Was ist Deep Learning?
Deep Learning ist eine Methode der künstlichen Intelligenz (KI), die Computern beibringt, Daten auf eine Weise zu verarbeiten, die den Vorgängen des menschlichen Gehirn ähnelt. Deep Learning-Modelle können komplexe Muster in Bildern, Texten, Tönen und anderen Daten erkennen, um genaue Erkenntnisse und Vorhersagen zu erhalten. Sie können Deep Learning-Methoden verwenden, um Aufgaben zu automatisieren, die normalerweise menschliche Intelligenz erfordern, wie das Beschreiben von Bildern oder das Transkribieren einer Sounddatei in Text.
Warum ist Deep Learning wichtig?
Künstliche Intelligenz (KI) versucht, Computer darin zu schulen, wie Menschen zu denken und zu lernen. Die Deep Learning-Technologie unterstützt viele KI-Anwendungen, die in alltäglichen Produkten verwendet werden, wie die folgenden:
- Digitale Assistenten
- Sprachaktivierte Fernsehfernbedienungen
- Betrugserkennung
- Automatische Gesichtserkennung
Es ist auch eine wichtige Komponente neuer Technologien wie selbstfahrende Autos, virtuelle Realität und mehr.
Deep Learning-Modelle sind Computerdateien, die Datenwissenschaftler trainiert haben, um Aufgaben mithilfe eines Algorithmus oder einer vordefinierten Reihe von Schritten auszuführen. Unternehmen verwenden Deep Learning-Modelle, um Daten zu analysieren und Vorhersagen in verschiedenen Anwendungen zu treffen.
Was sind die Einsatzmöglichkeiten von Deep Learning?
Deep Learning hat mehrere Anwendungsfälle in den Bereichen Automobil, Luft- und Raumfahrt, Fertigung, Elektronik, medizinische Forschung und anderen Bereichen. Dies sind einige Beispiele für Deep Learning:
- Selbstfahrende Autos verwenden Deep Learning-Modelle, um Verkehrszeichen und Fußgänger automatisch zu erkennen.
- Verteidigungssysteme verwenden Deep Learning, um Bereiche von Interesse automatisch in Satellitenbildern zu kennzeichnen.
- Die medizinische Bildanalyse nutzt Deep Learning, um Krebszellen für die medizinische Diagnose automatisch zu erkennen.
- Fabriken verwenden Deep Learning-Anwendungen, um automatisch zu erkennen, wenn sich Personen oder Objekte in unsicherer Entfernung von Maschinen befinden.
Sie können diese verschiedenen Anwendungsfälle von Deep Learning in vier große Kategorien einteilen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache (NLP) und Empfehlungs-Engines.
Computer Vision
Computer Vision ist die Fähigkeit eines Computers, Informationen und Erkenntnisse aus Bildern und Videos zu extrahieren. Computer können Deep Learning-Techniken verwenden, um Bilder auf die gleiche Weise zu verstehen wie Menschen. Computer Vision hat mehrere Anwendungen, wie z. B. die folgenden:
- Inhaltsmoderation zum automatischen Entfernen unsicherer oder unangemessener Inhalte aus Bild- und Videoarchiven
- Gesichtserkennung, um Gesichter zu identifizieren und Merkmale wie offene Augen, Brillen und Gesichtsbehaarung zu erkennen
- Bildklassifizierung zur Kennzeichnung von Markenlogos, Kleidung, Sicherheitsausrüstung und anderen Bilddetails
Spracherkennung
Deep Learning-Modelle können die menschliche Sprache trotz unterschiedlicher Sprachmuster, Tonhöhe, Tonlage, Sprache und Akzent analysieren. Virtuelle Assistenten wie Amazon Alexa und automatische Transkriptionssoftware verwenden Spracherkennung für die folgenden Aufgaben:
- Callcenter-Kundendienstmitarbeiter unterstützen und Anrufe automatisch klassifizieren.
- Klinische Gespräche in Echtzeit in Dokumente umwandeln.
- Videos und Besprechungs-Aufzeichnungen mit genauen Untertitel versehen, um eine größere Reichweite der Inhalte zu erzielen.
