Deep Learning
Was ist Deep Learning?
Deep Learning ist eine Art des maschinellen Lernens. Hierbei werden Algorithmen verwendet, die ähnlich wie das menschliche Gehirn funktionieren sollen.
Deep Learning als Teilbereich von KI und ML
Deep Learning ist ein Teilbereich des maschinellen Lernens (ML), das wiederum ein Teilbereich der künstlichen Intelligenz (KI)ist. Das Konzept der KI gibt es bereits seit den 1950er Jahren. Ziel ist, Computer in die Lage zu versetzen, ähnlich wie Menschen zu denken und abzuwägen. Damit Maschinen denken können, konzentriert sich ML darauf, wie sie lernen können, ohne explizit programmiert zu werden. Deep Learning geht dabei über ML hinaus, indem es komplexere hierarchische Modelle erstellt, die nachahmen sollen, wie Menschen neue Informationen lernen.
Deep Learning auf Basis neuronaler Netze
Im Kontext von KI und ML bezieht sich ein Modell auf einen mathematischen Algorithmus, der darauf trainiert wird, zu den gleichen Ergebnissen oder Vorhersagen zu kommen, wie ein menschlicher Experte mit den gleichen vorliegenden Informationen. Beim Deep Learning orientieren sich die Algorithmen an der Struktur des menschlichen Gehirns und werden als neuronale Netze bezeichnet. Diese neuronalen Netze basieren auf vernetzten Netzwerk-Switches, die so konzipiert sind, dass sie lernen, Muster auf die gleiche Weise zu erkennen wie das menschliche Gehirn und Nervensystem.
Deep Learning gestaltet die Zukunft
Viele der jüngsten Fortschritte in der KI wurden durch Deep Learning ermöglicht. Von Empfehlungen zu Streaming-Diensten über Sprachassistenten-Technologien bis hin zum autonomen Fahren: Die Fähigkeit, Muster zu erkennen und viele verschiedene Arten von Informationen zu klassifizieren, ist entscheidend für die Verarbeitung großer Datenmengen mit wenig bis gar keiner menschlichen Intervention.
Wie funktioniert Deep Learning?
Das ursprüngliche Ziel der KI darin bestand, Maschinen in die Lage zu versetzen, Dinge zu tun, die bisher menschliche Intelligenz erfordern. Diese Idee wurde seither verfeinert. Francois Chollet, KI-Forscher bei Google und Schöpfer der ML-Softwarebibliothek Keras, erklärt: „Intelligenz ist keine Fähigkeit an sich. Es geht nicht darum, was man kann, sondern wie gut und effizient man neue Dinge lernen kann."1
Deep Learning konzentriert sich auf die Optimierung dieses Prozesses, bei dem Maschinen neue Dinge lernen. Bei regelbasierter KI und ML bestimmt ein Datenwissenschaftler die Regeln und Datensatzfunktionen für die Modelle und damit die Funktionsweise dieser Modelle. Beim Deep Learning füttert der Data Scientist einen Algorithmus mit Rohdaten. Das System analysiert diese Daten dann ohne spezifische Regeln oder vorprogrammierte Funktionen. Sobald das System seine Prognosen erstellt hat, werden diese mit einem separaten Datensatz auf ihre Richtigkeit überprüft. Je nachdem, wie genau oder ungenau diese Prognosen sind, wird der nächste Satz an Prognosen durch des Systems beeinflusst.
Das „Deep“ in Deep Learning bezieht sich auf die vielen Schichten, die das neuronale Netz mit der Zeit ansammelt. Je vielschichtiger das Netz wird, desto besser wird die Leistung. Jede Netzwerkschicht verarbeitet ihre Eingabedaten auf eine bestimmte Weise, die dann die nächste Schicht informiert. Auf diese Weise wird die Ausgabe einer Schicht zur Eingabe für die nächste.
