Der KI-Lexikon-Eintrag zum Thema Machine Learning zeigt es schon, dass diese Form des maschinellen Lernens unabdingbar verknüpft ist mit der Künstlichen Intelligenz und deren Anwendungen. Denn ohne dieses Trainieren sind KI-Lösungen im Grunde gar nicht möglich. Doch worin unterscheidet sich das maschinelle Lernen von seinem „großen Bruder“, dem Deep Learning?
Nun, wie der Begriff „tiefes Lernen“ lässt es schon erahnen: Diese Art des Modelltrainierens ist wesentlich komplexer und aufwändiger als beim Machine Learning. Der wesentliche Unterschied besteht in der Zahl an vorhandenen Schichten, mit deren Hilfe die KI-Modelle trainiert werden. Es handelt sich dabei um Hunderte oder Tausende von Schichten (Layern), die eine KI-Lösung erst zu dem machen, was sie ist: Ein zuverlässige Vorhersagemodell, das anhand der zugrunde liegenden Daten mögliche Ergebnisse liefern kann – und das vollkommen automatisiert.
Denn das Besondere an Deep Learning-Algorithmen ist ihre Fähigkeit, Daten selbstständig zu analysieren, Gemeinsamkeiten und bestimmte Muster zu erkennen, und vieles mehr. Daraus entstehen Anwendungen, die nicht mehr auf vortrainierte Daten angewiesen sind. Beispielhaft seien hier digitale (Sprach-)Assistenten, selbstfahrende Fahrzeuge und Applikationen der generativen KI erwähnt.
Die Lernprozesse von Deep Learning-Algorithmen kennen zwei Richtungen: vorwärts und rückwärts. Bei der Vorwärtsausbreitung (Forward Propagation) werden die Daten anhand der vorhandenen Knoten schichtweise trainiert. Daraus entstehen kontinuierlich verbesserte Datensammlungen, da mit jedem Layer die Zuverlässigkeit der Modelle zunimmt.
In die andere Richtung kommt die Backpropagation zum Einsatz. Hierfür werden Algorithmen wie der Gradientenabstieg genutzt. Damit lassen sich mögliche Fehler in Vorhersagen berechnen, indem das Trainieren der Daten von unten nach oben, also rückwärts durch die Schichten geschieht. Erst die richtige Kombination aus einem vor- und rückwärts gewandte Trainieren der Daten ermöglicht ein neuronales Netz, das Vorhersagen immer genauer trifft und sukzessive mögliche Fehler korrigiert. Mit dem Ergebnis eines immer genauer funktionierenden Datenmodells samt der zugehörigen KI-Anwendung.
6 Arten von Deep Learning-Modellen
Aktuell gibt es 6 verschiedene Deep Learning-Modelle, allerdings sind im Wesentlichen davon nur 3 relevant: Konvolutionale neuronale Netze (CNN), Rekurrente neuronale Netze (RNN) und Generative Adversarial Networks (GAN). Daneben gibt es noch sogenannte Diffusions- und Transformatormodelle sowie Variational Autoencoder (VAE), eine Vorstufe generativer KI-Modelle.
CNN-basierte Modelle werden vor allem in Computer-Vision- und Bildklassifizierungsanwendungen eingesetzt. Sie können vor allem Merkmale und Muster in Bildern und Videos erkennen. RNNs hingegen kommen immer dann zum Einsatz, wenn natürliche Sprache erkannt und verarbeitet werden soll. Google Translate ist eine bekannte Anwendung, die auf RNN-Modellen basiert.
GAN-Modelle werden wie bei RNN-basierten Anwendungen vornehmlich für die Objekterkennung genutzt. Hierbei stellt der sogenannte Generator Bilder und Videos, wohingegen der Diskriminator die vom Generator produzierten Inhalte mit einem vorhandenen Original vergleicht. Erkennt er wesentliche Abweichungen, „straft“ er den Generator ab. Daraus entstehen solange Feedback-Schleifen, bis der Diskriminator keinen Unterschied mehr zwischen Orignal und „Fälschung“ erkennen kann.
Anwendungsfälle des Deep Learming
Zu den zahlreichen möglichen Anwendungsfällen von Deep Learning-Modellen zählen:
- Das Modernisieren von Anwendungen bzw. deren Fähigkeiten, mehr Automatisierungsaufgaben zu übernehmen
- Computer Vision für das Erkennen von Mustern und Auffälligkeiten in Bildern, Videos und Audiodateien
- Kundenbetreuung in Form von digitalen Assistenten wie Chatbots
- Generative Künstliche Intelligenz (GenAI)
- Analyse und Verarbeitung von natürlicher Sprache
- Analyse von Finanzdienstleistungen
- usw.
Mehr Informationen zu Deep Learning vs. Machine Learning
Auf der Webseite von Datascientest, einem umfangreichen Fortbildungsangebot, das sich unter anderem intensiv mit dem Thema Künstliche Intelligenz beschäftigt, findest du eine anschauliche Gegenüberstellung der Begriffe Deep Learning und Machine Learning. Also, was das eine ist und das andere und was beide im Wesentlichen unterscheidet.
Weitere KI-Lexikon-Begriffe
„G“ wie GPU (Graphics Processing Unit)
„L“ wie Long Short-Term Memory (LSTM)
„L“ wie Large Language Model (LLM)
„N“ wie Natural Language Processing