Deep Learning: Definition, Beispiele & Frameworks

Deep Learning (tiefes Lernen) ist ein Teilgebiet von maschinellem Lernen, welches sich auf künstliche neuronale Netze und große Datenmengen fokussiert. Deep Learning wird dazu genutzt

• Bilder zu erkennen,
• Texte zu verstehen
• und Entscheidungen genauer zu tätigen.

Durch große Datenmengen (Big Data) und stark gewachsene Rechenkraft hat Deep Learning an Relevanz gewonnen.

In diesem Artikel gehe ich auf folgende Themen zu Deep Learning ein:

1. Was ist Deep Learning?
2. Welcher Zusammenhang besteht zwischen Deep Learning und künstlichen neuronalen Netzen?
3. Warum ist Deep Learning wichtig?
4. Was ist der Unterschied zwischen Deep Learning und Machine Learning?
5. Ist Deep Learning überbewertet?
6. Welche Anwendungsfälle für Deep Learning gibt es?
7. Welche Deep Learning Frameworks gibt es?
8. FAQ – Die wichtigsten Fragen im Schnelldurchlauf

Das Wichtigste auf einen Blick:

• Deep Learning ist ein Teilbereich der Künstlichen Intelligenz und befasst sich mit dem Einsatz von tiefen neuronalen Netzen. 
• Dabei funktioniert Deep Learning durch die Verwendung Künstlicher Neuronaler Netze (KNN). 
• Diese Künstlichen Neuronalen Netze stellen Algorithmen dar, die der Funktionsweise des menschlichen Gehirns nachempfunden sind. 
• Deep Learning lässt sich für viele Problemstellungen in Bereichen der Datenverarbeitung einsetzen und dient vor allem im Marketing, Kundenservice, Vertrieb, autonomen Fahren, Medizin und dem Personalwesen als erfolgsversprechende Hilfestellung. 
• Bei der Umsetzung von Deep Learning gibt es Frameworks wie etwa: TensorFlow, Keras oder Pytorch.  

Was ist Deep Learning?

Deep Learning ist eine spezielle Methode zur Informationsverarbeitung und ein Teilbereich von Machine Learning und Künstlicher Intelligenz. Deep Learning verwendet zur Analyse großer Datensätze neuronale Netze. Diese von Deep Learning angewandte Funktionsweise agiert ähnlich wie das menschliche Gehirn. Dabei werden Daten zuerst extrahiert, anschließend analysiert, um im Anschluss eine Schlussfolgerung bzw. Prognose zu erstellen. Innerhalb der Praxis wird Deep Learning hauptsächlich zum Erkennen von Bildern, dem Verständnis von Texten oder zur besseren Entscheidungsfindung genutzt.  

Die Grundlage von Deep Learning, Neuronale Netze, gibt es schon seit den frühen 1940 Jahren und stellt demnach kein neues Thema dar. Durch Big Data und die wachsende Rechenkraft (durch den Einsatz von Grafikkarten) gewinnt es jedoch rasant an Aufmerksamkeit. Deep Learning löst Probleme, die ohne diese Ansätze schlichtweg nicht lösbar sind.

Tiefes Lernen ist extrem rechenintensiv. Das Training kann über Monate andauern, um gute Vorhersagen und Entscheidungen treffen zu können. Grund dafür sind komplexe Architekturen und Millionen von Modell-Parametern.

Welcher Zusammenhang besteht zwischen Deep Learning und künstlichen neuronalen Netzen?

Deep Learning basiert auf der Verwendung künstlicher neuronaler Netze. Künstliche neuronale Netze sind Algorithmen, die nach dem biologischen Vorbild des menschlichen Gehirns modelliert sind. Eingesetzt werden diese, um Muster zu erkennen, Texte zu deuten oder uns dabei zu helfen, Cluster zu bilden und Objekte auf Bildern zu klassifizieren.

Natürlich wird ein Deep Learning Algorithmus, wie jeder Algorithmus des maschinellen Lernens, anhand von Daten trainiert. Künstliche neuronale Netze sind oft sehr komplex, was die Interpretation der einzelnen Entscheidungen schwer nachvollziehbar macht.

Ein ganz einfaches künstliches neuronales Netz besteht aus einer Eingangsschicht (Input Layer), einer versteckten Schicht (Hidden Layer) sowie einer Ausgangsschicht (Output Layer).

Die Neuronen der Hidden Layer enthalten so genannte Gewichte und ordnen den verschiedenen Input-Signalen ein Output-Ergebnis zu.