Natürliche Sprachverarbeitung
Computer verwenden Deep Learning-Algorithmen, um Erkenntnisse und Bedeutung aus Textdaten und Dokumenten zu sammeln. Diese Fähigkeit, natürlichen, von Menschen erstellten Text zu verarbeiten, hat mehrere Anwendungsfälle, einschließlich der folgenden Funktionen:
- Automatisierte virtuelle Kundendienstmitarbeiter und Chatbots
- Automatische Zusammenfassung von Dokumenten oder Nachrichtenartikeln
- Business-Intelligence-Analyse von Langform-Dokumenten wie E-Mails und Formularen
- Indexierung von Schlüsselwörtern, die Stimmungen anzeigen, wie positive und negative Kommentare in sozialen Medien
Empfehlungsmodule
Anwendungen können Deep Learning-Methoden verwenden, um Benutzeraktivitäten zu verfolgen und personalisierte Empfehlungen zu entwickeln. Sie können das Verhalten verschiedener Benutzer analysieren und ihnen helfen, neue Produkte oder Dienstleistungen zu entdecken. Beispielsweise nutzen viele Medien- und Unterhaltungsunternehmen wie Netflix, Fox und Peacock Deep Learning, um personalisierte Videoempfehlungen zu geben.
Wie funktioniert Deep Learning?
Deep Learning-Algorithmen sind neuronale Netze, die dem menschlichen Gehirn nachempfunden sind. Beispielsweise enthält ein menschliches Gehirn Millionen miteinander verbundener Neuronen, die zusammenarbeiten, um Informationen zu lernen und zu verarbeiten. In ähnlicher Weise bestehen neuronale Deep Learning-Netzwerke oder künstliche neuronale Netze aus vielen Schichten künstlicher Neuronen, die im Computer zusammenarbeiten.
Künstliche Neuronen sind Softwaremodule, sogenannte Knoten, die mathematische Berechnungen verwenden, um Daten zu verarbeiten. Künstliche neuronale Netze sind Deep Learning-Algorithmen, die diese Knoten zur Lösung komplexer Probleme verwenden.
Was sind die Bestandteile eines Deep Learning-Netzwerks?
Die Komponenten eines tiefen neuronalen Netzwerks sind die folgenden.
Eingabeschicht
Ein künstliches neuronales Netzwerk hat mehrere Knoten, die Daten in es eingeben. Diese Knoten bilden die Eingabeschicht des Systems.
Verborgene Schicht
Die Eingabeschicht verarbeitet die Daten und leitet sie an weitere Schichten im neuronalen Netzwerk weiter. Diese verborgenen Schichten verarbeiten Informationen auf verschiedenen Schichten und passen ihr Verhalten an, wenn sie neue Informationen erhalten. Deep Learning-Netzwerke haben Hunderte von versteckten Schichten, mit denen sie ein Problem aus verschiedenen Blickwinkeln analysieren können.
Wenn Sie beispielsweise ein Bild eines unbekannten Tieres erhalten würden, das Sie klassifizieren mussten, würden Sie es mit Tieren vergleichen, die Sie bereits kennen. Sie würden zum Beispiel die Form seiner Augen und Ohren, seine Größe, die Anzahl der Beine und das Fellmuster betrachten. Sie würden versuchen, Muster wie die folgenden zu identifizieren:
- Das Tier hat Hufe, also kann es sich um eine Kuh oder ein Reh handeln.
- Das Tier hat Katzenaugen, also könnte es sich um eine Art Wildkatze handeln.
Die versteckten Schichten in tiefen neuronalen Netzen funktionieren auf die gleiche Weise. Wenn ein Deep Learning-Algorithmus versucht, ein Tierbild zu klassifizieren, verarbeitet jede seiner verborgenen Schichten ein anderes Merkmal des Tieres und versucht, es genau zu kategorisieren.
Ausgabeschicht
Die Ausgabeschicht besteht aus den Knoten, die die Daten ausgeben. Deep Learning-Modelle, die „Ja“- oder „Nein“ -Antworten ausgeben, haben nur zwei Knoten in der Ausgabeschicht. Auf der anderen Seite haben diejenigen, die ein breiteres Spektrum an Antworten ausgeben, mehr Knoten.
