Deep Learning erklärt: Der Schlüssel zur modernen KI

Der Arnold-Schwarzenegger-Film Total Recall von 1990 zeigt eine Geschichte im Jahr 2084, fast ein Jahrhundert in der Zukunft. Die Zukunft wird selbstfahrende Autos haben, laut dem Film. Das war 1990 Science-Fiction, aber heute Realität. Apple, Alphabet, Nissan, Uber und viele weitere Unternehmen arbeiten an autonomen Autos. Tesla verkauft funktionale selbstfahrende Autos an Endverbraucher, die gut zu funktionieren scheinen.

Was hat Science-Fiction in nur drei Jahrzehnten zur Realität gemacht? Die Antwort ist Deep Learning.

 

Von Künstlicher Intelligenz zu Deep Learning

Hephaistos, der griechische Gott des Feuers und der Schmiedekunst, erschuf goldene Roboter und Maschinen. Schon beim mechanischen Türken in den 1770er Jahren haben Menschen Apparate entwickelt, die menschliche Intelligenz nachahmen. Zwar waren mechanische Türken Täuschungen, später wurden Computer entwickelt, die Menschen im späten 20. Jahrhundert besiegen konnten. All dies waren Bemühungen, Systeme zu schaffen, die das menschliche Gehirn nachahmen können.

 

Abbildung 1. Ein Querschnitt des Türken. Bild mit freundlicher Genehmigung von Humboldt University Library

 

Künstliche Intelligenz (KI) ist der Begriff für jedes Computersystem, das versucht, das menschliche Gehirn nachzuahmen. Alan Turings Turing-Maschine war ein primitives KI-System, das Logik zur Lösungsfindung nutzte.

Machine Learning (ML) ist eine Teilmenge der KI, die Modelle verwendet, um Aufgaben auszuführen. Diese Modelle werden mit großen Datenmengen trainiert. Deep Blue, der Computer, der 1997 Weltmeister Garry Kasparov im Schach besiegte, ist ein Beispiel für ML.

Deep Learning ist wiederum eine Teilmenge von ML, bei der Modelle aus Daten ohne menschliche Überwachung lernen. Deep-Learning-Systeme sind daher in der Lage, unüberwachtes Lernen von unstrukturierten Daten durchzuführen.

 

Deep Learning: Wie funktioniert es?

Deep Learning ist von der Struktur menschlicher Gehirne inspiriert, die aus Neuronen bestehen, die Informationen weiterleiten und verarbeiten. Die in Deep Learning verwendeten Strukturen heißen künstliche neuronale Netze (KNN/ANN). ANNs können Informationen ohne menschliche Überwachung identifizieren und klassifizieren und sollen fähig sein, unüberwachtes Lernen durchzuführen. Dies erfordert ein viel größeres Datenvolumen im Vergleich zu konventionellem ML, das überwachtes Lernen nutzt.

ANNs bestehen aus mehreren Schichten von der Eingabeschicht zur Ausgabeschicht, durch die die Daten hindurchlaufen. Die verbleibenden Schichten außer Eingabe- und Ausgabeschicht heißen versteckte Schichten (Hidden Layers). Die erste Schicht des ANN, die Eingabeschicht, besteht aus Neuronen. Neuronen eines ANN sind mathematische Funktionen, die einem menschlichen Neuron sehr ähnlich sind.

 

Abbildung 2. ANN Eingabe- und Ausgabeschicht-Konzept.

 

Die Informationsübertragung durch verschiedene Schichten erfolgt über verbindende Kanäle. Jeder Knoten in den Schichten des ANN ist mit jedem Knoten in der nächsten Schicht über diese Kanäle verbunden. Jeder Kanal hat einen Wert, der als sein Gewicht bezeichnet wird; daher werden die Kanäle gewichtete Kanäle genannt.

Alle Neuronen in den versteckten Schichten haben eine eindeutige Zahl, die als Bias bezeichnet wird. Informationen gehen von einer Schicht zur nächsten über die Kanäle, wobei die mit den Kanälen verbundenen Gewichte berücksichtigt werden. Wenn es das Neuron in der nächsten Schicht erreicht, wird der Bias zur gewichteten Summe der Eingänge addiert.

Das Ergebnis dieser mathematischen Operation wird der Aktivierungsfunktion zugeführt. Die Aktivierungsfunktion entscheidet, ob das Neuron aktiv sein soll oder nicht. Dies geschieht durch Anwenden der nichtlinearen Aktivierungsfunktion auf das Ergebnis, das durch Addition des Bias zu den gewichteten Summen aus den Kanälen erhalten wird. Aktivierungsfunktionen fügen der Ausgabe eines Neurons Nichtlinearität hinzu.

