Deep Learning

Definition: Was ist Deep Learning?

Deep Learning ist eine der spannendsten Entwicklungen im Bereich des maschinellen Lernens. Dahinter steckt ein Netzwerk aus künstlichen Neuronen, das aus vielen Schichten besteht. Deshalb heißt es „Deep Learning“ (engl. „deep“ = tief). Diese Form von Lernen kann große Datenmengen durchsuchen und Muster oder Strukturen finden, die uns Menschen oft verborgen bleiben. Deep-Learning-Modelle lernen, immer abstraktere Merkmale zu identifizieren. Sie können zum Beispiel in Fotos Gesichter oder in Sprachaufnahmen Stimmungen erkennen.

Wie funktioniert Deep Learning?

Künstliche neuronale Netze sind das Zentrum von Deep Learning. Diese bestehen aus mehreren Schichten. Jede verarbeitet die Daten auf ihre Weise und leitet die Ergebnisse weiter. Mit jeder Schicht wird es abstrakter: Aus Pixeln wird ein Rand, aus Rändern ein Muster, aus Mustern ein Objekt. Das Modell lernt selbstständig, welche Merkmale wichtig sind. Dazu wird es mit vielen Beispielen trainiert. Diese Form des Lernens ist besonders leistungsfähig, erfordert jedoch große Datenmengen und hohe Rechenleistung.

Abgrenzung zu Machine Learning

Deep Learning ist eine Form des maschinellen Lernens. Es lernt meist aus unstrukturierten Daten, also z. B. Bildern, Texten oder Audiodateien. Für klassische Machine-Learning-Verfahren wie Entscheidungsbäume, Random Forests oder Support Vector Machines braucht es im Gegensatz dazu häufig strukturierte Daten und manuell erstellte Merkmale.

Kriterium	Klassisches Machine Learning	Deep Learning
Datenstruktur	Vor allem strukturierte Daten	Strukturierte und unstrukturierte Daten (z. B. Bilder, Texte)
Feature-Auswahl	Merkmale müssen meist von Menschen erstellt werden	Merkmale werden automatisch vom Modell gelernt
Modellarchitektur	Eher einfache, flache Modelle	Mehrschichtig („deep“)
Rechenaufwand	Weniger Rechenleistung nötig	Hoher Rechenbedarf, meist spezielle Hardware nötig
Datenmenge	Funktioniert auch mit kleineren Datensätzen	Benötigt große Mengen an Daten, oft schwerer interpretierbar

Relevanz für Unternehmen

Deep Learning bietet neue Möglichkeiten, wo andere Methoden nicht mehr weiterkommen. Unternehmen nutzen es, um automatisierte Bilderkennung, Sprachverarbeitung oder Prognosemodelle zu entwickeln. Deep Learning ist besonders relevant, wenn sehr große Datenmengen mit komplexen Mustern bearbeitet werden müssen. Das kann zum Beispiel im Qualitätsmanagement oder bei der Kundenanalyse sein. Oder auch bei der Wartung, die vorher geplant werden soll.

Praxisbeispiel: Automatisierte Fehlererkennung

In einer Fabrik sorgt Deep Learning dafür, dass fehlerhafte Produkte schon beim Blick auf das Fließband erkannt werden. Kameras machen Fotos von jedem Teil. Ein spezielles Computerprogramm prüft die Bilder auf Fehler. Das System findet Fehler, die Menschen nicht sehen. Und das sehr schnell. So wird weniger Ausschuss produziert und die Abläufe werden besser.

FAQ

Ist Deep Learning nur für Großunternehmen relevant?

Nein. Große Unternehmen profitieren zwar durch ihre großen Datenmengen besonders. Aber auch kleinere Organisationen können Deep Learning einsetzen. Das geht zum Beispiel mit vorab trainierten Modellen oder mit spezialisierten Dienstleistern.

Wie viel Daten sind notwendig?

Deep Learning benötigt meist sehr viele Trainingsdaten, um gute Ergebnisse zu liefern. Die Datenqualität ist dabei genauso entscheidend wie die Datenmenge.

Welche Voraussetzungen sind notwendig?

Neben ausreichend Daten braucht es Rechenkapazität (oft mit GPU-Unterstützung) und fundiertes Fachwissen im Bereich Modelltraining, -optimierung und Bewertung der Ergebnisse.

Zum Glossar «