Das Trainieren von Deep Learning-Netzen ist zeitaufwendig und erfordert die Einspeisung großer Datenmengen und deren Tests, während das System sein Modell schrittweise verfeinert. Neuronale Netze gibt es schon seit den 1950er Jahren. In den letzten Jahren ist jedoch sowohl die Rechenleistung als auch die Datenspeicherung so weit fortgeschritten, dass Deep Learning-Algorithmen für die Erstellung neuer, spannender Technologien eingesetzt werden können. Zum Beispiel neuronale Deep Learning-Netze, die es Computern ermöglicht haben, Aufgaben wie Spracherkennung, Computer Vision, Bioinformatik und medizinische Bildanalysen auszuführen.
1. Lex Fridman Podcast #120, „François Chollet: Measures of Intelligence“, August 2020.
Deep Learning vs. maschinelles Lernen
Während alle Deep Learning-Methoden auch ML-Methoden sind, sind nicht alle ML-Methoden auch Deep Learning-Methoden. Bei beiden Technologien wird anhand von Testdaten trainiert, um das ideale Modell für die Daten zu bestimmen. Traditionelle ML-Methoden erfordern jedoch ein gewisses Maß an menschlicher Interaktion, da die Daten vorverarbeitet werden müssen, bevor die Algorithmen angewendet werden können.
Maschinelles Lernen gehört zum Thema Künstliche Intelligenz. Sein Ziel ist es, Computer in die Lage zu versetzen, zu lernen, ohne speziell auf das auszugebende Ergebnis programmiert zu sein. Die Algorithmen des maschinellen Lernens helfen dem Computer, Dinge zu erkennen. Dieses Training kann aufwendig sein und einen erheblichen menschlichen Aufwand mit sich bringen.
Deep Learning-Algorithmen gehen noch einen Schritt weiter, indem sie hierarchische Modelle erstellen, die die Denkprozesse unseres eigenen Gehirns nachahmen sollen. Dabei kommen mehrschichtige neuronale Netze zum Einsatz, die keine Vorverarbeitung der Eingabedaten für die Ergebniserstellung erfordern. Data Scientists speisen die Rohdaten in den Algorithmus ein, das System analysiert die Daten auf Basis bereits vorhandener Informationen und was es aus den neuen Daten ableiten kann, und trifft eine Prognose.
Der Vorteil von Deep Learning besteht darin, dass es Daten auf eine Weise verarbeiten kann, die eine einfache regelbasierte KI nicht leisten kann. Die Technologie kann verwendet werden, um klare Geschäftsergebnisse wie verbesserte Betrugserkennung, höhere Ernteerträge, verbesserte Genauigkeit der Lagerbestandskontrollsysteme und vieles mehr zu erzielen.
Aktuelle Anwendungen von Deep Learning
Unternehmen in vielen Branchen setzen Deep Learning-Modelle für eine Vielzahl von Anwendungsfällen ein. Im Folgenden sind nur einige der vielen Anwendungen von Deep Learning in der Praxis aufgeführt.
Gesundheitswesen: Die Medizinbranche von heute erzeugt riesige Datenmengen. Die Möglichkeit, diese Daten schnell und genau zu analysieren, kann auf verschiedene Weise zu besseren Behandlungsergebnissen beitragen. Deep Learning-Algorithmen werden in Bereichen wie der medizinischen Forschung, Bildgebungsanalyse, Krankheitsprävention, geführte Arzneimittelentwicklung und Verarbeitung natürlicher Sprache eingesetzt – was besonders hilfreich sein kann, um medizinische Freitextnotizen in elektronischen Patientenakten (EHRs) auszufüllen.
Fertigung: Hersteller müssen Produkte und Services von höherer Qualität schneller und zu geringeren Kosten anbieten. Viele Unternehmen setzen computergestütztes Engineering (CAE) ein, um den Zeit-, Kosten- und Materialaufwand für die Entwicklung physischer Prototypen zum Testen neuer Produkte zu reduzieren. Deep Learning kann dabei verwendet werden, um sehr komplexe Muster in mehrdimensionalen Daten zu modellieren und die Analysegenauigkeit von Testdaten zu verbessern.
