Deep Learning

Was ist das und warum ist es wichtig?

Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem ein Computer darauf trainiert wird, menschenähnliche Aufgaben wie Spracherkennung, Bilderkennung und Vorhersage zu erfüllen. Es verbessert die Fähigkeit, Daten zu klassifizieren, zu erkennen, zu entdecken und zu beschreiben. Das derzeitige Interesse an Deep Learning ist zum Teil auf den Hype um künstliche Intelligenz (KI) zurückzuführen. Denken Sie an alltägliche Systeme wie Siri und Cortana. Diese werden zum Teil durch Deep Learning unterstützt.

Die Entwicklung von Deep Learning

Im Laufe der Jahre haben sich die Mensch-Maschine-Schnittstellen stark weiterentwickelt. Maus und Tastatur werden durch Gesten, Streichen, Berührung und Sprache ersetzt, was zu einem neuen Interesse an KI und Deep Learning führt.

Deep Learning wird derzeit durch mehrere Entwicklungen vorangetrieben:

  • Analytische Verbesserungen haben die Leistung von Deep-Learning-Methoden gesteigert;
  • Neue Ansätze des maschinellen Lernens haben die Genauigkeit von Deep-Learning-Modellen verbessert;
  • Es wurden neue Klassifizierungen von neuronalen Netzwerken entwickelt, die sich gut für Anwendungen wie Textübersetzung und Bildklassifizierung eignen;
  • Es stehen viel mehr Daten zur Verfügung, um neuronale Netze mit vielen tiefen Schichten aufzubauen, darunter Streaming-Daten aus dem Internet der Dinge, Textdaten aus sozialen Medien, Arztnotizen und Untersuchungsprotokolle;
  • Die Fortschritte im Bereich des verteilten Cloud-Computing und der Grafikprozessoren haben uns eine unglaubliche Rechenleistung zur Verfügung gestellt. Dieses Maß an Rechenleistung ist notwendig, um tiefe Algorithmen durch Deep Learning zu trainieren.

Deep Learning für den Tierschutz

Wie kann ein Computer ein Bild „sehen“? Jared Peterson, Senior Manager von SAS Advanced Analytics R&D, zeigt, wie neuronale Netze mit tiefem Lernen die Wissenschaft hinter der Computer Vision sind.

In diesem Beispiel für Deep Learning lernt das Computerprogramm, Tierspuren zu interpretieren, um den Tierschutz zu unterstützen.

Möglichkeiten und Anwendung von Deep Learning

Für die Lösung von Deep-Learning-Problemen ist viel Rechenleistung erforderlich, da Deep-Learning-Algorithmen iterativ sind, ihre Komplexität mit der Anzahl der Schichten zunimmt und große Datenmengen zum Trainieren der Netze benötigt werden.

Die Fähigkeit von Deep-Learning-Methoden, sich kontinuierlich zu verbessern und an Veränderungen in den zugrunde liegenden Informationsmustern anzupassen, bietet die Möglichkeit, ein dynamischeres Verhalten in die Datenanalyse einzuführen.

Eine dieser Möglichkeiten ist die bessere Personalisierung von Kundenanalysen. Ein Beispiel dafür wäre, dass Ihr bevorzugter Streaming-Dienst eine individuelle Liste von Sendungen erstellt, die Ihnen gefallen könnten, basierend auf Ihrem bisherigen Fernsehverhalten.

Während der gegenwärtige Schwerpunkt der Deep-Learning-Techniken im Bereich des kognitiven Computings liegt, gibt es auch ein großes Potenzial bei traditionelleren Datenanalyseanwendungen. Zum Beispiel bei der Zeitreihenanalyse.

Eine weitere Möglichkeit, Deep Learning anzuwenden, besteht darin, bestehende Analyseverfahren einfach effizienter und rationeller zu gestalten. Kürzlich testete SAS tiefe neuronale Netze für die Sprach-zu-Text-Transkription. Im Vergleich zu den Standardtechniken sank die Wortfehlerrate um mehr als 10 %. Neuronale Netze ersparten auch etwa zehn Schritte im Rahmen der Datenaufbereitung, des Funktionsmanagements und der Modellierung. Die beeindruckenden Leistungssteigerungen und die Zeitersparnis bedeuten einen Paradigmenwechsel.

Deep Learning heute

Die Auswirkungen von Deep Learning sind signifikant – und stehen erst am Anfang.

Ein kritischer Blick über den Tellerrand des Deep Learning-Hypes hinaus

Warum ist Deep Learning im Bereich Machine Learning unübertroffen? Deep Learning hat viele Herausforderungen, die bisher für Rechner nur schwer zu lösen waren, insbesondere im Bereich der maschinellen Wahrnehmung, mit viel Erfolg bewältigt.
Hier können Sie noch mehr zur Funktionweise von Deep Learning erfahren und warum es nicht zu hoch gejubelt wird.

Weiter zum Blogbeitrag

Wie man Deep Learning mit SAS® einsetzen kann

Wir zeigen Ihnen, wie Deep-Learning-Techniken mit SAS Software entwickelt und eingesetzt werden. Dieser Schritt-für-Schritt-Leitfaden vergleicht mehrere neuronale Netzwerkmodelle und erklärt, wie man sie einsetzt. Sie werden eine Einführung in Deep-Learning-Techniken und Anwendungen erhalten und erfahren, wie SAS die Entwicklung von tiefen neuronalen Netzwerkmodellen unterstützt. 

