Was ist Deep Learning?

Deep Generative Learning (tiefgreifendes generatives Lernen) ist Deep Learning, bei dem es vor allem darum geht, aus erlerntem Input neuen Output zu generieren. Traditionell stand beim Deep Learning die Ermittlung von Beziehungen zwischen Daten im Vordergrund. Deep-Learning-Modelle wurden mit großen Datenmengen trainiert, um Muster im Datensatz zu erkennen.

Deep Generative Learning erweitert die Mustererkennung um die Generierung von Mustern. Die entsprechenden Modelle suchen nach Datenmustern und erstellen dann eigene Muster. Beispielsweise können sie Texte in mehreren Büchern analysieren und anschließend anhand der Informationen neue Sätze und Absätze generieren, die in den ursprünglichen Büchern nicht vorkommen.

Deep Generative Learning ist die Grundlage moderner generativer KI und von Basismodellen. Diese Modelle nutzen Deep-Learning-Technologien in großem Maßstab und werden mit riesigen Datenmengen trainiert, um komplexe Aufgaben wie das Beantworten von Fragen, das Erstellen von Bildern aus Texten und das Verfassen von Inhalten auszuführen.

Einführungsvideo zu Basismodellen anschauen

Deep Learning hat mehrere Anwendungsfälle in den Bereichen Automobil, Luft- und Raumfahrt, Fertigung, Elektronik, medizinische Forschung und anderen Bereichen.

• Selbstfahrende Autos nutzen Deep-Learning-Modelle zur Erkennung von Objekten.
• Verteidigungssysteme kennzeichnen mithilfe von Deep Learning Bereiche von Interesse in Satellitenbildern.
• Die Analyse medizinischer Bilder nutzt Deep Learning zur Erkennung von Krebszellen für die medizinische Diagnose.
• In Fabriken werden mithilfe von Deep-Learning-Anwendungen automatisch Personen oder Objekte erkannt, die sich in unsicherer Entfernung von Maschinen befinden.

Die verschiedenen Anwendungsfälle von Deep Learning lassen sich in fünf große Kategorien einteilen: Computer Vision, Spracherkennung, natürliche Sprachverarbeitung (NLP), Empfehlungs-Engines und generative KI.

Computervision

Die Computer Vision extrahiert automatisch Informationen und Erkenntnisse aus Bildern und Videos. Sie nutzt Deep-Learning-Techniken, 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, Text-to-Speech- und Speech-to-Text-Software nutzen die 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.
• Skripte zur intelligenten Sprachunterstützung in Prompts umwandeln.

Natürliche Sprachverarbeitung

Computer nutzen Deep-Learning-Algorithmen, um Erkenntnisse und Bedeutung aus Textdaten und Dokumenten zu erfassen. Für diese Fähigkeit, natürliche, von Menschen erstellte Texte zu verarbeiten, gibt es mehrere Anwendungsfälle, darunter:

• Automatisierte virtuelle Agents 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 mithilfe von Deep-Learning-Methoden Benutzeraktivitäten verfolgen und personalisierte Empfehlungen entwickeln. Sie können das Verhalten von Benutzern analysieren und ihnen helfen, neue Produkte oder Dienstleistungen zu entdecken. Lassen Sie uns annehmen,

• Personalisierte Videos und Inhalte empfehlen.
• Maßgeschneiderte Produkte und Dienstleistungen empfehlen.
• Suchergebnisse filtern, um relevante Inhalte nach Standort und Verhalten des Benutzers hervorzuheben.

Generative KI

Generative KI-Anwendungen können neue Inhalte erstellen und mit Endbenutzern intelligenter kommunizieren. Sie können bei der Automatisierung komplexer Workflows, beim Brainstorming und bei der intelligenten Wissenssuche helfen. Mit generativen KI-Tools wie Amazon Q Business und Amazon Q Developer können Benutzer zum Beispiel:

• Fragen in natürlicher Sprache stellen und zusammengefasste Antworten aus mehreren internen Wissensquellen erhalten;
• Codevorschläge abrufen sowie Code automatisch prüfen und upgraden;
• schneller neue Dokumente, E-Mails und andere Marketinginhalte erstellen.