Finanzdienstleistungen: Betrug ist in vielen Branchen ein zunehmendes Problem, insbesondere jedoch in der Finanzdienstleistungsbranche. Mithilfe von Deep Learning kann schnell und kostengünstig ungewöhnliches Verhalten erkannt werden. Erkenntnisse aus Deep Learning-Modellen können auch dazu beitragen, das Kreditrisiko eines Antragstellers genauer zu bewerten, Aktienwerte vorherzusagen, Backoffice-Prozesse zu automatisieren und Kunden zu Finanzprodukten zu beraten.
Öffentlicher Sektor: Da immer mehr Abteilungen, Systeme und Prozesse digitalisiert werden, können Behörden Deep Learning einsetzen, um die Automatisierung zu steigern und die Arbeit der Beamten effizienter zu gestalten. Die Bilderkennung und -klassifizierung kann Strafverfolgungsbehörden die Personenfahndung im öffentlichen Raum erleichtern. Visa- und Einwanderungsanträge können mit Algorithmen optimiert werden, um bestimmte Aspekte der Verarbeitung zu automatisieren. Flughäfen nutzen Deep Learning, um die Sicherheit zu verbessern, den Betrieb zu optimieren und das Warteschlangenmanagement zu automatisieren. Deep Learning-Modelle können sogar verwendet werden, um die Verkehrsbedingungen vorherzusagen und es den lokalen Behörden zu ermöglichen, proaktiv Staus zu verringern.
Schnellerer Einsatz von Deep Learning mit HPE
Deep Learning ist für Unternehmen jeder Größe zugänglicher denn je. Von den ersten Schritten über die Optimierung bis hin zur Skalierung – HPE begleitet Sie auf Ihrem Weg, sodass Sie schneller Erkenntnisse aus Daten gewinnen, die zu bahnbrechenden Innovationen führen. Neben Infrastrukturbausteinen und Expertise können Sie von validierten Partnern profitieren, um Ihre Geschäftsziele zu erreichen.
Beseitigen Sie die Komplexität von Deep Learning und erstellen Sie Ihre optimale Lösung. Dank der branchenführenden High-Performance Computinglösungen, intelligenten Datenplattformen und extrem schnelle Netzwerkstrukturen von HPE können Sie Deep Learning in jedem Umfang einsetzen. Lassen Sie mit den HPE Pointnext Advisory and Professional Services Machbarkeitsstudien schnell hinter sich. Profitieren Sie von Know-how und Services, mit denen Sie Ihre KI-Projektentwicklungen von Jahren auf Monate bis hin zu Wochen reduzieren. Erhalten Sie mit HPE Ezmeral ML Ops, einer containerbasierten Lösung zur Unterstützung jeder Phase des ML-Lebenszyklus, sofortigen Zugriff auf die notwendigen KI-Tools und -Daten.
Das HPE Deep Learning Cookbook bietet eine Reihe von Tools zur Ermittlung von Deep Learning Workloads und empfiehlt den optimalen Hardware-/Software-Stack für jede Workload. Die in unserem Deep Learning Cookbook enthaltenen Empfehlungen basieren auf umfangreichen Leistungsergebnissen für verschiedene Deep Learning-Workloads mit verschiedenen Technologie-Stacks und analytischen Leistungsmodellen. Die Kombination aus realen Messungen und analytischen Leistungsmodellen ermöglicht es uns, die Leistung jedes Workloads abzuschätzen und einen optimalen Stack für diesen Workload zu empfehlen.
Gemeinsam mit NVIDIA bietet HPE ein führendes Portfolio an optimierten KI- und Deep-Learning-Lösungen. Durch Online- und geführte Workshops, mit Referenz-Architekturen und Benchmarks zu NVIDIA GPU-beschleunigten Anwendungen bringen wir Ihnen Deep Learning näher. Unsere Lösungen zeichnen sich durch bewährte Expertise, eines der größten Deep Learning-Partnernetzwerke und unsere KI-Software-Frameworks aus.