The Rise of Deep Learning

Kristina Preuer
Dec 2, 2019 6:12:35 AM

Künstliche Intelligenz ist nicht mehr nur ein reines Forschungsthema, sondern hält Einzug in alle Bereiche unseres Lebens. Egal ob Siri und Alexa, Google Translate, Bildertags von Facebook oder die Vorschläge von Amazon. All das dreht sich um KI. Tech-Giganten setzen schon länger auf Künstliche Intelligenz und selbstlernende Systeme, doch was verbirgt sich eigentlich hinter „KI“ und vor allem: Warum ist sie auch ein zunehmender Wettbewerbsfaktor außerhalb des Silicon Valley?

Vorauszuschicken ist, dass KI kein genau abgegrenzter Begriff ist, da es schon an einer genauen Definition von „Intelligenz“ mangelt. Zumeist werden jedoch Systeme als „Künstliche Intelligenz“ bezeichnet, die die Fähigkeit besitzen, selbstständig zu lernen und schlussendlich komplexe Aufgaben lösen können, die über triviale Handlungsabfolgen hinausgehen. Wie beispielsweise selbstfahrende Autos oder Systeme, die selbstständig Vorschläge für neue Medikamente liefern. Diese Systeme basieren zumeist auf Machine Learning Methoden, also auf Algorithmen, die gewisse Parameter selbstständig mit Hilfe von Daten festlegen. Die Machine Learning Methode, die wohl am meisten zum Aufstieg der KI beigetragen hat, ist Deep Learning.

Deep Learning ist keine neue Erfindung, sondern schon über 50 Jahre alt. Jedoch erst seit einigen Jahren sind noch zwei weitere Schlüsselfaktoren verfügbar, die zwingend nötig sind, um das volle Potential von Deep Learning ausschöpfen zu können und KI in der Praxis einsetzbar machen: Ausreichend Daten und genügend Rechenkapazität.

Welche Erfolge möglich sind, wenn diese drei Schlüsselfaktoren vereint sind, zeigen internationale Bewerbe, wie die ImageNet Challenge. Bei diesem Bewerb misst man die Performance von KI Systemen anhand verschiedener Bilderkennungsaufgaben. Vor rund 10 Jahren schien es, dass eine Fehlerrate von ca. 25% die Grenze für KI-Systeme darstellt, da es über mehrere Jahre kaum Verbesserungen gab. 2012 jedoch setzte erstmals ein Team Deep Learning in Kombination mit der nötigen Rechenleistung und einer Vielzahl von Trainingsdaten ein. Das Ergebnis war bahnbrechend. Das Team gewann mit großem Abstand und einer noch nie zuvor gesehenen Leistung die Challenge in diesem Jahr. In den darauffolgenden Jahren siegte jedes Mal eine Deep Learning Methode und mittlerweile übertreffen die eingesetzten KI-Systeme selbst den Menschen mit einer Fehlerraten von unter 3%.

In Zeiten von Big Data sammelt jedes Unternehmen Daten am laufenden Band. Irrelevant, ob es die laufenden Absätze, die Qualität der Produkte oder die Fehler einer Maschine sind, die aufgezeichnet werden. All diese Daten bilden die Basis, um KI-Systeme zu entwickeln. Um anhand dieser Daten lernen zu können, müssen Deep Learning Systeme auf rechenstarken Computer trainiert werden. Nicht jedem Unternehmen steht eine solche Rechenleistung vor Ort zur Verfügung. Durch Cloud Computing ist es jedoch möglich, schnell und einfach auf die nötigen Ressourcen zugreifen zu können. Somit ist es nicht mehr nur den Tech-Giganten vorbehalten, KI einzusetzen und dadurch Abläufe zu beschleunigen, die Qualität zu verbessern oder Prozesse zu optimieren.

In meinem nächsten Beitrag morgen, werden wir vorstellen, was sich hinter Deep Learning verbirgt und zeigen wie es die Qualitätssicherung unterstützen kann.

You May Also Like

These Stories on Data Science

Subscribe by Email

No Comments Yet

Let us know what you think