularen vorgehen zu können. Google ReCaptcha beinhaltet eine Einstellung, die anhand des bisher registrierten Klickverhaltens, der Ip, des verwendeten Browsers, der akzeptierten Cookies und weiterer Variablen einen prozentualen Score errechnet. Dieser Score gibt an, wie wahrscheinlich der User ein Bot oder ein realer Mensch ist. Ausgehend von diesem Score wird zur finalen Überprüfung das ReCaptcha mit den gefürchteten Fotokacheln angezeigt oder der Nutzer wird sofort abgewiesen. Deep Learning kann also als Kontrollinstanz dienen, hat aber noch zahlreiche weitere Anwendungsfelder.
Alltag mit Deep Learning
Die Fähigkeit von Deep Learning lässt sich am ehesten anhand eines Beispiels beschreiben. Ein System soll darauf trainiert werden, selbstständig Bilder von Katzen identifizieren zu können. Die erste Schicht des neuronalen Deep-Learning-Netzwerks kann nun die einzelnen Pixel des Bildes abstrahieren und Umrisse beziehungsweise Kanten codieren. In der zweiten Netzwerkschicht werden die verschiedenen Anordnungen der Kanten zusammengesetzt und erneut codiert. Die dritte neuronale Netzwerkschicht des Deep-Learning-Systems könnte bestimmte Elemente wie Augen oder Nase des Tieres codieren, bevor die vierte Schicht erkennt, dass das Bild ein Katzengesicht zeigt. Als Ergebnis ordnet das Deep-Learning-Modell das jeweilige Bild der Kategorie „Katze“ oder „Nicht-Katze“ zu. Daher sind häufige Anwendungsfälle für Deep-Learning-Systeme Bild- und Spracherkennung, Empfehlungssysteme, Anomalieerkennung und prädiktive Analysen. So sind „Dieses Bild zeigt unangemessene Inhalte“, „Diese E-Mail ist Spam!“ oder „Diese Finanztransaktion ist Betrug“ praktisch verständliche, verwertbare Aussagen, die auf Deep-Learning-basierte Klassifizierung und Erkennungsmuster der neuronalen Netzwerke zurückgehen. Einige Deep-Learning-Prozesse kommen in alltäglichen Services zum Einsatz. Bekannte Beispiele hierfür sind die Sprachassistentin Alexa von AMAZON, Bilder-Tagging von FACEBOOK oder auch die automatische Übersetzung von DeepL.
Fazit
Deep Learning ist als Teil von Machine Learning bereits jetzt ein wichtiger Faktor der Digitalisierung. Speziell bei der Bearbeitung extrem hoher Datenmengen, aber auch in Sicherheitsbereichen wird die Technik bereits sehr häufig eingesetzt. Etwaige qualitative Schwankungen sind nicht ausgeschlossen, weshalb der Mensch als finale Kontrollinstanz immer noch alle Ergebnisse analysieren muss. Dennoch veringert sich der Arbeitsaufwand drastisch
Quellen:
Als Digitalagentur helfen wir Ihnen gerne bei Fragen zu Deep Learning!