Deep-Learning-Modelle sind neuronale Netzwerke, die dem menschlichen Gehirn nachempfunden sind. Ein menschliches Gehirn enthält Millionen miteinander verbundener biologischer Neuronen, die zusammenarbeiten, um Informationen zu lernen und zu verarbeiten. Künstliche Neuronen hingegen sind Softwaremodule, sogenannte Knoten, die Daten anhand mathematischer Berechnungen verarbeiten. Neuronale Deep-Learning-Netzwerke oder künstliche neuronale Netzwerke bestehen aus vielen Schichten künstlicher Neuronen, die zusammenarbeiten, um komplexe Probleme zu lösen.

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, die 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 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 verborgene Schicht ein anderes Tiermerkmal 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. Die generative KI verfügt über eine ausgeklügelte Ausgabeschicht zur Generierung neuer Daten, die den Mustern im Trainingsdatensatz entsprechen.

Die Begriffe Machine Learning, Deep Learning und generative KI stehen für eine Weiterentwicklung in der Technologie der neuronalen Netzwerke.

Machine Learning

Deep Learning ist ein Teilgebiet des Machine Learning. Deep-Learning-Algorithmen wurden entwickelt, um traditionelle Machine-Learning-Techniken 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 bei einem umfangreichen und ausreichend vielfältigen Datensatz. Beispielsweise könnte der Algorithmus schwarze Katzen genau identifizieren, aber keine weißen Katzen, da der Trainingsdatensatz mehr Bilder von schwarzen Katzen enthielt. In diesem Fall bräuchten Sie mehr beschriftete Daten mit Bildern weißer Katzen, um die Machine-Learning-Modelle für maschinelles Lernen erneut zu trainieren.

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 Mustererkennung

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, die Einkäufe von Verbrauchern 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 es Ihre Einkaufsmuster mit denen ähnlicher Kunden vergleicht.

Unüberwachtes 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 Englisch 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.

Verarbeitung flüchtiger Daten

Flüchtige Datensätze weisen große Abweichungen auf. Ein Beispiel sind Kreditrückzahlungsbeträge bei einer Bank. Ein neuronales Deep-Learning-Netzwerk kann diese Daten kategorisieren und sortieren, indem Finanztransaktionen analysiert und einige davon zur Betrugserkennung gekennzeichnet werden.

Vergleich von Deep Learning und Machine Learning

Generative KI

Die generative KI hat die neuronalen Netzwerke des Machine Learning und Deep Learning auf die nächste Stufe gehoben. Während beim Machine Learning und Deep Learning Vorhersagen und die Mustererkennung im Vordergrund stehen, erzeugt die generative KI einzigartige Ergebnisse, die auf den erkannten Mustern basieren. Die Technologie der generativen KI basiert auf der Transformer-Architektur, die verschiedene neuronale Netzwerke kombiniert, um Datenmuster auf einzigartige Weise zu vereinen. Deep-Learning-Netzwerke konvertieren Texte, Bilder und andere Daten zunächst in mathematische Abstraktionen und wandeln sie dann in aussagekräftige neue Muster um.

Die Herausforderungen bei der Implementierung von Deep Learning und generativer KI sind nachfolgend aufgeführt.

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 mit Tierbildern etwa könnte das Deep-Learning-Modell ein Flugzeug als Schildkröte klassifizieren, wenn versehentlich Bilder in den Datensatz gelangen, die keine Tiere zeigen.

Um solche Ungenauigkeiten zu vermeiden, müssen Sie große Datenmengen bereinigen und verarbeiten, ehe Sie Deep-Learning-Modelle trainieren. 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. 

Die KI- und Deep-Learning-Services von AWS nutzen das Leistungsvermögen von Cloud Computing, sodass Sie die nächste Welle von KI-Innovationen entwickeln und skalieren können. Schaffen Sie völlig neue Kundenerlebnisse mit den umfassendsten speziell entwickelten Services, KI-Infrastrukturen, Deep-Learning-Technologien und generativen KI-Lösungen. Lassen Sie uns annehmen,

• Amazon SageMaker bietet vollständig verwaltete Infrastrukturen, Tools und Workflows für die Machine-Learning- und Deep-Learning-Entwicklung.
• Amazon Bedrock bietet eine einzige API für den Abruf und die Nutzung verschiedener leistungsstarker Basismodelle führender KI-Unternehmen.

Außerdem können Sie über die AWS-KI-Infrastruktur auf umfassende und sichere Computing-, Speicher- und Netzwerkressourcen mit gutem Preis-Leistungs-Verhältnis zugreifen, um KI-Anwendungen zu entwickeln. Unternehmen Sie die ersten Schritte mit KI-Deep-Learning in AWS, indem Sie noch heute ein kostenloses Konto erstellen.