Deep Learning ist eine leistungsfähige Form des maschinellen Lernens, die in der Lage ist, unbeschriftete Daten zu verarbeiten und Muster zu erkennen. Deep Learning ist die Grundlage für viele Arten von KI.
Nach Lektüre dieses Artikels können Sie Folgendes:
Link zum Artikel kopieren
Deep Learning ist eine Art des maschinellen Lernens, das komplexe Muster erkennen und Assoziationen herstellen kann, ähnlich wie wir Menschen es tun. So kann es beispielsweise Objekte auf einem Foto identifizieren, eine Stimme erkennen oder sogar ein Auto steuern und Illustrationen erstellen. Im Wesentlichen ist ein Deep-Learning-Modell ein Computerprogramm, das aufgrund seines komplexen und ausgeklügelten Ansatzes bei der Datenverarbeitung Intelligenz zeigen kann.
Deep Learning ist eine Form der künstlichen Intelligenz (KI), die für die Funktionsweise vieler KI-Dienste und -Modelle entscheidend ist. Große Sprachmodelle (LLM) wie ChatGPT, Bard und Bing Chat sowie Bildgeneratoren wie Midjourney und DALL-E stützen sich auf Deep Learning, um Sprache und Kontext zu lernen und realistische Antworten zu erzeugen. Prädiktive KI-Modelle nutzen Deep Learning, um Schlussfolgerungen aus umfangreichen Sammlungen vergangener Daten zu ziehen.
Normalerweise erzielt man die richtigen Ergebnisse in einem Computerprogramm durch konkrete Eingaben. Deep Learning hingegen kann beliebige oder ungenaue Daten verarbeiten und relevanten Output erzeugen. Während beispielsweise ein herkömmliches Computerprogramm feststellen kann, ob zwei digitale Porträts identisch sind, kann ein Deep-Learning-Modell Ähnlichkeiten zwischen den Porträtierten erkennen, auch wenn die Porträts selbst unterschiedlich sind.
Deep Learning ist auf große Datensätze und viel Rechenleistung angewiesen – und da beides immer besser verfügbar ist, werden auch die Deep-Learning-Modelle immer ausgefeilter. Dank großer Datensammlungen und GPU-basierter Cloud-Computing-Dienste ist Deep Learning heute für Entwickler und Privatanwender leichter zugänglich als je zuvor.
Maschinelles Lernen ist eine Art von Computerprogramm, das ohne ausdrückliche Anweisungen lernen kann. Deep Learning ist eine besondere Art des maschinellen Lernens, so wie ein Düsenflugzeug eine besondere Art von Flugzeug ist. In beiden Fällen lernt ein Computerprogramm selbstständig aus einer Reihe von Daten. Deep Learning kann jedoch mehr leisten, so wie ein Düsenflugzeug leistungsfähiger ist als ein Propellerflugzeug oder ein Segelflugzeug.
Darüber hinaus kann Deep Learning aus unbeschrifteten Daten lernen, während einfachere Modelle des maschinellen Lernens mehr Kontext zu den Inputdaten benötigen, um „richtig“ zu lernen. Und zu guter Letzt werden Deep-Learning-Modelle mithilfe neuronaler Netze erstellt. Modelle des maschinellen Lernens können, müssen aber nicht auf neuronalen Netzen basieren.
Deep Learning wird bereits in vielen Bereichen eingesetzt, und es werden ständig neue Anwendungsmöglichkeiten entdeckt. Einige aktuelle Anwendungsfälle sind:
Im Bereich des maschinellen Lernens beschreibt der Begriff „unüberwachtes Lernen“ (engl. unsupervised learning) einen Weg, um Muster und Assoziationen in einem großen Datensatz zu erkennen, ohne dass ein Kontext über den Inhalt des Datensatzes gegeben ist. Im Gegensatz dazu liefert das „überwachte Lernen“ dem Modell Input- und Output-Beispiele. Deep-Learning-Modelle können über das „überwachte Lernen“ trainiert werden, aber anders als andere Arten des maschinellen Lernens kann Deep Learning auch unbeaufsichtigt lernen.
