Die verstecke Kraft von AI / Künstlicher Intelligenz: Deep Learning

Die Entwicklung von künstlicher Intelligenz hat sich in den vergangenen Jahren rasant beschleunigt. Und die Vorteile im wirtschaftlichen Kontext sind mittlerweile klar durch Studien belegt. So sind bis zu 6,3%-Punkte mehr Marge für zukunftsgerichtete Unternehmen möglich, siehe AI-Potential für Unternehmen.

Doch was steckt hinter diesem Begriff „Künstliche Intelligenz“? Im weiteren Sinne ist dies ein breites Feld der Informatik, das sich mit der Nachahmung der menschlichen Intelligenz beschäftigt und schon seit Jahrzehnten existiert. Sieht man jedoch genauer hin, ergibt sich ein Teilbereich, der für die größten Fortschritte der letzten Jahre verantwortlich ist: Deep Learning.

Künstliche Neuronale Netze: Das menschliche Gehirn als Vorbild

Deep Learning beruht auf der Erkenntnis, dass das biologische Gehirn eine bedeutende und einmalige Eigenschaft besitzt: Es hat die Funktion einer „Universellen Lernmaschine“. Das Gehirn kann mit nur minimalen Vorkenntnissen über die Zeit komplexe Algorithmen erlernen. Die Gehirnforschung ist ein aktives Forschungsfeld, mehr Informationen finden Sie hier.

„Künstliche Neuronale Netze“ orientieren sich an der Architektur des menschlichen Gehirns. Durch die Verknüpfung von zahlreichen Neuronen (Nervenzellen) können komplexe Zusammenhänge erlernt werden. Neuronen funktionieren dabei als einfache Algorithmen: Sie bekommen Signale von mehreren Input-Neuronen und schicken selbst Signale an andere Neuronen weiter, sobald ein gewisser Schwellenwert zu Aktivierung erreicht ist. Die Kalibrierung dieses Schwellenwerts wird dabei als „lernen“ bezeichnet.

Die folgende Abbildung verdeutlicht das Zusammenspiel von Neuronen im menschlichen Gehirn.

Deep Learning bezieht sich auf Künstliche Neuronale Netze, die mehrere Ebenen (Layer) an Neuronen aufweisen. Jede Ebene besteht aus Neuronen, die mit Neuronen aus einer vorgelagerten bzw. nachgelagerten Ebene verknüpft sind. Die „deep“-Eigenschaft (Anzahl an Ebenen) von Künstlichen Neuronalen Netzen hat sich dabei als eigentlicher Schlüsselfaktor herausgestellt. So kann jede Ebene auf den Erkenntnissen der Vor-Ebene aufbauen und damit hochkomplexe Zusammenhänge ableiten, die durch einfache Betrachtung der ursprünglichen Daten nicht erkennbar sind.

Die folgende Abbildung verdeutlicht den Aufbau von Deep Learning-Netzen.

Deep Learning-Architekturen

Deep Learning-Netzte werden unterteilt, je nach Art und Weise, wie deren Ebenen und Neuronen miteinander verbunden sind. Wobei der grundlegende Gedanke von Deep Learning-Netzen – die Verknüpfung von Neuronen auf mehreren Ebenen – in den meisten Architekturen erhalten bleibt. Im Folgenden werden die relevantesten Architekturen gegenübergestellt.

Feed Forward Networks: Die grundlegende Architektur. Information wird gerichtet von Input zu Output weitergegeben, um ein Ergebnis zu bekommen. Lernen im Netzwerk erfolgt durch das Anpassen der Neuronen in Gegenrichtung.

Convolutional Neural Networks (CNN): Zusätzlich zu Feed Forward Netzwerken werden Zwischenebenen eingezogen, um die Input-Daten zu unterteilen und nach Merkmalen zu untersuchen. CNNs werden im Bereich der Bilderkennung sehr erfolgreich angewandt.

Convolutional Neural Networks

Recurrent Neural Networks (RNN): Mehrere neuronale Netze werden miteinander verbunden, so dass die Sequenz von Input-Daten berücksichtigt werden kann. Konkret heißt dies, dass die Berechnung eines aktuellen Zustands auf die Information eines vergangenen Zustands zugreifen kann. Dies ist z.B. für Verkaufsvorhersagen relevant. Eine besondere Unterart davon sind „Long-short term memory networks (LSTMs)“, die speziell im Bereich der Spracherkennung Anwendung finden.

Weitere Architekturen: Zusätzlich existieren noch weitere Architekturen, die für ausgewählte Problemtypen sehr gute Ergebnisse liefern, z.B. Autoencoder, Boltzmann Machines, Deep Belief Networks, Generative Adverserial Networks (GAN) etc.

Anwendung in der Wirtschaft

AI / Künstliche Intelligenz und speziell Deep Learning kann heutzutage für eine Vielfalt an praktischen Problemen in der Wirtschaft eingesetzt werden. Die tiefe Architektur der Netzwerke erlaubt es verborgene Zusammenhänge aus den Daten effektiv zu erkennen. Die folgende Auflistung zeigt mögliche Einsatzmöglichkeiten:

  • Trendableitung (z.B. Verkaufsprognose)
  • Mustererkennung
  • Optimierungsaufgaben (z.B. Transportrouten)
  • Autonome Systeme (z.B. selbstfahrende Autos)
  • Bildverarbeitung
  • Spracherkennung

Deep Learning hat das Potential weitreichende Veränderungen in der unternehmerischen Praxis zu bewirken. Zukunftsgerichtete Unternehmen können damit einen Wettbewerbsvorteil gegenüber Konkurrenten erzielen.

Manuel Pusterhofer
Autor: Manuel Pusterhofer
Manuel Pusterhofer ist Gründer und Geschäftsführer von Cognisio Consulting GmbH.
Mehr erfahren?

Erfahren Sie mehr zum Potential von AI, Data Science und Machine Learning in Ihrem Unternehmen.

Haben Sie Fragen zum Einsatz von Deep Learning in Ihrem Unternehmen? Kontaktieren Sie uns.