Dabei werden Input-Signale über Aktivierungsfunktionen gesichtet und transformiert.

Wie sich im Schaubild erkennen lässt, kann ein neuronales Netzwerk beliebig komplex aufgebaut sein. Einfache KNNs können beispielsweise nur einen Hidden Layer haben, wobei komplexere Ansätze hunderte Hidden Layer haben können.

Wenn die Rede von tiefem Lernen ist, dann sind Modelle gemeint, die in jeden Fall mehr als einen Hidden Layer besitzen.

Wer noch mehr Informationen über Künstliche Neuronale Netze haben möchte: in diesem Artikel geht es etwas mehr in die Tiefe.

Warum ist Deep Learning wichtig?

Warum sollten Deep Learning Algorithmen und künstliche neuronale Netze eingesetzt werden? Es gibt Problemstellungen, wie unstrukturierte Bild– und Texterkennung oder die Entwicklung von Empfehlungssystemen im Marketing, die sich besonders gut mit neuronalen Netzen abbilden lassen. Das Erlernen dieser komplexeren Muster ist mit klassischen Machine Learning Algorithmen nur schwer möglich. Hier spielen künstliche neuronale Netze ihre Stärke aus.

Je größer die Datenmenge, desto besser funktioniert tiefes Lernen.

Ein gutes Beispiel ist die Sprach-, Text- und Bilderkennung. Dafür gibt es bestimmte neuronale Netzwerkarchitekturen, die besonders gut geeignet sind. Zur Bilderkennung werden sehr häufig Convolutional Neural Networks (CNN) eingesetzt.

Aber auch strukturierte Daten lassen sich mit neuronalen Netzen gut verarbeiten, besonders wenn viele Daten zur Verfügung stehen.

Big Data Technologie und die stetig wachsende Datenmenge spielen für den Erfolg dieser Ansätze eine entscheidende Rolle. Ohne Big Data funktionieren neuronale Netze oft schlechter als klassisches maschinelles Lernen, was folgendes Schaubild von dem renommierten Deep Learning Experten Andrew Ng deutlich zeigt.

In der Praxis lässt sich feststellen, dass viele meiner Kunden noch nicht über weitreichende Daten verfügen oder einfach in ihrem Machine Learning Reifegrad noch nicht weit genug sind.

Was ist der Unterschied zwischen Deep Learning und Machine Learning?

Deep Learning ist eine Teilmenge von Machine Learning, daher ist Deep Learning immer maschinelles Lernen. Allerdings lohnt es sich, die Fähigkeiten dieser beiden Arten von maschinellem Lernen genauer zu betrachten, denn beide haben unterschiedliche Eigenschaften.

Um die Begriffe besser abzugrenzen, unterteilen wir diese in Deep Learning und „klassisches“ Machine Learning. Mit klassischem Machine Learning sind die Methoden gemeint, die keine künstlichen neuronalen Netze nutzen. Deep Learning hingegen nutzt ausschließlich künstliche neuronale Netzwerke.

Somit liegt der Hauptunterschied zwischen Deep Learning und klassischem Machine Learning in der Fähigkeit, durch künstliche neuronale Netzwerke (KNN), unstrukturierte Daten zu verarbeiten.

Künstliche neuronale Netzwerke sind in der Lage, unstrukturierte Informationen wie Texte, Bilder, Töne und Videos in numerische Werte umzuwandeln. Diese extrahierten Informationen werden dann zur Mustererkennung und zum weiteren Lernen verwendet.

Klassische Machine Learning Methoden sind nicht in der Lage, diese unstrukturierten Daten erfolgreich zu verarbeiten. Anwendungsfälle, wie die Bilderkennung sind mit klassischen Methoden kaum sinnvoll umzusetzen, da diese Modelle die komplexen Zusammenhänge nicht abbilden können.

Ein weiterer Unterschied ist das Feature Engineering, also die Datenvorverarbeitung, die bei Deep Learning fast ausschließlich durch den Algorithmus durchgeführt wird.

