Deep Learning

Definition & Bedeutung

Deep Learning ist ein Teil des Machine Learnings – eine Methode, in der Algorithmen mithilfe von neuronalen Netzwerken lernen, damit eine künstliche Intelligenz Entscheidungen treffen kann. Diese neuronalen Netzwerke orientieren sich am menschlichen Gehirn, um komplexe Zusammenhänge ähnlich abbilden zu können. Deep Learning wird für komplexe Algorithmen genutzt, zum Beispiel für Spracherkennung, Bilderkennung oder um einen Chatbot zu betreiben.

Wie funktioniert Deep Learning?

Deep Learning nutzt meist sogenannte „Deep Neural Networks“ (DNN), auch künstliche neuronale Netzwerke genannt. Das sind Algorithmen, die aus mehreren Schichten linearer und nichtlinearer Verarbeitungseinheiten, den künstlichen Neuronen, bestehen. In der Eingabeschicht, auch „Input Layer“, werden die Daten aufgenommen. Die verborgene Schicht, auch „Hidden Layer“, wird zur Datenverarbeitung genutzt. Die Ausgabeschicht („Output Layer“) ist, wie der Name schon verrät, für die Ausgabe der Daten verantwortlich.

Einfache neuronale Netzwerke bestehen je aus einer dieser Schichten. Komplexe neuronale Netzwerke, die eigentlich ausschließlich genutzt werden, haben mehrere verborgene Schichten.

Wofür braucht man Deep Learning?

Mit stetig wachsenden Datenmengen, die immer komplexer werden, wird Deep Learning immer relevanter. Mithilfe von Big Data sind alle Daten vorhanden, die ein neuronales Netzwerk nutzen kann, aber auch braucht, um nützlich zu sein. Je mehr Daten, desto besser wird ein neuronales Netzwerk.

Neuronale Netzwerke orientieren sich am menschlichen Gehirn, um adaptiv zu lernen. Ein Input wird für gewöhnlich erst einmal abstrahiert und aufgeteilt. Dann kann ein solcher Algorithmus Muster im Input erkennen. Je nach Verbindung der Datenpunkte, abhängig von der Stärke und Gewichtung dieser Bindung, wird der Output berechnet. Mit einem neuronalen Netzwerk kann ein Computer unstrukturierte Informationen, also Bilder, Töne, Videos oder auch Texte in numerische Werte umwandeln, Muster erkennen und auswerten – zum weiteren Lernen, oder um eine gewünschte Ausgabe zu erzeugen.

Deep Learning wird angewandt in folgenden Bereichen:

• Marketing – Deep Learning wird zum Beispiel für personalisiertes Marketing genutzt.
• Kundenservice – (gute) Chatbots werden mit neuronalen Netzwerken betrieben.
• Verkauf – Umsatzprognosen für Leadgenerierung können mit Deep Learning generiert werden.
• Human Resources – Deep Learning kann auch genutzt werden, um die Erfolgswahrscheinlichkeit von verschiedenen Kandidaten zu messen.

Was ist der Unterschied zwischen Deep Learning und Machine Learning?

Im Gegensatz zum „traditionellen“ Machine Learning kann ein Algorithmus mit Deep Learning von sich aus lernen – ohne menschlichen Input, um Input oder Feedback zu geben. Ein Deep Learning Algorithmus kann das Erlernte mit neuen Inhalten und Informationen verknüpfen, und dadurch Neues lernen. Ein Deep Learning Algorithmus kann, mithilfe seiner neuronalen Netzwerke, unstrukturierte Daten erkennen. Beim Machine Learning ist immer noch menschliche Hilfe vonnöten, um die Daten so zu vorbereiten, dass der Algorithmus damit arbeiten kann. Deep Learning wird angewandt, um große, unstrukturierte Datenmengen zu verarbeiten und daraus Muster zu erkennen.