Was bedeutet Deep Learning?

Deep Learning bezeichnet das Training neuronaler Netze mit vielen aufeinanderfolgenden Schichten, die ihre Merkmale selbst aus den Rohdaten ableiten. Der Unterschied zum klassischen maschinellen Lernen liegt darin, dass niemand vorher festlegt, auf welche Merkmale das Modell achten soll. Dafür braucht Deep Learning sehr große Datenmengen und deutlich mehr Rechenleistung als einfache statistische Verfahren.

Jede Schicht erzeugt aus der Ausgabe der vorherigen eine neue Darstellung, von einfachen Mustern hin zu komplexen Zusammenhängen. Im Training vergleicht eine Verlustfunktion die Ausgabe des Netzes mit dem erwarteten Wert. Die Backpropagation verteilt den Fehler rückwärts über alle Schichten, und der Gradientenabstieg passt die Gewichte an. Dieser Durchlauf wiederholt sich millionenfach und läuft auf Grafikprozessoren, weil er aus vielen gleichartigen Matrixoperationen besteht.

Deep Learning lohnt sich dort, wo sich eine Regel nicht formulieren lässt, aber viele Beispiele mit bekanntem Ergebnis vorliegen. Beispiele sind das Lesen handschriftlicher Vorlagen, die Erkennung gesprochener Sprache und die Bewertung von Materialfehlern auf Oberflächenaufnahmen. Bei kleinen Datenmengen oder klar beschreibbaren Regeln liefern einfachere Verfahren die besseren Ergebnisse.

Der Vorteil gegenüber handgebauten Merkmalen liegt darin, dass die Merkmalsbildung Teil des Trainings ist. Niemand muss vorher wissen, woran sich eine Handschrift oder ein Objekt erkennen lässt. Zu jeder Ausgabe gehört ein Sicherheitswert, sodass unsichere Fälle gezielt zur Nachprüfung vorgelegt werden können.

Deep Learning liefert Wahrscheinlichkeiten und keine festen Ergebnisse. Am Ende steht deshalb ein Vorschlag, über den ein Mensch entscheidet, und der ausgewiesene Sicherheitswert sagt, wie belastbar dieser Vorschlag ist. Wer den Rechenweg dahinter braucht, kommt zur erklärbaren KI.