Deep Learning in der Praxis: 5 Anwendungsfälle für Deep-Learning-Algorithmen

Deep Learning als wichtige Methode im Bereich Data Science.

Deep Learning ist eine Data-Science-Methode, die insbesondere im Zusammenhang mit Künstlicher Intelligenz eine große Bedeutung spielt. Immer mehr Anwendungen im Alltag wie Gesichtserkennungssoftware in Smartphone-Kameras nutzen diese Methode. In diesem Blog-Artikel erklären wir anhand von fünf praktischen Anwendungsfällen die hohe Relevanz von Deep Learning.  

Im Film“Her“ konfrontiert Spike Jonze seine Zuschauer mit einer Form von Künstlicher Intelligenz, mit der Menschen nicht nur auf ganz natürliche Weise sprechen können, sondern in die man sich sogar verlieben kann. Deep Learning ist ein zentraler Schlüssel, mit dem es gelingen kann, dass wir in Zukunft tatsächlich mit digitalen Persönlichkeiten interagieren können.

Denn wer heute versucht mit Digitalen Assistenten wie Siri oder Alexa ein Gespräch zu führen, wird merken, wie schnell hier die Grenzen des Möglichen erreicht sind. Die menschliche Sprache zu verstehen und zu imitieren, stellt für Computer immer noch eine der größten Herausforderungen dar. Gleichzeitig sind die Fortschritte, die in diesem Bereich gemacht werden, enorm. Unter anderem dank Deep Learning.

Linktipp: Wenn Sie sich für den Status quo beim Thema Spracherkennung interessieren, lesen Sie unseren Blog-Artikel über Natural Language Processing (NLP).

Wie Deep-Learning-Algorithmen Sprache und Bilder verstehen können

0 und 1, Ja oder Nein – das ist die binäre Grundoperation, auf der die gesamte IT basiert. Um Sprache oder Bilder zu verstehen, sind extrem viele Graustufen, Ambivalenzen und komplexe Verstehensprozesse notwendig. Ein vielversprechender Weg, der es jedoch in Zukunft möglich machen könnte, dass genau das erreicht werden kann, ist Deep Learning.

Wie können digitale Assistenten jemals alle Nuancen der Sprache verstehen, wenn sie doch alle auf dem Grundprinzip von 0 und 1 basieren? Die Antwort lautet: #Deep Learning. Klick um zu Tweeten

Eine der großen Stärken von dieser Algorithmen zeigte sich in den letzten Jahren beispielsweise im Bereich der Bilderkennung und Videoanalyse. Die Lernfähigkeit dieser Klasse von Algorithmen ermöglichte es ihnen, kontinuierlich zu lernen, den Inhalt von Bildern zu verstehen. Die folgende Darstellung zeigt in vereinfachter Form, wie ein Deep-Learning-Algorithmus etwas „sieht“.

Bilderkennung mit Deep Learning

Deep-Learning-Algorithmen zerlegen Bilder in kleinste bedeutungsunterscheidende Bestandteile und lernen so, dargestellte Inhalte zu erkennen. Quelle: http://www.spektrum.de/news/maschinenlernen-deep-learning-macht-kuenstliche-intelligenz-praxistauglich/1220451

Deep Learning zur Analyse von Bilddaten bei Krankheitsdiagnosen: Maschinen sehen besser als Menschen

Eines der prominentesten Einsatzgebiete von Deep-Learning-Algorithmen ist der Bereich der Bilderkennung. Hier konnten in den letzten Jahren insbesondere im Feld der Medizin beeindruckende Fortschritte erzielt werden. Diese Algorithmen können mit Bilddaten unterschiedlichster Art trainiert werden – dadurch erschließen sich ganz unterschiedliche Anwendungsbereiche und Algorithmen können darauf trainiert werden, Röntgenbilder oder CT-Aufnahmen auf Anomalien hin zu untersuchen.

