Menschliche Kreativität und Entscheidungsfindung mit der Zuverlässigkeit und Skalierbarkeit eines Computersystems kombinieren, das ist Deep Learning. In Anwendungen für Industrie 4.0 lassen sich dadurch Prozesse optimieren und eine höhere Prozessqualität erzielen.

Der russische ehemalige Schachweltmeister Garri Kasparow soll, nachdem die auf Deep Learning basierende künstliche Intelligenz (KI) »AlphaZero« sämtlichen Schachgroßmeistern und Schachprogrammen nicht den Hauch einer Chance gelassen hatte, gesagt haben, dass die Auswirkungen dieser Technologie »wunderbar und weit jenseits von Schach und anderen Spielen« seien. Er war überzeugt, dass die Fähigkeit einer Maschine, menschliches Wissen aus Jahrhunderten in einem komplexen, geschlossenen System zu kopieren und zu überflügeln ein Werkzeug sei, »das die Welt verändern wird.«

Was ist Deep Learning? Beim sogenannten Deep Learning handelt es sich um einen Teilbereich des Machine Learning, welches wiederum ein Teilbereich von KI ist. Die Besonderheit bei Deep Learning ist jedoch, dass künstliche neuronale Netze genutzt werden und man sich dabei am Vorbild des menschlichen Gehirns orientiert. Deep Learning ist ein wichtiges Tool, das auch neue Möglichkeiten für ERP- beziehungsweise Industry-4.0-Lösungen eröffnet.

Um Deep Learning besser zu verstehen, hilft ein kurzer Blick in die grundlegende Vorgehensweise: Während man Computerprogrammen immer Regelwerke vorgibt, lernen im Bereich des Machine Learning die Systeme auf Basis bestimmter Algorithmen selbstständig. Und diese können sich zudem – auf Basis von Lernen – immer wieder verändern und weiterentwickeln. Damit aber gute Vorhersagen oder Entscheidungen getroffen werden können, benötigt das System – wie auch wir Menschen – eine große Menge an Erfahrungswerten und Training.

Trainieren und Testen eines Machine-Learning-Modells. Ein Modell im Machine Learning ist immer in den drei Phasen Input, Analyse und Prognose aufgebaut. Ein anschauliches Beispiel: Die Maschine soll unterscheiden können, ob es sich bei einem Bild um einen Apfel oder eine Birne handelt. Zunächst werden die Daten so aufbereitet, dass alle Bildmerkmale erfasst und der Kategorie »Apfel« oder »Birne« zugeordnet sind. Im Anschluss werden die Datensätze in Trainings- und Testdaten eingeteilt. Die Trainingsdaten bestehen aus Bildern, anhand derer die Entscheidungskriterien ausgeprägt und gewichtet werden. Die Daten werden in mehreren Durchläufen analysiert. Wenn die Form eher rund ist oder die Farbe Rot, ist es wahrscheinlich ein Apfel. Wenn die Farbe eher bräunlich ist, eher eine Birne. Nach jedem Trainingsdurchlauf justiert das Modell seine Entscheidungskriterien für ein immer genaueres Modell. Sobald die Fehlerquote ausreichend gering ist, kommen die Testdaten zum Einsatz um zu überprüfen, ob das bisher Gelernte auch auf neue Daten übertragen werden kann. Beim Deep Learning kann die Trainingsphase je nach Datenmenge über Monate andauern, um aus komplexeren Sachverhalten erfolgreiche Vorhersagen und Entscheidungsmuster abzuleiten.

Unterschiede zwischen Machine Learning und Deep Learning. Der Hauptunterschied zwischen einem klassischen Machine-Learning- und Deep-Learning-Modell besteht darin, dass klassische Methoden nicht in der Lage sind, unstrukturierte Daten gut zu verarbeiten. Deep Learning kann dagegen mithilfe künstlicher neuronaler Netzwerke auch unstrukturierte Informationen wie Texte, Bilder, Sprache oder Videos in numerische Werte umwandeln. Diese extrahierten Informationen werden zur Mustererkennung und weiterem Lernen verwendet. Vor allem im Zusammenspiel mit sehr großen Datenmengen – wie bei Big Data – kann Deep Learning seine Stärken voll ausspielen. Im Gegensatz zum Machine Learning müssen auch die Merkmale und Regeln nicht verstanden und aufbereitet werden, stattdessen wird dies beim Bilden der künstlichen Neuronen-Verbindungen von der Maschine selbst erledigt. Dazu braucht es jedoch leistungsstarke durch GPU-beschleunigte Computer, die aktuell noch recht viel Rechenzeit benötigen.

