Bücherregal symbolisiert Glossar

YAVEON  »  Glossar  »

Deep Learning

Was ist Deep Learning?

Deep Learning ist eine Methode, die auf künstliche neuronale Netze setzt, mit der Informationen aufgenommen, verarbeitet, sowie ausgegeben werden. Es ist ein Teilbereich des Machine Learning und damit künstlicher Intelligenz. So schafft es Deep Learning, mühelos große Datensätze zu analysieren.

Worum geht es beim Deep Learning?

Klare Logiken werden seit Jahrzehnten erfolgreich über herkömmliche Programmierstrukturen, wie z.B. IF-THEN-ELSE gelöst. Bei komplexeren Systemen wie Prognosen, Mustererkennung, Aktienkursen, Wetter sowie Bild- und Spracherkennung, sind schnell Grenzen erreicht. Um solche vielschichtig verflochtenen Systeme abbilden zu können, gibt es Techniken, die sich stark am Lernverhalten des Menschen orientieren – das Machine Learning. Bei besonders anspruchsvollen Anwendungsfällen zeigt der Teilbereich Deep Learning seine besondere Stärke.

Wie funktioniert Deep Learning?

Die Idee, wie Deep Learning funktioniert, ist inspiriert von biologischen neuronalen Netzen des menschlichen Gehirns:  Sie lernen anhand von Beispielen und können das für neue Fälle anwenden. Genau wie beim Menschen sind auch Fehler möglich. Wurde es nicht mit passenden Beispielen belernt, ist die Aussagequalität der Ergebnisse nicht gegeben. Auch hier gilt, je besser gelernt wurde, desto besser sind die Ergebnisse. Ein großer Vorteil: Deep Learning wird ohne Stromausfall nicht müde und kann sehr große Mengen an Daten in kurzer Zeit verarbeiten.

Mittels Deep Learning verfügen Maschinen also über die Fähigkeit, selbstständig dazuzulernen und sich zu verbessern. Maschinen erhalten so das nötige Handwerkszeug, Entscheidungen basierend auf den vorhandenen Verknüpfungen zu treffen. Diese Entscheidungen wiederum werden kontinuierlich hinterfragt und gewichtet. Wird eine Entscheidung bestätigt, gewinnt sie an Gewicht. Wird sie widerlegt, verliert sie an Gewicht. So wird die Qualität der Aussagen kontinuierlich erhöht und das vorhandene Wissen erweitert.

Welche Rolle spielen neuronale Netze für Deep Learning?

Neuronale Netze sind die Basis von Deep Learning. Es handelt sich dabei um Modelle, die dem menschlichen Gehirn ähneln und mit Eingangs- und Ausgangsneuronen arbeiten, zwischen denen sich Zwischenneuronen befinden. Indem Sie lernen, werden Eingangsneuronen über die Zwischenneuronen mit den Ausgangsneuronen verknüpft. Mit der Anzahl der Neuronen und Schichten wächst die Komplexität der Sachverhalte, die abgebildet werden können. Alternativ wird häufig auch von Eingangsschicht (Input Layer), versteckter Schicht (Hidden Layer) und Ausgangsschicht (Output Layer) gesprochen.

Was ist der Unterschied zwischen Deep Learning und Machine Learning?

Zusammenhang von Deep Learning, Machine Learning und KI

Deep Learning und Machine Learning sind dem Bereich der künstlichen Intelligenz (KI) zuzuordnen. Machine Learning ist ein breiteres Konzept, das eine Vielzahl von Algorithmen einschließt, um Muster in Daten zu erkennen und Vorhersagen treffen zu können. Deep Learning ist ein Teilbereich innerhalb des Machine Learnings. Es werden mehrschichtige neuronale Netze verwendet, um komplexe Muster in Daten zu erkennen. Kurz gesagt, Deep Learning ist eine spezielle Art des Machine Learning.

Wie ist Deep Learning einzuordnen?

