Was ist Deep Learning?
Foto: Andrey Suslov - shutterstock.com
Deep Learning ist eine Technologie, die auf Künstlicher Intelligenz (KI) basiert und sich künstlicher neuronaler Netze bedient, die versuchen das menschliche Gehirn nachzubilden. Im Rahmen von Deep Learning lassen sich bestimmte Modelle durch die fundierte Analyse großer Datenmengen (Big Data) umfassend trainieren. Auf diese Weise werden Neuronen so miteinander verknüpft, dass die Deep-Learning-Algorithmen selbstständig dazulernen, komplexe Zusammenhänge autonom erkennen und eigene Schlussfolgerungen ziehen. So wird ganz ohne regelbasierte Programmierprozesse neues Wissen generiert, das sich dann für verschiedenste Applikationen in Industrie und IT nutzen lässt.
Auf das Training, welches enorm große Datenmengen erfordert, folgt die sogenannte Inferenzphase, in der das erworbene Know-how auf neue Informationen und Daten angewendet wird. Im Gegensatz zur Trainingsphase, benötigt die Inferenzphase kaum Rechenleistung und Ressourcen.
Was sind künstliche neuronale Netze? Künstliche neuronale Netze (KNN) sind Algorithmen, die dem menschlichen Gehirn nachempfunden sind und eingesetzt werden, um komplexe Aufgaben mithilfe von Computern zu lösen. KNN gelten als die Grundlage für Künstliche Intelligenz, da sich damit verschiedene Datenquellen wie Bilder, Geräusche, Texte, Tabellen oder Zeitreihen interpretieren lassen. Daraufhin werden Muster extrahiert, um diese auf unbekannte Daten anzuwenden. So lassen sich datengetrieben Vorhersagen für die Zukunft erstellen.
|
Anwendungsfälle für Deep Learning
Deep Learning unterstützt in unterschiedlichsten Anwendungsbereichen. So lassen sich damit realistische Prognosen erstellen und Wahrscheinlichkeiten präzise berechnen, was die Entscheidungsfindung in vielen Fällen auf ein neues Niveau hebt. Zudem findet die Technologie in verschiedensten alltäglichen Einsatzszenarien Verwendung, in denen ein hoher Automatisierungsgrad gefragt ist. Dazu zählen:
Software-Lösungen für die Spracherkennung
Online-Übersetzungsmaschinen
autonomes Fahren
Vorhersagen von Kundenpräferenzen
Berechnung von Wettermodellen
medizinische Forschung und Diagnostik
Gesichtserkennung
Robotik-Applikationen, zum Beispiel bei der Logistik oder der Routenplanung
Auch in Bildverarbeitungsanwendungen kommt Deep Learning zum Einsatz. Hierbei werden Modelle mithilfe einer großen Anzahl von Beispielbildern so trainiert, dass sich entsprechende Objekte etwa im Rahmen industrieller Prozessketten präzise erkennen, zuordnen und nachverfolgen lassen.
Lesetipp: Wie Angreifer KI- und ML-Systeme ausnutzen
Deep Learning versus Machine Learning
Darüber hinaus ist Deep Learning geradezu prädestiniert für unterschiedlichste Tools und Anwendungen auf dem Gebiet der Cyber-Sicherheit. Dies resultiert vor allem aus der Fähigkeit der Technologie, präzise Vorhersagen über bestimmte Ereignisse zu treffen und reelle Wahrscheinlichkeiten für deren Eintritt zu antizipieren. Im Kontext dieses Einsatzfeldes unterscheidet sich Deep Learning jedoch grundlegend von Machine Learning. So umfasst Deep Learning wesentlich mehr Erscheinungsformen und Fälle von Cyber-Bedrohungen sowie entsprechende Möglichkeiten zu deren Abwehr als Machine Learning.
Außerdem benötigt Deep Learning kein sogenanntes "Feature-Engineering". Im Rahmen dieses Prozesses müssen bestimmte Eigenschaften, anhand derer ein Machine-Learning-Modell lernen kann, manuell durch Experten programmiert und beschrieben werden. Dieser Vorgang ist enorm aufwändig und nimmt sehr viel Zeit in Anspruch. Daher ist es unmöglich sämtliche relevanten Informationen des Codes zu verarbeiten. So lassen sich im Normalfall lediglich ein bis zwei Prozent aller Rohdaten für den Lernprozess nutzen. Deep Learning hingegen lernt auf Basis des gesamten Datenvolumens selbstständig zwischen gutem und bösartigem Code zu trennen. Hierbei erkennt die Technologie sogar, welche Merkmale und Muster für die Unterscheidung jeweils in Betracht kommen. Dies stellt für kriminelle Hacker ein großes Hindernis dar, um die Funktionsweise der Algorithmen zu verstehen und das System zu überlisten.
Dies sind die größten Gemeinsamkeiten und Unterschiede von Machine Learning und Deep Learning:
Machine Learning | Deep Learning | |
Funktionsweise | Erkennen von Mustern | Ableiten von Mustern mithilfe von künstlichen neuronalen Netzen |
Ressourcen | kleine bis große Datensätze,viel Rechenleistung | sehr große Datensätze, sehr viel Rechenleistung |
Aufwand | hoch, Experten müssen ML-Modelle manuell programmieren und sind an der Analyse der Daten beteiligt | am Anfang sehr hoch, da die Auswahl der richtigen Eingangsdaten eine entscheidende Rolle spielt und sehr viel Zeit in Anspruch nimmt und die richtige Erfahrung und Intuition benötigt wird |
Anwendungsfälle | Erkennen von Spam und bekannten Cyberangriffsmustern, Sprach- und Texterkennung, | Gesichts-, Objekt- sowie Sprach- und Texterkennung, autonomes Fahren, Wettervorhersagen, Vorhersagen von Kundenpräferenzen, medizinische Forschung und Diagnostik, Erkennen von unbekannten Cyberangriffsmustern |