������

Deep Learning ist ein Teilbereich vom Machine Learning (ML), in dem mehrschichtige Netze aus rechengestützten Knoten, den sogenannten Neuronen, zum Einsatz kommen. Sie bilden ein künstliches neuronales Netz, das den Informationsverarbeitungsprozess des menschlichen Gehirns nachahmt.

Deep Learning wird häufig bei Spracherkennung und computerbasiertem Sehen, der Entwicklung von Arzneimitteln, Krebsdiagnostik oder der maschinellen Übersetzung sowie in Chatbots und autonomen Fahrzeugen verwendet.

Beschreibung

Deep Learning ist ein Teilbereich vom Machine Learning. Mehrschichtige neuronale Netze liefern bessere Ergebnisse als bisherige Modelle und leisten sogar mehr als das menschliche Gehirn. Die Methode ermittelt Muster in Daten, mit denen dann Prognosen erstellt werden.

Die Technik ist weit verbreitet und liefert innovative Ansätze, z. B. in den autonomen Tesla-Fahrzeugen, dem Google Übersetzer und bei der Bildsuche sowie in Spiele-Engines wie AlphaGo. Letztere konnte sogar gegen den weltbesten Profispieler im Strategiespiel “Go” gewinnen.

Deep Learning erfreut sich immer größerer Beliebtheit, weil dank Cloud-Rechenleistung größere Datenmengen verarbeitet und analysiert werden können. Mit Deep Learning lassen sich nicht nur komplexere Aufgaben lösen als mit herkömmlichen Data-Science-Methoden, es liefert auch präzisere Ergebnisse.

Vorteile

Mit Deep Learning können Unternehmen innovative Produkte und Dienstleistungen anbieten, z. B. selbstfahrende Autos oder personalisierte Nachrichtenfeeds. Durch die Automatisierung einiger Aufgaben wie der Beantwortung gängiger Anfragen an den Kundenservice lässt sich die Produktivität der Mitarbeiter steigern, da sie sich auf andere Aufgaben konzentrieren können.

Bei sinnvoller Nutzung von Deep Learning können Sie die Betriebskosten reduzieren, den Gewinn erhöhen und die Produktivität Ihrer Mitarbeiter steigern. Außerdem lassen sich schneller fundierte Entscheidungen treffen.

Trade-offs

Die Methode ist nicht für alle Datenprobleme geeignet. In vielen Fällen wäre Deep Learning übertrieben, oder gibt es andere geeignetere Tools.

Die Ergebnisse von Deep Learning sind teils schwer nachzuvollziehen. Falls Sie bei der Analyse fehlerhafte oder verzerrte Daten verwenden, erhalten Sie verfälschte Ergebnisse.

Viele der besten Deep-Learning-Modelle werden oft auf spezieller Hardware trainiert und ausgeführt. Das kann höhere Betriebskosten zur Folge haben.

Das Trainieren von Deep-Learning-Modellen dauert in der Regel länger als das von anderen ML-Tools. Auch sind mehr Daten dazu erforderlich. Aufgrund ihres Umfangs ist das Verschieben der Modelle z. B. von einer Test- in eine Produktivumgebung kosten- und zeitintensiv.

Anwendung

Deep Learning ist auf dem Vormarsch und wird in immer mehr Bereichen eingesetzt. Viele der Fortschritte dieser Technologie stammen aus dem Bereich der Spitzenforschung. Unternehmen wenden hauptsächlich Deep-Learning-Modelle an, die sich auch in der Forschung bewährt haben.

Die Technologie ist bestens geeignet für die Bild- und Videoklassifizierung sowie für die natürliche Sprachverarbeitung, bei der Computersysteme die menschliche Sprache erfassen und entweder akustisch oder in Schriftform wiedergeben. Für Spiele wie Schach, Go oder Poker wurden mit der Methode intelligente Agenten entwickelt. Bei der Spracherkennung in Siri und anderen virtuellen Assistenten kommt Deep Learning ebenfalls zum Einsatz.