Deep Learning ist ein Teilbereich des Machine Learning. Charakteristisch ist die Nutzung von mehrschichtigen neuronalen Netzen, um komplexe Muster in Daten zu erkennen. Es ist eine der fortschrittlichsten Technologien im Machine Learning und hat in den letzten Jahren viele erfolgreiche Anwendungen in Bereichen wie Computer Vision, Spracherkennung und Spielentscheidungen ermöglicht.

Die Potenziale von KI nutzen

Künstliche Intelligenz erzeugt mit Methoden wie Deep Learning bislang ungeahnte Möglichkeiten. Nutzen Sie sie! Mit den KI-gestützten Lösungen in der Microsoft Power Platform bringen Sie Ihr Unternehmen voran und erfahren im kostenfreien Webinar, wie.

Schatzkarte mit den Icons der Power Platform Bestandteile

Welche Deep Learning Algorithmen bzw. welche Deep Learning Types gibt es?

Es gibt zahlreiche Algorithmen. Typisch sind:

  • Long Short Term Memory Networks (LSTMs): Netze, die über ein langes Kurzzeitgedächtnis verfügen
  • Radial Basis Function Networks (RBFNs)
  • Multilayer Perceptrons (MLPs)
  • Selbstorganisierende Karten (Self Organizing Map, SOMs)
  • Deep Belief Networks (DBNs)
  • Convolutional Neural Networks (CNNs): Werden häufig für Bildklassifikation und Bilderkennung genutzt.
  • Recurrent Neural Networks (RNNs): Sind besonders für Spracherkennung, Textgenerierung und Zeitreihenvorhersagen geeignet.
  • Generative Adversarial Networks (GANs): Die Erzeugung von Bildern, Tonaufnahmen und anderen Arten von Daten werden gerne über GANs realisiert.
  • Autoencoder: Geht es um Datenkomprimierung, Anomalieerkennung und Verarbeitung unstrukturierter Daten, sind Autoencoder das Werkzeug der Wahl.
  • Fully Connected Networks: Ist die Basis für einfache maschinellen Probleme, wie Regression und Klassifikation von Daten.

Was ist der Unterschied zwischen Multimodal Deep Learning und Geometric Deep Learning?

1. Multimodal Deep Learning

Beim Multimodal Deep Learning geht es um das Lernen aus mehreren Datenquellen. Ziel ist es, ein Modell zu erstellen, das in der Lage ist, verschiedene Quellen zu integrieren und die Informationen vollumfänglich zu nutzen. Ein typisches Beispiel für Multimodal Deep Learning ist die Klassifizierung von Bildern und Texten in sozialen Netzwerken.

2. Geometric Deep Learning

Geometric Deep Learning bezieht sich auf den Lernprozess aus strukturierten Daten, zum Beispiel Punktwolken oder Graphen. Im Gegensatz zu traditionellen statistischen Modellen, die für tabellarische Daten entwickelt wurden, zielt Geometric Deep Learning darauf ab, die Geometrie der Daten selbst zu verstehen und zu nutzen. Ein typisches Beispiel für Geometric Deep Learning ist die Vorhersage von Moleküleigenschaften durch die Analyse ihrer dreidimensionalen Struktur.

Beide Arten unterscheiden sich also in ihrem Fokus auf unterschiedliche Arten von Daten und Informationsquellen. Während Multimodal Deep Learning sich auf das Lernen aus verschiedenen Modalitäten von Daten konzentriert, zielt Geometric Deep Learning darauf ab, die Geometrie und Struktur von Daten zu verstehen. Beide Ansätze haben ihre eigenen Anwendungen und sind wichtige Werkzeuge im maschinellen Lernen.

Figur, die auf etwas zeigt

Wo wird Deep Learning heutzutage eingesetzt?

Deep Learning kommt zum Einsatz, um aus großen Datenmengen (Big Data) Muster und Trends herauszufiltern. Typische Beispiele aus dem Bereich künstliche Intelligenz, sind die Gesichts-, Sprach sowie Objekterkennung.