Deep Learning – Hype und überbewertet? Die Frage, ob Deep Learning als Technologie überbewertet wird, kann man recht einfach verneinen. Dazu beigetragen, dass sie zu einem Hype wurde, haben aber sicherlich öffentlichkeitswirksame Erfolge in den Jahren 2015 bis 2017 durch »AlphaGo«, einer von Google DeepMind entwickelten KI, welche auf das komplexe Brettspiel »Go« spezialisiert ist. AlphaGo gelang es 2015 erstmals, einen Profi-Spieler zu schlagen und 2017 sogar den zu diesem Zeitpunkt Weltranglistenersten zu besiegen. Um den Hype weiter zu befeuern, stellten die Entwickler von AlphaGo darüber hinaus im Dezember 2017 die neue KI »AlphaZero« vor. AlphaZero wurde nur durch das Einprogrammieren der Spielregeln trainiert, spielte dann über mehrere Stunden gegen sich selbst, und entwickelte alle Spielstrategien eigenständig. Innerhalb weniger Stunden erlernte AlphaZero so nacheinander die Spiele Schach, Go und Shogi.

Durch die einzigartige Methodik der neuronalen Netze können heute Probleme im Bereich der Datenverarbeitung gelöst werden. Deep Learning ist deshalb besonders im Bereich Big Data ein mächtiges Werkzeug und birgt damit auch für Industry-4.0-Lösungen ein hohes Potenzial.

Anwendungsbereiche von Deep Learning im Business. Schon jetzt können mithilfe von Deep Learning in der Medizin Patientendaten analysiert, sowie Befunde geliefert und Therapien vorschlagen werden. Auch im Bereich autonomen Fahrens sorgt Deep Learning für Effizienzsteigerungen im Verkehr. Im Finanzsektor sollen mit der Technologie auffällige oder betrügerische Transaktionen frühzeitig erkannt werden.

Aber auch im Business-Umfeld sind die Möglichkeiten weitreichend. So liegt natürlich auch die Integration auf Deep Learning basierender KI im Bereich eines ERP-Systems nahe: Basierend auf Kundenkontakten und bisherigen Verkaufserfolgen lassen sich präzise Umsatzprognosen oder veränderte Verhaltensweisen vorhersagen. Ein weiteres beliebtes Anwendungsgebiet sind Chatbots im Kundenservice. Moderne Algorithmen erlauben es, dass sogar immer komplexere Anfragen von der Maschine bearbeitet werden können. Je mehr Kunden der Chatbot bedient, desto stärker wächst der Erfahrungsschatz. Und auch im Personalwesen kann Deep Learning dabei helfen, genau die Kandidaten zu finden, die den passenden Unternehmensnutzen bringen. Ebenso gibt es in vielen produzierenden Industrien zahlreiche Prüfanwendungen. Die Möglichkeit, Mängel an Bauteilen oder Anomalien zu erkennen, macht Deep-Learning-Methoden hier zu einem idealen Tool. So können kontinuierliche Inputdaten genutzt werden, um Inspektionen, Endkontrollen und die Fehlererkennung zu verbessern.

Deep Learning kombiniert menschliche Kreativität und Entscheidungsfindung mit der Zuverlässigkeit und Skalierbarkeit eines Computersystems, das rund um die Uhr in Betrieb ist. Fasst man die unzähligen Anwendungsfälle zusammen, liegt der große Nutzen für Industrie-4.0-Lösungen vor allem darin, Prozesse zu optimieren und eine höhere Prozessqualität zu erzielen. Und auch wenn KI (zunächst) nicht, wie in zahlreichen Science-Fiction-Filmen visualisiert, allumfassend die Arbeitswelt revolutioniert, so bietet sie doch für spezialisierte Teilgebiete hohe Potenziale, mit deren Integrationsmöglichkeiten man sich gerade umfangreich beschäftigt und die auch in Zukunft noch spannende Entwicklungen mit sich bringen wird.

Oliver Ell,
Consultant,
Industrial Application
Software GmbH (IAS)

Illustration: © stock.adobe.com/alexanderlimbach

365 Artikel zu „Deep Learning“

NEWS | VERANSTALTUNGEN

Enhance Application Performance for AI & Deep Learning Inference at the Edge

3. November 2020

Artificial intelligence and deep learning applications have gained rapid momentum in recent years amongst businesses looking for intelligent and efficient ways to run their workloads and applications. Many businesses are beginning to look to intelligent Edge and IoT solutions to effectively run these applications closer to the end devices and systems. With the adoption of this technology comes the requirement for high performance, flexible, and scalable solutions at the Edge.

Menschliche Kreativität und Entscheidungsfindung mit der Zuverlässigkeit und Skalierbarkeit eines Computersystems kombinieren, das ist Deep Learning. In Anwendungen für Industrie 4.0 lassen sich dadurch Prozesse optimieren und eine höhere Prozessqualität erzielen.

Oliver Ell, Consultant, Industrial Application Software GmbH (IAS)

Illustration: © stock.adobe.com/alexanderlimbach

365 Artikel zu „Deep Learning“

Oliver Ell,
Consultant,
Industrial Application
Software GmbH (IAS)