Wir Menschen sind sogar schon vor unserer Geburt in der Lage zu lernen. Bereits Föten können beispielsweise Silben und Töne unterscheiden. Eine Maschine, ausgestattet mit KI, erwirbt die Fähigkeit nicht während ihres Herstellungsverfahrens oder ihrer Programmierung. Wer lehrt den Maschinen eigentlich das Lernen?

Dafür zuständig ist ein Teilbereich des Machine Learnings, mit der coolen Bezeichnung „Deep Learning.“ Die Lernmethoden richten sich nach der Funktionsweise des menschlichen Gehirns und sollen es der KI ermöglichen, die Fähigkeit eigene Entscheidungen und Prognosen zu treffen zu entwickeln.

Wie funktioniert’s?

Die Funktionsweise von Deep Learning orientiert sich in vielen Bereichen am menschlichen Gehirn. Deshalb bedient sich diese Trainingsmethode für KI’s an neuronalen Netzen. Was das genau ist werden wir nächste Woche besprechen, kurz gesagt aber sind solche Netze in Ebenen aufgebaut, die aus einer Reihe von miteinander verbundenen Knotenpunkten (= Neuronen oder auch Units genannt) bestehen. Beim Deep Learning spricht man auch von tiefen neuronalen Netzen. „Tief“ bezieht sich auf die Anzahl der verborgenen Schichten des Netzes. Im Gegensatz zu gewöhnlichen Netzen, die 2 bis 3 verborgene Schichten aufweisen, enthalten tiefe Netze bis zu 150 verborgene Schichten.

Um ein solches System effektiv nutzen zu können, werden, neben den neuronalen Netzen, auch Trainingsmethoden angewendet, die große Datenmengen heranziehen und analysieren. Das System ist, auf Basis dieser Informationen in Kombination mit einem neuronalen Netz, in der Lage das Erlernte immer wieder mit neuen Inhalten zu verknüpfen und dadurch erneut zu lernen. Folglich ist eine Maschine mit einem solchen System dazu in der Lage, Entscheidungen und Prognosen zu treffen und diese zu hinterfragen. Entweder werden Entscheidungen bestätigt oder in einem neuen Lernvorgang geändert. Beim eigentlichen Lernvorgang greift der Mensch in der Regel nicht mehr ein.

Warum ist das überhaupt wichtig?

Long story short: Genauigkeit. Noch nie war das Niveau der genauen Erkennung so hoch, seit Deep Learning-Methoden eingesetzt werden. Beispielsweise kann Unterhaltungselektronik dadurch die Erwartungen des Verbrauchers erfüllen und fahrerlose Autos werden dadurch erst überhaupt möglich. Warum? Nun, für die Entwicklung eines solchen Autos sind Millionen an Bildern und tausende Stunden an Videomaterial erforderlich. Deep Learning ist für diese große Menge an klassifizierten Daten hervorragend geeignet. Die Autos lernen automatisch Stoppschilder, Fußgänger und Ampeln zu erkennen.

Deep Learning in der Praxis

Neben der Automobilbranche kommt Deep Learning auch in der medizinischen Forschung zum Einsatz. So verwenden Krebsforscher die Lernmethode für die automatische Erkennung von Krebszellen. Mittlerweile wurde ein Mikroskop gebaut, das eine hochdimensionale Datenmenge bereitstellt, mit der eine Deep-Learning-Anwendung so trainiert werden kann, dass sie Krebszellen präzise identifiziert.

In Industriebetrieben trägt Deep Learning dazu bei, die Arbeitssicherheit an schweren Maschinen zu erhöhen. Es wird z.B. automatisch erkannt, ob sich Personen gefährlich nahe an Maschinen befinden. Doch auch in deinem Alltag kommen dir die tiefen neuronalen Netze zu gute. Sie werden nämlich ebenfalls für automatisiertes Hören und Sprechen verwendet. Digitale Assistenten wie Alexa oder Siri können überhaupt erst auf deine Stimme reagieren, weil sie auf Deep Learning-Anwendungen basieren. Wichtig zu wissen ist außerdem noch, dass alle Systeme immer nur die Sache gut können, auf die sie trainiert bzw. die ihnen beigebracht wurde. Deep Learning ermöglicht es ihnen nicht, eine umfassende Intelligenz wie der Mensch zu entwickeln.

Nachteile

Der Mensch greift in den eigentlichen Lernvorgang des Systems nicht mehr ein, wodurch die Erklärbarkeit leidet. Das bedeutet, dass nicht mehr nachvollzogen werden kann, wie ein Deep Learning-Verfahren, basierend auf den Eingangsdaten, zu einem Ergebnis kommt. In der Folge kann diese geringe Erklärbarkeit auch dazu führen, dass ein induzierter systematischer Fehler, herbeigeführt durch die verfügbaren Beispiele, nicht erkannt wird. Systeme mit einem solchen Fehler könnten beispielsweise rassistische Entscheidungen treffen, da nicht nachvollzogen werden kann, worauf basierend das Deep Learning-Verfahren eine Entscheidung trifft. Neben der Nationalität kann das natürlich ebenso Alter, Geschlecht, etc. sein. Allerdings wird gerade aktiv an der Transparenz der Entscheidungsfindungen des Systems gearbeitet.

 

 

Copyright © Bilder: Unsplash
Quellenangaben:
https://www.bigdata-insider.de/was-ist-deep-learning-a-603129/ (abgerufen am 8.Juni 2019)
https://de.mathworks.com/discovery/deep-learning.html (abgerufen am 8. Juni 2019)
https://de.quora.com/Welche-Vor-bzw-Nachteile-hat-Deep-Learning (abgerufen am 8. Juni 2019)