Zum White Paper

So imitiert Deep Learning unser Gehirn

Egal, ob es um die Unterscheidung zwischen einem Apfel und einer Orange geht oder um viel komplexere Zusammenhänge, Deep Learning ahmt die menschliche Denkweise nach. Und aufgrund seiner schnellen Auffassungsgabe und Definierung von Zusammenhängen erspart es sehr viel Zeit im Vergleich zu herkömmlichen Techniken - insbesondere bei unstruktierten Daten wie Bildern und Texten. 

Hier geht es zum Video

Wie wird Deep Learning eingesetzt?

Für Außenstehende mag es den Anschein haben, als befände sich Deep Learning in einer Forschungs- und Entwicklungsphase, in der Informatiker und Data Scientists ihre Fähigkeiten weiter testen. Deep Learning hat jedoch viele praktische Anwendungen, die von Unternehmen bereits heute genutzt werden, und viele weitere, die mit fortschreitender Forschung hinzukommen werden. Beliebte Anwendungen sind:

Spracherkennung

Sowohl in der Wirtschaft als auch in der Hochschulwelt werden Deep Learning-Technologien zur Spracherkennung eingesetzt. Xbox, Skype, Google Now und Apples Siri®, um nur einige zu nennen, setzen bereits Deep-Learning-Technologien in ihren Systemen ein, um menschliche Sprache und Sprachmuster zu erkennen.

Bilderkennung

Eine praktische Anwendungsmöglichkeit der Bilderkennung ist die automatische Beschriftung von Bildern und die Ortsbeschreibung. Dies könnte bei Ermittlungen der Strafverfolgungsbehörden von entscheidender Bedeutung sein, wenn es darum geht, kriminelle Taten auf Tausenden von Fotos zu erkennen, die von Augenzeugen in einer dicht bevölkerten Gegend, in der sich ein Verbrechen ereignet hat, eingereicht werden.
Autonome Fahrzeuge könnten ebenfalls davon profitieren, wenn sie mit einer 360-Grad-Kamera ausgestattet wären.

Natural Language Processing (NLP)

Neuronale Netze, eine zentrale Komponente des Deep Learnings, werden seit vielen Jahren zur Verarbeitung und Analyse von geschriebenem Text eingesetzt. Als Spezialisierung des Text Mining kann diese Technik zur Erkennung von Mustern in Kundenbeschwerden, Arztbriefen oder Nachrichtenberichten eingesetzt werden, um nur einige Beispiele zu nennen. 

Empfehlungs-Tools

Amazon und Netflix haben sogenannte Empfehlungstools bekannt gemacht. Diese Tools sind in der Lage Ihre Kaufinteressen, aufgrund Ihres bisherigen Verhaltens mit hoher Wahrscheinlichkeit zu erkennen. Deep Learning kann zur Optimierung von Empfehlungen in komplexen Bereichen wie Musikinteressen oder Kleidungspräferenzen über mehrere Plattformen hinweg eingesetzt werden.


     

 

Advanced Analytics von SAS

Deep Learning ist nur eine Technik im Werkzeugkasten des Data Scientists. Erfahren Sie noch mehr über Advanced Analytics-Techniken, einschließlich Forecasting- und Optimization-Techniken, sowie Text Analytics.

Erfahren Sie mehr über Analytics-Lösungen von SAS

Wie funktioniert Deep Learning

Deep Learning verändert die Art und Weise, wie Sie über die Darstellung der Probleme, die Sie lösen, denken. Beim Deep Learning trainieren die Daten den Computer mit Hilfe von komplexen Algorithmen darauf, selbständig zu lernen, indem sie mithilfe von Verarbeitungsschichten Muster erkennen. Wenn Sie noch nie etwas von Deep Learning gehört haben, werden Sie sich vielleicht fragen, wie das alles funktioniert.
 

Ein traditioneller Ansatz für die Analyse besteht darin, aus den vorhandenen Daten, Merkmale zu entwickeln, daraus neue Variablen abzuleiten, dann ein Analytics-Modell auszuwählen und schließlich die Parameter (oder die Unbekannten) dieses Modells zu bewerten. Diese Technologien können zu Prognoseverfahren führen, die sich nicht gut verallgemeinern lassen, da Vollständigkeit und Korrektheit von der Modellqualität und seinen Merkmalen abhängen. Wenn Sie beispielsweise ein Betrugsmodell mit Merkmalstechnik entwickeln, beginnen Sie mit einer Reihe von Variablen und leiten höchstwahrscheinlich mithilfe von Datenumwandlung ein Modell aus diesen Variablen ab. Am Ende haben Sie vielleicht 30.000 Variablen, von denen Ihr Modell abhängt, dann müssen Sie dieses Modell so gestalten, dass es sinnvolle und nichtsinnvolle Variablen erkennt, und so weiter. Wenn Sie weitere Daten hinzufügen, müssen Sie das Ganze noch einmal von vorne beginnen.

Der neue Ansatz beim Deep Learning besteht darin, die Formulierung und Spezifikation des Modells durch hierarchische Charakteristika (oder Schichten) zu ersetzen. Diese wiederum lernen, latente Merkmale der Daten anhand der in den Schichten vorhandenen Regelmäßigkeiten zu erkennen. 

Der Paradigmenwechsel beim Deep Learning ist ein Wechsel von der Merkmalstechnik zur Merkmalsdarstellung. 

Deep Learning birgt das Versprechen, dass es zu Predictive Systems führen kann, die gut verallgemeinern, sich gut anpassen, kontinuierlich verbessern, während neue Daten eintreffen, und die dynamischer sind als Predictive Systems, die auf harten Geschäftsregeln aufbauen. Man passt nicht mehr ein Modell an, sodern trainiert die Anwendung.