Unterschiede zwischen Machine Learning und Deep Learning:

In der folgenden Tabelle zeige ich die Hauptunterschiede zwischen Deep Learning und Machine Learning:

	Machine Learning	Deep Learning
Datenstruktur	Strukturierte Daten	Unstrukturierte und strukturierte Daten
Datensatzgröße	Klein – Mittel	Groß
Hardware	Funktioniert mit einfacher Hardware.	Braucht leistungsstarke Computer (mit GPUs). Neuronale Netze multiplizieren Matrizen, die sehr viel Rechenzeit brauchen – GPUs beschleunigen den Vorgang.
Feature Extraktion	Sie müssen die Merkmale in der Regel verstehen.	Sie müssen die Merkmale nicht verstehen.
Laufzeit	Ein paar Minuten bis Stunden	Bis zu Wochen und Monaten. Künstliche neuronale Netze müssen einen enorm viele Gewichte berechnen.
Interpretierbarkeit	Einige Algorithmen sind leicht zu interpretieren (Logistische Regression, einfache Entscheidungsbäume), andere sind fast unmöglich (SVM, XGBoost).	Schwer zu interpretieren und oft unmöglich.

Ist Deep Learning überbewertet?

Die Frage, ob Deep Learning überbewertet ist, kann man einfach beantworten: nein.

Durch neuronale Netze können heute Probleme gelöst werden, welches bisher als unlösbar galten. Die automatisierte Bilderkennung von Schrift und Text sind für klassische maschinelle Lernmethoden einfach nicht in der gewünschten Qualität lösbar.

Auch verstärkendes Lernen, welches für autonome Fahrzeuge und Robotik eingesetzt wird, ist nur durch Deep Learning-Methoden möglich. So werden solche Anwendungen unser tägliches Leben in den nächsten Jahren deutlich verändern.

Welche Anwendungsfälle für Deep Learning gibt es?

Deep Learning ist ein mächtiges Werkzeug für die Problemlösung in der Datenverarbeitung im Bereich Big Data. Entsprechend vielfältig sind die Anwendungsfälle im Business-Umfeld. Wir haben uns sieben interessante Use-Cases für Sie angesehen und kurz skizziert. Diese verdeutlichen, welch überragende Rolle das Deep Learning für Unternehmen heute spielt.

Im Folgenden gehen wir auf 7 Anwendungsfälle von Deep Learning in unterschiedlichen Unternehmensbereichen und Branchen ein.

Marketing

Deep Learning bietet Ihnen im modernen Marketing Vorteile in Hinblick auf eine konsequentere Personalisierung der Maßnahmen. Das Marketing ist immer stärker an den Bedürfnissen des einzelnen Kunden ausgerichtet und nicht mehr an größeren Gruppen, die sich in der Vergangenheit einfacher analysieren ließen. Deep Learning hilft dabei, Kundenbedürfnisse besser zu verstehen, optimale Produkte vorzuschlagen und Verhaltensweisen der Kunden, wie etwa ein verändertes Kaufverhalten vorherzusagen. Häufig können Sie mit den aus Deep Learning gewonnenen Erkenntnissen konkrete Maßnahmen für eine Stärkung der Kundenbindung ableiten. Weiterhin ermittelt Deep Learning, welche Kunden- und Marktsegmente das Marketing mit welchen Produkten bearbeiten sollte und hilft beim Brand Management.

Kundenservice

Ein beliebtes Anwendungsbeispiel für Deep Learning im Kundenservice sind die Chatbots. Sie ersetzen menschliche Mitarbeiter bei der Beantwortung von Kundenfragen. Moderne Algorithmen erlauben es, immer kompliziertere Anfragen zu bearbeiten. Je mehr Kunden der Chatbot bedient, desto stärker wächst der Erfahrungsschatz an und der Lernerfolg steigt. Dies bringt in der Praxis stetige Verbesserungen des Systems mit sich.

Aktuell ist das Aufsehen um den Chatbot ChatGPT groß, auch dieser arbeitet auf Basis von Deep Learning Techniken und ist ein Large Language Model.

Verkauf

Basierend auf allen Kundenkontakten und bisherigen Verkaufserfolgen ermöglicht Deep Learning Ihnen präzise Umsatzprognosen. Deep Learning setzt Zeitressourcen bei Ihren Mitarbeitern im Verkauf frei, die sich nicht mehr selbst um die Prognosen kümmern müssen und hilft bei der Lead Generierung. 

FinTech

Deep Learning setzen FinTech-Unternehmen in der Betrugsbekämpfung ein, um ungewöhnliche oder betrügerische Transaktionen frühzeitig zu erkennen. In Systemen, die Millionen Transaktionen bewältigen, ist eine Betrugsbekämpfung häufig ohne den Einsatz von KI schlichtweg nicht mehr denkbar. Ein weiteres wichtiges Einsatzgebiet für FinTechs sind die Robo-Advisor. Ein KI-Chatbot unterstützt Sie bei Ihren Finanzentscheidungen und steht bei Fragen zum Konto oder Depot jederzeit zur Verfügung.

