Deep Learning

Deep Learning

Deep Learning (DL) ist eine Technik der Informationsgewinnung mit künstlicher Intelligenz (KI). Als Untergruppierung des maschinellen Lernens simuliert DL Intelligenz für eine einzelne spezielle Entscheidung.

Mit Deep Learning erfolgt die Optimierung von Anlagen wesentlich schneller und automatisch im Vergleich zur klassischen verarbeitung. (Bild: © Wildpixel/iStock.com)

Mit Deep Learning erfolgt die Optimierung von Anlagen wesentlich schneller und automatisch
im Vergleich zur klassischen Bildverarbeitung. (Bild: © Wildpixel/iStock.com)

Analog zum menschlichen Gehirn wird beim DL ein virtuelles Netz von Datenknoten (Neuronales Netz) mit Schichten von künstlichen Neuronen für Eingabe-, Zwischen- und Ausgabeschichten erstellt. Dafür wird individuell eine problemspezifische Lernstruktur mit geeigneten Algorithmen entwickelt. Um Entscheidungsprozesse zu erlernen, muss das neuronale Netz zu Beginn mit einer sehr großen Anzahl klassifizierter Daten trainiert werden. Beim zeit- und rechenaufwändigen Lernen, als auch im Betrieb, verknüpft das neuronale Netz aktuelle Informationen mit bereits gelernten. Es bildet eigene Entscheidungsmuster, die dem Anwender verborgen bleiben. Das macht die spätere Rückverfolgung der getroffenen Entscheidungen unmöglich. Im Gegensatz zum maschinellen Lernen greift der Mensch beim DL nicht in das Training der Entscheidungsfindung ein. Die Lernqualität ist einstellbar: Je mehr Schichten das neuronale Netz besitzt (hunderte sind möglich), desto differenzierter und leistungsfähiger kann gelernt werden. Das steigert die Anzahl der zu programmierende Lernparamete und, erzeugt sehr lange Trainingszeiten, die zur Konstruktion der Tiefe des Netzwerkes nötig sind.

DL ist für die Lösung von Visionaufgaben interessant, weil Bild- und Trainingsdaten i.A. zahlreich verfügbar und gleichzeitig reich an Informationen sind, die allerdings nahezu unendlich variabel und mehrdeutig sein können. DL wird in der Bildverarbeitung dort angewendet, wo unscharfe Eigenschaften bewertet und IO/NIO-Entscheidungen nicht genau determiniert getroffen werden. Also dort, wo klassische Visionansätze versagen, wie Fahrassistenzsystemen, Finden von variierenden Objekten in Bilder, Erkennung von Oberflächenfehlern und Gesichtern, Klassifizierung von Naturmaterialien, schlechter Ausleuchtung oder reflektierenden Oberflächen. Tiefe neuronale Netze übertreffen bei diesen Anwendungen die Klassifizierungsraten der leistungsfähigsten Techniken klassischer Bildverarbeitung deutlich.

Nachteil ist die prinzipbedingte Unmöglichkeit, die mit neuronalen Netzen getroffene Entscheidungen zu Prüfergebnissen rückführbar zu machen, da sie nicht deterministisch arbeiten und nicht algorithmisch verifizierbar sind. Aufgabenstellungen wie die genaue Positionsbestimmung oder das maßliche Prüfen sind damit nicht zu realisieren. Auf Grund ständig parallel ablaufender Algorithmen im neuronalen Netz werden hardwareseitig meist FPGAs und GPUs eingesetzt und machen die Verarbeitung um Größenordnungen schneller als das mit CPUs möglich wäre. Typische Programmbibliotheken für Deep Learning sind u.a. TensorFlow, Caffe oder Microsoft Cognitive Toolkit.

Thematik: inVISION 1 2018
Ausgabe:
Evotron GmbH & Co. KG
www.evotron-gmbh.de

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige

Anzeige