Was ist Deep Learning im Kontext von maschinellem Lernen?
Deep Learning ist ein Teilbereich von Machine Learning. Deep Learning-Algorithmen wurden entwickelt, um traditionelle Techniken des maschinellen Lernens effizienter zu gestalten. Traditionelle Methoden des Machine Learning erfordern erhebliche menschliche Anstrengungen, um die Software zu trainieren. Bei der Bilderkennung von Tieren müssen Sie beispielsweise Folgendes tun:
- Beschriften Sie manuell Hunderttausende von Tierbildern.
- Lassen Sie die Algorithmen für Machine Learning diese Bilder verarbeiten.
- Testen Sie diese Algorithmen an einer Reihe unbekannter Bilder.
- Ermitteln Sie, warum einige Ergebnisse ungenau sind.
- Verbessern Sie den Datensatz, indem Sie neue Bilder kennzeichnen, um die Ergebnisgenauigkeit zu verbessern.
Dieser Prozess wird als überwachtes Lernen bezeichnet. Beim überwachten Lernen verbessert sich die Ergebnisgenauigkeit nur, wenn Sie über einen breiten und ausreichend vielfältigen Datensatz verfügen. Beispielsweise könnte der Algorithmus schwarze Katzen genau identifizieren, aber keine weißen Katzen, da der Trainingsdatensatz mehr Bilder von schwarzen Katzen enthielt. In diesem Fall müssten Sie mehr Bilder von weißen Katzen beschriften und die Modelle des maschinellen Lernens erneut trainieren.
Was sind die Vorteile von Deep Learning gegenüber Machine Learning?
Ein Deep Learning-Netzwerk bietet gegenüber herkömmlichem maschinellem Lernen die folgenden Vorteile.
Effiziente Verarbeitung unstrukturierter Daten
Methoden des maschinellen Lernens stellen die Verarbeitung unstrukturierter Daten wie Textdokumente als schwierig dar, da der Trainingsdatensatz unendliche Variationen aufweisen kann. Auf der anderen Seite können Deep Learning-Modelle unstrukturierte Daten erfassen und allgemeine Beobachtungen ohne manuelle Feature-Extraktion durchführen. Beispielsweise kann ein neuronales Netzwerk erkennen, dass diese beiden verschiedenen Eingabesätze dieselbe Bedeutung haben:
- Können Sie mir sagen, wie ich die Zahlung vornehmen soll?
- Wie überweise ich Geld?
Versteckte Beziehungen und Musterentdeckung
Eine Deep Learning-Anwendung kann große Datenmengen eingehender analysieren und neue Erkenntnisse gewinnen, für die sie möglicherweise nicht trainiert wurde. Stellen Sie sich zum Beispiel ein Deep Learning-Modell vor, das darauf trainiert ist, Verbraucherkäufe zu analysieren. Das Modell enthält nur Daten für die Artikel, die Sie bereits gekauft haben. Das künstliche neuronale Netzwerk kann jedoch neue Artikel vorschlagen, die Sie nicht gekauft haben, indem Sie Ihre Kaufmuster mit denen anderer ähnlicher Kunden vergleichen.
Unbeaufsichtigtes Lernen
Deep Learning-Modelle können im Laufe der Zeit basierend auf dem Benutzerverhalten lernen und sich verbessern. Sie erfordern keine großen Variationen von beschrifteten Datensätzen. Denken Sie zum Beispiel an ein neuronales Netzwerk, das Wörter automatisch korrigiert oder vorschlägt, indem es Ihr Tippverhalten analysiert. Nehmen wir an, es wurde in englischer Sprache trainiert und kann englische Wörter auf Rechtschreibung prüfen. Wenn Sie jedoch häufig Wörter in anderen Sprachen wie danke eingeben, lernt und korrigiert das neuronale Netzwerk auch diese Wörter automatisch.
Flüchtige Datenverarbeitung
Flüchtige Datensätze weisen große Abweichungen auf. Ein Beispiel sind Kreditrückzahlungsbeträge bei einer Bank. Ein neuronales Deep Learning-Netzwerk kann diese Daten ebenfalls kategorisieren und sortieren, z. B. indem Finanztransaktionen analysiert und einige von ihnen zur Betrugserkennung gekennzeichnet werden.