Medizin

Im Bereich der Medizin ergeben sich viele Big-Data-Anwendungsfälle zum Beispiel beim Analysieren von Patientendaten. Die KI sieht sich Befunde an und macht Handlungsvorschläge, etwa für die Einleitung von Therapien. Zudem generiert die KI Medikationspläne, warnt frühzeitig vor der Entwicklung chronischer Erkrankungen bei gefährdeten Patienten oder unterstützt bei der Ausstellung von Rezepten.

Personalwesen

Im Personalwesen stehen die Unternehmen vor der Herausforderung, vorherzusagen, welchen Beitrag ein bestimmter Kandidat zum Unternehmenserfolg leisten wird. Deep Learning analysiert Bewerbungen und viele andere Datenquellen im Zusammenhang mit Bewerbungsprozessen und macht präzise Vorhersagen zur Leistungsfähigkeit und Leistungsbereitschaft der Kandidaten. Dahingehend erhält das Unternehmen erhält hier ein wertvolles Werkzeug für Analysen im Personalwesen.

Selbstfahrende Autos

Für Effizienzsteigerungen im Verkehr sorgt Deep Learning auf vielfältige Weise. Er verhilft dem Fahrzeug zu einer besseren Wahrnehmung der Umgebung, bietet Fahrassistenzen und erhöht die Sicherheit im Fahrzeug. Auf der Straße sammeln moderne Autos riesige Mengen an Daten. Dabei ermöglicht Deep Learning, mittels dieser Daten, die richtigen Entscheidungen zu treffen.

Welche Deep Learning Frameworks gibt es?

Mittlerweile sind in der Praxis verschiedene Deep Learning-Frameworks relevant. Wenn Sie und Ihre Mitarbeiter eigene Anwendungen in diesem Bereich entwickeln möchten, dann empfehlen wir Ihnen sich mit folgenden Optionen zu beschäftigen:

TensorFlow

TensorFlow gehört heute zu den Deep Learning-Frameworks mit der weltweit stärksten Verbreitung. Es handelt sich um ein Open-Source Framework für die Entwicklung von Anwendungen im Bereich des maschinellen Lernens und KI, zum Beispiel für die automatische Bilderkennung oder Natural Language Processing. Für die Entwicklung ist das Google Brain Team verantwortlich. Google selbst setzt TensorFlow für seine Google Suche, Google Fotos, für Gmail, sowie für die Spracherkennung ein. Die Entwicklung erfolgt in den Sprachen Python und C++.

Keras

Keras ist ebenso wie TensorFlow in Python geschrieben und das Framework erlaubt die schnelle Implementierung von neuronalen Netzwerken. Es ist daher hervorragend für dynamische Business-Umgebungen mit sich ständig ändernden Anforderungen geeignet. Interessant ist, dass ein gemeinsamer Einsatz mit anderen Frameworks wie TensorFlow möglich ist. Als Open-Source-Bibliothek ist eine Weiterentwicklung durch die weltweite Gemeinschaft mitarbeitender Programmierer gesichert.

Pytorch

Pytorch ist das dritte Deep Learning-Framework im Bunde, das auf Open-Source und die Programmiersprache Python setzt. Zudem erfolgt die Entwicklung in C und CUDA. Hinter diesem Projekt steht das KI-Forschungsteam von Facebook. Pytorch nutzt viele bewährte Python-Bibliotheken und ermöglicht die Nutzung auf mobilen Plattformen, wie Android oder iOS. Seit 2020 setzt die Non-Profit-Organisation OpenAI offiziell auf Pytorch.

Fazit

Deep Learning lässt sich in sämtlichen Bereichen einsetzen, in denen es um die Untersuchung großer Datenmengen zur Vorhersage von Ereignissen in der Zukunft oder zur Automatisierung von Prozessen geht. Somit findet Deep Learning in vielen verschiedenen Bereichen wie der Spracherkennung, Bildklassifikation sowie in den Bereichen der Empfehlungssysteme Einsatz und hilft Unternehmen bei der Umsetzung komplexer Problemstellungen.  

Schaut man sich bereits die vergangenen Jahre an, so ist in Zukunft mit vielen weiteren interessanten Lösungen im Bereich von Deep Learning zu rechnen. 

Haben Sie Interesse am Thema Deep Learning oder benötigen Hilfe bei der Implementierung? Kontaktieren Sie uns gerne.  

FAQ – Die wichtigsten Fragen im Schnelldurchlauf