  • 1. Marketing

    Deep Learning unterstützt Marketingabteilungen dabei, Maßnahmen personalisiert umzusetzen. Dafür werden Kundenbedürfnisse in den Mittelpunkt gerückt und detailliert analysiert. So ist es möglich, passenden Produkte vorzuschlagen. Außerdem lassen sich Verhaltensweisen von Kunden vorhersagen und die Kundenbindung festigen.

  • 2. Kundenservice

    Der Kundenservice profitiert über Chatbots von Deep Learning. Sie ersetzen oder entlasten menschliche Mitarbeiter und beantworten Kundenanfragen. Je moderner der Algorithmus ist, desto komplexer können die Fragen ausfallen. Mit der Häufigkeit, in der ein Chatbot genutzt wird, wächst auch dessen Erfahrung und er lernt stetig neuen Informationen hinzu.

  • 3. Sales

    Mittels Deep Learning erstellen Vertriebsabteilungen präzise Umsatzprognosen. Dafür werden vorhandene Informationen verarbeitet und ausgewertet. Auf dieser Basis werden die Vorausschauen erstellt. Außerdem entlastet es die Sales-Mitarbeiter zeitlich, was der Lead-Generierung dient.

  • 4. Medizin

    Patientendaten lassen sich mittels Deep Learning zuverlässig analysieren. Dafür nimmt die künstliche Intelligenz Befunde und Aufnahmen in den Blick und entwickelt auf dieser Basis Handlungsvorschläge. Es können Therapieempfehlungen sowie Diagnosen entstehen. Auch Medikamentenpläne lassen sich erstellen und Hilfe bei der Rezeptausstellung in Anspruch genommen werden.

  • 5. Personalwesen

    Mittels Deep Learning lassen sich Bewerbungen automatisiert analysieren. Das dient der vollständigen Bearbeitung oder einer Vorsortierung für die Personalabteilung. Datenquellen werden so effizienter betrachtet. Außerdem ist die KI in der Lage, zuverlässig die Leistungsbereitschaft der Bewerber vorherzusagen.

  • 6. Selbstfahrende Autos

    Fahrassistenten, optimale Wahrnehmung und maximale Sicherheit beim autonomen Fahren werden durch Deep Learning möglich. Dafür nehmen die Autos große Datenmengen auf den Straßen auf und verarbeiten diese entsprechend. Die gewonnenen Erkenntnisse dienen als Grundlage für das künftige Fahrverhalten und Entscheidungen.

Mit der Power Platform ans Ziel

Künstliche Intelligenz, Deep Learning und noch viel mehr: Die Microsoft Power Platform umfasst zahlreiche Methoden, um Prozessen mehr Effiizienz zu schenken.

Icons der Power Platform Bestandteile
Inhalte

    Beitrag teilen

    Autor

    Welchen Nutzen die Kombination aus menschlichem Handeln und digitalen Möglichkeiten erzeugt, weiß Matthias Sebald, Head of Power Platform & AI, genau. Zudem greift er auf jahrelange Erfahrung mit den YAVEON Produkten zurück und kennt deren Zusammenspiel wie seine Westentasche. Profitieren Sie von seiner Expertise und lassen Sie sich von ihm mitnehmen in die fachlichen Welten der YAVEON Software.

    Weitere interessante Beiträge

    ETL-Prozess

    Was ist ein ETL-Prozess und wann wird er angewendet? Erklärung, Schritte, Einsatzbereiche und mehr. Jetzt informieren!

    BI Dashboard

    Was ist ein BI Dashboard und welche Vorteile hat es? Definition, Ziel, Best Practices und mehr. Jetzt informieren!

    Datenbank

    Eine Datenbank ist ein System, mit dem Daten digital verwaltet werden. Es werden strukturierte und unstrukturierte Daten gesammelt.

    Unser Quartalsupdate

    Langweilige Newsletter, die sich lesen wie Werbung? Braucht man nicht. Stattdessen gibt es unser Quartalsupdate:

    Newsletter abonnieren

    © 2024 - YAVEON | All rights reserved

    Nach oben