Innovationen

Deep Learning: Maschinen lernen wie ein Mensch

Mit Deep Learning lernt KI vielleicht noch nicht zu denken. Aber eigene Entscheidungen zu treffen – das kann sie dank neuronaler Netze schon ganz gut.
07.04.2019
Deeplearning NewsImage
Deep Learning nutzt unter anderem neuronale Netze, die schematisch ähnlich funktionieren wie das menschliche Gehirn.

Digitaler Denkanstoß

Das „Menschenmögliche“ stößt längst an seine Grenzen – wenigstens in der digitalen Welt. Da sind die ultraschnellen Rechenkünste der Computerhirne das Maß der Dinge. Könnte das auch beim Denken passieren? In Ansätzen ist es jedenfalls schon möglich.

Künstliche Intelligenz (KI) steckt bereits in vielen realen Anwendungen. Smarte Sprachassistenten, autonom fahrende Autos oder moderne Systeme zur Bilderkennung wären ohne diese Technologie nicht denkbar. Möglich macht das Big Data. Die zunehmende Generierung von Daten aus unzähligen digitalen Quellen ist die Basis von KI.

Doch das allein genügt nicht, damit aus dem Zusammenspiel von Bits und Bytes menschliche oder menschenähnliche Denkprozesse werden. Das gelingt nur mit einer speziellen Art der Informationsverarbeitung. Der Fachbegriff dafür lautet Deep Learning. Das Verfahren ist ein Teilbereich des sogenannten Machine Learnings, das wiederum eine Unterkategorie von KI ist.

Deep Learning

Das Ziel von Deep Learning ist eine menschenähnlich „denkende“ und (automatisiert) Entscheidungen treffende Software. Sie basiert auf einem schichtweise angeordneten, künstlichen, neuronalen Netz. Das verarbeitet große Datenmengen nach einem speziellen Algorithmus. Dabei „lernt“ es aus eigenständig gemachten Erfahrungen. Je mehr Schichten das neuronale Netz hat, desto leistungsfähiger ist Deep Learning. Seit den 1950ern gibt es diese Technologie. Die moderne Digitalisierung treibt ihre Weiterentwicklung stark voran.

Deep Learning ist schneller – und besser

Dank Deep Learning kann Software „lernen“ wie ein Mensch und ihm damit viele Aufgaben abnehmen. Naturgemäß spielt die Methode ihre Stärken dort aus, wo viele Daten anfallen. Diese müssen heute noch oft Mitarbeiter zeitraubend sammeln und analysieren. Deep Learning kann das meistens besser und schneller. Menschliche Kollegen gewinnen damit mehr Raum für andere, kreativere Aufgaben. In diesen Einsatzbereichen klappt das schon heute:

  • Predictive Maintenance
  • Smart Manufacturing
  • Sprachsteuerung
  • Qualitätskontrollen
  • Verkehr/Logistik
  • Security
  • Finanzsektor
  • Verwaltung
  • Versicherungen
  • Gesundheitswesen
  • Kundenservice

Deep Learning ist in der Praxis angekommen

In den genannten und weiteren Bereichen treffen häufig schon Bits und Bytes eigene Entscheidungen. Aus fortwährend gesammelten Trainingsdaten und „Erfahrungen“, wissen sie etwa, wann in einer Produktionsstraße ein bestimmtes Bauteil ausfallen wird, und leiten rechtzeitig dessen Austausch ein. Ähnlich funktionieren Diagnosesysteme in modernen Autos, die aus der Fahrweise und der Kilometerleistung sowie durch Sensordaten flexibel den nächsten Inspektionstermin berechnen. Zeitlich starre Wartungsintervalle sind damit überflüssig.

deeplearning transportation devices
In der Logistik wird Deep Learning viele Aufgaben übernehmen. Copyright: Fotolia / phonlamaiphoto

Bei Versicherungen können sie Schadenswahrscheinlichkeiten und Risiken berechnen. Im Einkauf ahnen sie Bedarfe voraus und bestellen automatisch zu den günstigsten Konditionen Nachschub. In Banken überwachen sie Finanztransaktionen und den Wertpapierhandel. Oder sie dirigieren die Supply Chain in der Logistik. Und im Service kommunizieren sie als Sprach-Bots mit Kunden. Diese und weitere Möglichkeiten werden die Arbeit in vielen Abteilungen grundsätzlich verändern. Wie sich dieser Wandel auf Unternehmen und ihre Mitarbeiter – zum Beispiel im Personalbereich –  auswirkt, ist im Telekom Podcast zu hören.

DeutschlandLAN Connect IP

Eine schnelle und sichere Internet-Anbindung ist die Basis für Deep Learning aus der Cloud. Mit Bandbreiten von bis zu 1.000 MBits schafft DeutschlandLAN Connect IP optimale Voraussetzungen für Verbindungen, die höchste Ansprüche an Stabilität, Flexibilität und Sicherheit erfüllen. >> zu DeutschlandLAN Connect IP 

Digitale Lerneffekte für den Mittelstand

Deep Learning zu implementieren schaffen nur große Unternehmen? Falsch! Das gelingt auch kleinen und mittleren Betrieben – wenn sie sich gut darauf vorbereiten. Zu den wichtigsten Voraussetzungen gehören in erster Linie viele verwertbare Daten sowie entsprechend versierte IT-Fachleute. Und: potente Rechenkraft. Wer dafür keine eigenen Strukturen aufbauen und hosten möchte, kann skalierbare Kapazitäten über die (Multi-)Cloud anzapfen.

Auch anderweitig ist externe Unterstützung ratsam. Deep Learning-Systeme zu implementieren, erfordert (noch) spezielles Know-how, das nur wenige Mittelständler haben dürften. Alle anderen sollten für das Projekt auf erfahrenen externen Beistand von Experten setzen. Ob mit oder ohne Hilfe – so kann der Weg bis zur Anwendung von Deep Learning aussehen:

  • Zunächst sollten Unternehmen klären, welches konkrete Ziel sie mit Deep Learning verfolgen. Nur, wenn sich ein wertsteigerndes, strategisches Anwendungsszenario ergibt, lohnt sich der Aufwand dafür.
  • Ist die Prognose positiv ausgefallen, folgt eine Bestandsaufnahme. Dabei geht es beispielsweise um die nutzbaren Datenquellen. Das können interne (Sensoren, Software), aber auch externe Reservoire sein, etwa Datenbanken. Dabei auch wichtig: Welche Teile von Big Data lassen sich für den späteren Einsatz nutzen?
  • Auf dieser Grundlage wird ein geeignetes Modell von Deep Learning skizziert. Es zeigt, wie es künftig arbeiten und die eingehenden Daten analysieren wird.
  • Im nächsten Schritt geht es an die praktische Einbettung der Deep Learning-Software.
  • Anschließend muss der Algorithmus implementiert und mit Trainingsdaten gefüttert werden, auf deren Basis er nach und nach Erfahrungswerte sammelt.
  • Nach dem Ende dieser Probephase folgt deren Analyse.
  • Daran schließt sich ein Check der sogenannten Inferenz an. Damit ist die Fähigkeit des Systems gemeint, Schlussfolgerungen aus den verarbeiteten Daten zu ziehen.
  • Entspricht das Ergebnis den Erwartungen, kann der Deep Learning-Prozess seine Arbeit aufnehmen. Flankierend sollte seine Leistungsfähigkeit regelmäßig überprüft werden.