Was sind die Herausforderungen von Deep Learning?
Da Deep Learning eine relativ neue Technologie ist, bringt seine praktische Implementierung gewisse Herausforderungen mit sich.
Große Mengen an hochwertigen Daten
Deep Learning-Algorithmen liefern bessere Ergebnisse, wenn Sie sie mit großen Mengen hochwertiger Daten trainieren. Ausreißer oder Fehler in Ihrem Eingabedatensatz können den Deep-Learning-Prozess erheblich beeinflussen. In unserem Beispiel für ein Tierbild könnte das Deep-Learning-Modell beispielsweise ein Flugzeug als Schildkröte klassifizieren, wenn versehentlich tierfreie Bilder in den Datensatz aufgenommen wurden.
Um solche Ungenauigkeiten zu vermeiden, müssen Sie große Datenmengen bereinigen und verarbeiten, bevor Sie Deep-Learning-Modelle trainieren können. Die Vorverarbeitung der Eingabedaten erfordert große Mengen an Datenspeicherkapazität.
Große Rechenleistung
Deep Learning-Algorithmen sind rechenintensiv und erfordern eine Infrastruktur mit ausreichender Rechenkapazität, um ordnungsgemäß zu funktionieren. Andernfalls dauert die Verarbeitung der Ergebnisse sehr lange.
Was sind die Vorteile von Deep Learning in der Cloud?
Die Ausführung von Deep Learning-Algorithmen in der Cloud-Infrastruktur kann viele dieser Herausforderungen bewältigen. Sie können Deep Learning in der Cloud nutzen, um Deep Learning-Anwendungen schneller zu entwerfen, zu entwickeln und zu trainieren.
Geschwindigkeit
Sie können Deep Learning-Modelle schneller trainieren, indem Sie Cluster von GPUs und CPUs verwenden, um die komplexen mathematischen Operationen auszuführen, die Ihre neuronalen Netze benötigen. Sie können diese Modelle dann einsetzen, um große Datenmengen zu verarbeiten und immer relevantere Ergebnisse zu liefern.
Skalierbarkeit
Mit der großen Auswahl an On-Demand-Ressourcen, die über die Cloud verfügbar sind, können Sie praktisch auf unbegrenzte Hardwareressourcen zugreifen, um Deep Learning-Modelle jeder Größe zu bewältigen. Ihre neuronalen Netze können mehrere Prozessoren nutzen, um Workloads nahtlos und effizient auf verschiedene Prozessortypen und -mengen zu verteilen.
Was ist Deep Learning auf AWS?
AWS Deep Learning-Services nutzen die Leistungsfähigkeit von Cloud Computing, sodass Sie Ihre neuronalen Deep-Learning-Netzwerke kostengünstiger skalieren und auf Geschwindigkeit optimieren können. Sie können auch AWS-Services wie die folgenden verwenden, um bestimmte Deep Learning-Anwendungen vollständig zu verwalten:
- Amazon Rekognition, um Ihrer Anwendung vortrainierte oder anpassbare Computer-Vision-Funktionen hinzuzufügen
- Amazon Transcribe, um Sprache automatisch zu erkennen und genau zu transkribieren
- Amazon Lex zum Erstellen intelligenter Chatbots, die Absichten verstehen, den Konversationskontext aufrechterhalten und einfache Aufgaben in vielen Sprachen automatisieren
Beginnen Sie Ihre ersten Schritte mit neuronalen Deep-Learning-Netzwerken auf AWS mit Amazon SageMaker zum schnellen und einfachen Entwickeln, Trainieren und Bereitstellen von Modellen nach Maß. Sie können außerdem die AWS Deep Learning AMIs verwenden, um benutzerdefinierte Umgebungen und Workflows für das Deep Learning zu erstellen. Erstellen Sie ein kostenloses AWS-Konto, um noch heute loszulegen!
Deep Learning in AWS – nächste Schritte
Sie erhalten sofort Zugriff auf das kostenlose Kontingent von AWS.
Beginnen Sie mit der Entwicklung in der AWS-Managementkonsole.