Eigenständig „denkende“ und entscheidende Software

Deep Learning

Das Ziel von Deep Learning ist eine menschenähnlich „denkende“ und (automatisiert) Entscheidungen treffende Software. Sie basiert auf einem schichtweise angeordneten künstlichen, neuronalen Netz. Das verarbeitet große Datenmengen nach einem speziellen Algorithmus. Dabei „lernt“ es aus eigenständig gemachten Erfahrungen. Je mehr Schichten das neuronale Netz hat, desto leistungsfähiger ist Deep Learning. Seit den 1950ern gibt es diese Technologie. Die moderne Digitalisierung treibt ihre Weiterentwicklung stark voran.

Wie wäre es, wenn Software wie ein Mensch denken könnte? Was lange nach Science Fiction klang, ist längst keine theoretische Frage mehr. Im Gegenteil: Künstliche Intelligenz (KI) steckt bereits in vielen realen Anwendungen. Smarte Sprachassistenten, autonom fahrende Autos oder moderne Systeme zur Bilderkennung wären ohne diese Technologie nicht denkbar. Möglich macht das Big Data. Die zunehmende Generierung von Daten aus unzähligen digitalen Quellen ist die Basis von KI.

Doch das allein genügt nicht, damit aus dem Zusammenspiel von Bits und Bytes menschliche oder menschenähnliche Denkprozesse werden. Das gelingt nur mit einer speziellen Art der Informationsverarbeitung. Der Fachbegriff dafür lautet Deep Learning. Das Verfahren ist ein Teilbereich des sogenannten Machine Learnings, das wiederum eine Unterkategorie von KI ist.

Auch interessant: Machine Learning – welche Vorteile hat maschinelles Lernen?

Die Einsatzbereiche von Deep Learning

Dank Deep Learning kann Software „lernen“ wie ein Mensch und ihm damit viele Aufgaben abnehmen. Naturgemäß spielt die Methode ihre Stärken dort aus, wo viele Daten anfallen. Diese müssen heute noch oft Mitarbeiter zeitraubend sammeln und analysieren. Deep Learning kann das meistens besser und schneller. Menschliche Kollegen gewinnen damit mehr Raum für andere, kreativere Aufgaben. In diesen Einsatzbereichen klappt das schon heute:

  • Predictive Maintenance
  • Smart Manufacturing
  • Sprachsteuerung
  • Qualitätskontrollen
  • Verkehr/Logistik
  • Security
  • Finanzsektor
  • Verwaltung
  • Versicherungen
  • Gesundheitswesen
  • Kundenservice
Deep Learning: Maschinen lernen wie ein Mensch Reif für die Inspektion? Dank Deep Learning nehmen eingebaute Diagnose-Tools den Menschen diese Entscheidung ab. (© 2018 Shutterstock / Atstock Productions)

So arbeitet Deep Learning schon heute

In den genannten und weiteren Bereichen lernen Programme, eigene Entscheidungen zu treffen. Aus fortwährend gesammelten Trainingsdaten und „Erfahrungen“, wissen sie etwa, wann in einer Produktionsstraße ein bestimmtes Bauteil ausfallen wird, und leiten rechtzeitig dessen Austausch ein. Ähnlich funktionieren Diagnosesysteme in modernen Autos, die aus der Fahrweise und der Kilometerleistung sowie durch Sensordaten flexibel den nächsten Inspektionstermin berechnen. Zeitlich starre Wartungsintervalle sind damit überflüssig.

Auch interessant: Sprachassistenten – so profitieren Unternehmen

Bei Versicherungen können sie Schadenswahrscheinlichkeiten und Risiken berechnen. Im Einkauf ahnen sie Bedarfe voraus und bestellen automatisch zu den günstigsten Konditionen Nachschub. In Banken überwachen sie Finanztransaktionen und den Wertpapierhandel. Oder sie dirigieren die Supply Chain in der Logistik. Und im Service kommunizieren sie als Sprach-Bots mit Kunden. Diese und weitere Möglichkeiten werden die Arbeit in vielen Abteilungen grundsätzlich verändern. Wie sich dieser Wandel auf Unternehmen und ihre Mitarbeiter – zum Beispiel im Personalbereich –  auswirkt, ist im Telekom Podcast zu hören.

Deep Learning implementieren – ein Job für Profis

DeutschlandLAN Connect IP

Eine schnelle und sichere Internet-Anbindung ist die Basis für Deep Learning aus der Cloud. Mit Bandbreiten von bis zu 1.000 MBits schafft DeutschlandLAN Connect IP optimale Voraussetzungen für Verbindungen, die höchste Ansprüche an Stabilität, Flexibilität und Sicherheit erfüllen.

>> zu DeutschlandLAN Connect IP 

Auch kleine und mittlere Unternehmen können von diesen Talenten profitieren – wenn sie für die richtigen Voraussetzungen sorgen. Dazu gehören in erster Linie viele verwertbare Daten sowie entsprechend versierte IT-Fachleute. Und: potente Rechenkraft. Wer dafür keine eigenen Strukturen aufbauen und hosten möchte, kann skalierbare Kapazitäten über die (Multi-)Cloud anzapfen.

Auch anderweitig ist externe Unterstützung ratsam. Deep Learning-Systeme zu implementieren, erfordert (noch) spezielles Know how, das nur wenige Mittelständler haben dürften. Alle anderen sollten für das Projekt auf erfahrenen, externen Beistand von Experten setzen. Ob mit oder ohne Hilfe – so kann der Weg bis zur Anwendung von Deep Learning aussehen:

  • Zunächst sollten Unternehmen klären, welches konkrete Ziel sie mit Deep Learning verfolgen. Nur, wenn sich ein wertsteigerndes, strategisches Anwendungsszenario ergibt, lohnt sich der Aufwand dafür.
  • Ist die Prognose positiv ausgefallen, folgt eine Bestandsaufnahme. Dabei geht es beispielsweise um die nutzbaren Datenquellen. Das können interne (Sensoren, Software), aber auch externe Reservoire sein, etwa Datenbanken. Dabei auch wichtig: Welche Teile von Big Data lassen sich für den späteren Einsatz nutzen?
  • Auf dieser Grundlage wird ein geeignetes Modell von Deep Learning skizziert. Es zeigt, wie es künftig arbeiten und die eingehenden Daten analysieren wird.
  • Im nächsten Schritt geht es an die praktische Einbettung der Deep Learning-Software.
  • Anschließend muss der Algorithmus implementiert und mit Trainingsdaten gefüttert werden, auf deren Basis er nach und nach Erfahrungswerte sammelt.
  • Nach dem Ende dieser Probephase folgt deren Analyse.
  • Daran schließt sich ein Check der sogenannten Inferenz an. Damit ist die Fähigkeit des Systems gemeint, Schlussfolgerungen aus den verarbeiteten Daten zu ziehen.
  • Entspricht das Ergebnis den Erwartungen, kann der Deep Learning-Prozess seine Arbeit aufnehmen. Flankierend sollte seine Leistungsfähigkeit regelmäßig überprüft werden.