Nur die Neuronen, die nach Anwendung der Aktivierungsfunktion aktiv sind, können Informationen an die nächste Schicht senden. Dies setzt sich fort bis zur finalen Schicht, der Ausgabeschicht. Die Gewichte der Neuronenkanäle und Biases in den versteckten Schichten werden ständig angepasst, um ein gut trainiertes Modell zu erhalten.

Einige der beliebtesten Deep-Learning-Frameworks sind:

• TensorFlow von Google
• PyTorch von Facebook
• Caffe von UC Berkeley
• Microsoft Cognitive Toolkit
• OpenAI

 

Daten für Deep Learning

Daten sind das Rohmaterial für Deep Learning. Theoretisch verbessert jede Datenmenge die Modelle. Aber bei Betrachtung des Datensammelaufwands, der erforderlichen Trainingszeit und der nötigen Rechenleistung kann die Datenmenge für Deep Learning nicht unendlich sein. Umgekehrt liefert zu wenig Daten kein zuverlässiges Deep-Learning-Modell.

Es gibt keine starre Regel für die Datenmenge, die zum Trainieren eines erfolgreichen Modells erforderlich ist. Sie hängt primär vom Ergebnis der trainierten Modelle ab. Wenn die Modelle nicht ausreichend zuverlässig sind, werden mehr Daten benötigt. Es gibt einige Faustregeln für die Mindestdatenmenge zum Trainieren von Deep-Learning-Modellen.

• Mindestens 20 Datenpunkte für Vorhersagen mit Regressionsanalyse
• Mindestens 1.000 Bilder für Klassifizierung mit Computer Vision

Dies sind zwei Heuristiken für diese häufigeren Anwendungen mit Deep Learning. Data Engineers empfehlen ähnliche Regeln für verschiedene Anwendungen. Wie bei allen Faustregeln sind diese nicht perfekt und müssen je nach spezifischer Anwendung angepasst werden.

 

Industrielle Anwendungen von Deep Learning

Es gibt viele industrielle Anwendungen für Deep Learning. Lassen Sie uns einige davon durchgehen.

 

Autonome Fahrzeuge

Selbstfahrende Autos werden jetzt an Verbraucher verkauft, aber sie haben auch viele industrielle Anwendungen. Autonomes Fahren kann in Transportgeräte in Fabriken integriert werden; beispielsweise können fahrerlose Transportsysteme (FTS/AGVs) vollautonom werden. Dies eliminiert den Bedarf an manueller Arbeit bei solchen Aufgaben und verbessert Sicherheit und Effizienz.

 

Abbildung 3. Ein AGV in einem Logistiklager.

 

Computer Vision

Computer klassifizieren und erkennen Objekte aus Bildern. Manchmal ist Computer Vision Teil autonomer Fahrzeuge, hat aber viele weitere industrielle Anwendungen. Computer Vision kann Objektsortierung automatisieren. Computer-Vision-gestützte Systeme können Qualitätsinspektionen durchführen. Sie kann auch die Überwachung von Werksgeländen und industriellen Prozessen automatisieren.

 

Supply Chain Management

Die Lieferkette eines Unternehmens ist ein komplexes System, das mehrere Anbieter, Lieferanten, Geografien und Regulierungen umfasst. Die manuelle Verwaltung eines riesigen Güterverkehrsvolumens ist unmöglich. Deep Learning kann eingesetzt werden, um eine gesunde Lieferkette aufrechtzuerhalten, indem große Datenmengen analysiert werden, die mit Hilfe von IoT-Geräten (Internet of Things) in der Lieferkette generiert werden.

 

Medizinische Anwendungen

Deep Learning hat auch viele medizinische Anwendungen. Es kann eingesetzt werden, um Anomalien aus Ergebnissen medizinischer Bildgebung wie Röntgen, MRT usw. zu identifizieren. Es kann auch die Patientengesundheit mit angebrachten Überwachungsgeräten rund um die Uhr überwachen. Deep Learning kann bei der Arzneimittelforschung helfen, indem es die wahrscheinlichste Molekülkombination angibt.

Deep Learning hat viele weitere industrielle Anwendungen in Luft- und Raumfahrt, Weltraumforschung, Bergbau, Navigation, Verteidigungssystemen, Cybersicherheit und die Liste geht weiter. Deep Learning wird schnell in allen Branchen vertikalen übernommen und wird bald ein kritisches und unvermeidbares Element von Industrie 4.0 sein.