Stellen Sie sich vor, ein Modell für maschinelles Lernen wird mit Beispielen von Nachrichtenartikeln gefüttert. Dazu wird ihm mitgeteilt, um welches Thema es sich bei den einzelnen Artikeln handelt. Nach ausreichendem Training könnte dieses Modell in der Lage sein, einen Artikel zu einem bestimmten Thema zu „schreiben“. Hierbei handelt es sich um überwachtes Lernen.
Man stelle sich nun vor, dass ein Deep-Learning-Modell mit einer Reihe von Beispielnachrichtenartikeln gefüttert wird, ohne dass es irgendwelche Hinweise auf den Inhalt der Artikel erhält. Ein solches Modell könnte – wenn es leistungsfähig genug ist – in der Lage sein, einen Artikel über ein bestimmtes Thema zu schreiben, wenn es nur das Thema als Input erhält. Dies ist unüberwachtes Lernen.
Unbeschriftete Daten sind Daten ohne Klassifizierung, Markierung oder Kennzeichnung. Unbeschriftete Datensätze können beliebige Daten in beliebiger Form enthalten: zufällige Fotos, Videokompilationen, lange Listen von Dateinamen, Protokolldaten oder eine Kombination aus allem. Die ohne Kontext bereitgestellten Nachrichtenartikel (aus dem obigen Beispiel) wären solche unbeschrifteten Daten.
Deep-Learning-Modelle sind in der Lage, unbeschriftete Daten zu kontextualisieren und zu „verstehen“. Und je mehr Daten sie erhalten, desto ausgefeilter werden die Modelle in der Regel.
Unbeschriftete Daten sind häufig auch unstrukturiert. Unstrukturierte Daten folgen keinem bestimmten Format und können daher jede Art von digitaler Information enthalten. Solche unstrukturierten Daten werden oft in Objektspeichern aufbewahrt. Diese Datensammlungen können ins Unendliche anwachsen, und die Objektspeicherung ist eine hoch skalierbare und relativ kostengünstige Speichermethode.
Deep-Learning-Modelle gewinnen an Effektivität, wenn sie große Datensammlungen zum Lernen erhalten, selbst wenn diese Daten unbeschriftet und unstrukturiert sind. Das macht die Objektspeicherung zu einer wichtigen Ressource für Deep-Learning-Modelle.
Ein neuronales Netzwerk ist eine Architektur des maschinellen Lernens, die auf der Funktionsweise des menschlichen Gehirns basiert. Neuronale Netze sind eine Ansammlung von Knoten, wobei jeder Knoten eine eigene Verarbeitungseinheit darstellt. Daten, die statistisch signifikant sind, werden von einem Knotenpunkt zum nächsten weitergegeben.
Diese Knoten sind auf mindestens drei Schichten verteilt: eine Eingabeschicht, eine verborgene Schicht und eine Ausgabeschicht. In der Regel enthält jede Schicht mehrere Knoten. Es kann mehrere verborgene Schichten geben, und Deep-Learning-Modelle haben in der Regel viele davon.
Stellen Sie sich ein neuronales Netzwerk als ein Team vor, das gemeinsam an der Lösung eines Problems arbeitet. Jedes Teammitglied ist für einen Teilaspekt des Problems verantwortlich und übergibt seine Aufgabe an seine Kollegen, sobald er sie erledigt hat. Schließlich kommt das Team gemeinsam zu einer vollständigen Lösung.
Neuronale Netzwerke existieren schon seit Jahrzehnten, aber das moderne Deep Learning verwendet mehr Schichten als ältere neuronalen Netze. Die Deep-Learning-Modelle von heute haben außerdem Zugang zu weitaus mehr Rechenleistung und Daten als je zuvor, was die Entwicklung der KI-Technologie beschleunigt.
Cloudflare ermöglicht Entwicklern die einfache Erstellung von KI-Apps, auf die von überall mit minimaler Latenz zugegriffen werden kann. Cloudflare Workers AI bietet Zugang zu Serverless GPUs im globalen Netzwerk von Cloudflare, um fortschrittliche maschinelle Lernmodelle auszuführen. Und Cloudflare R2 ist ein Objektspeicher ohne Egress-Gebühren für eine kostengünstigere Speicherung großer Datensätze, die zum Training von Deep-Learning-Modellen verwendet werden können.
Erfahren Sie alles über Cloudflare für KI.