So können sie Ärzte bei der Diagnose von Krankheiten unterstützen. Denn selbst wenn Spezialisten viele Jahre Erfahrung gesammelt haben, sie können niemals die gleiche Menge an Bilddaten sichten, die beim Training zum Einsatz kommen. Datensets, die zum Training von Deep-Learning-Algorithmen zum Einsatz kommen, können viele Millionen Bilder umfassen. Kein Wunder also, dass intelligente Analyseprogramme auf der Basis von Deep Learning besser sehen als Menschen.

Hier finden Sie ein beispielhaftes Video zum Retten von Menschenleben durch die Diagnose mit der Hilfe von Algorithmen.

Im Sales- und Aftersales dient Deep Learning durch Sprach- und Sentimentanalyse zur Verbesserung der Customer Experience

Aber nicht nur Bilder in statischer oder auch in bewegter Form können als Grundlage zum Training von Deep-Learning-Algorithmen verwendet werden. Auch Sprache in Form von Texten oder der natürlichen, gesprochenen Sprache können intelligente Algorithmen durch Deep-Learning-Methoden immer besser verstehen. Beispielsweise ist es extrem schwierig, Ironie zu verstehen – nicht nur für Maschinen bzw. Programme.

Ironisch gemeinte Sätze unterscheiden sich auf den ersten Blick nicht von ernst gemeinten Sätzen. Sätze wie „Das haben Sie toll gemacht!“ oder „Heute haben Sie sich ganz besonders schick gemacht.“ können sowohl ernst als auch ironisch gemeint sein, ohne dass sich der Satz selbst ändert. Der Kontext hält oft die für die Interpretation entscheidenden Informationen bereit.

Für den Service ist es beispielsweise wichtig zu wissen, ob eine E-Mail von einem Kunden eine normale Anfrage ist, oder ob der Kunde deutlich verärgert ist. Hier kann es vorkommen, dass an einem Tag hunderte E-Mails von Kunden ankommen. Ein Filter, der die Anfragen nach Priorität vorsortiert, hilft dabei, den Kundenservice enorm zu verbessern.

Linktipp: Für noch mehr Anwendungsbeispiele von KI im Bereich Service lesen Sie unseren Blog-Artikel zum Thema KI-Marketing und zu Data Science im Aftersales.

Durch geeignete Trainingsdaten können Algorithmen so trainiert werden, dass sie als intelligentes Filtersystem eingesetzt werden können. Aus einer Masse von tausenden Nachrichten können sie beispielsweise diejenigen von verärgerten Kunden identifizieren. Die Sentimentanalyse, bei der quasi die Gefühle der Kunden gemessen werden, dient der Kundenpflege und kann das Risiko minimieren, dass Kunden abspringen. (Affective Computing)

Deep Learning hilft bei der Verbesserung von Sicherheitsarchitekturen

Je vernetzter die Welt wird, desto wichtiger ist das Thema Cyber Security und Datensicherheit. Deep Learning kann dazu beitragen, Sicherheitslücken in Systemen zu schließen. Durch die Lernfähigkeit ist die Methode besonders dazu geeignet, normale Tätigkeiten von Angriffen oder anderen Unregelmäßigkeiten zu unterscheiden. Diese Fähigkeit macht Deep Learning beispielsweise bei der Sicherung von sensiblen Orten wie Flughäfen interessant.

Bei der Echtzeitüberwachung geht es darum, das Live-Videomaterial zu überwachen und auffällige Ereignisse zu identifizieren. Je länger ein Deep-Learning-Algorithmus dem normalen Flughafentreiben zusieht, desto besser lernt er zu unterscheiden, welche Verhaltensweisen untypisch oder auffällig sind.

Risikominimierung bei Finanztransaktionen: Deep Learning sieht Dinge, die Menschen nicht sehen können

Aber auch bei anderen sensiblen Bereichen, die zum Ziel von Angriffen werden können, bringen Deep-Learning-Algorithmen Vorteile mit sich. Etwa beim Monitoring von Banktransaktionen und Wertpapierhandel. Mit anonymisierten Trainingsdaten können Algorithmen so trainiert werden, dass sie ungewöhnliche Tätigkeiten, die sich innerhalb eines Bankennetzwerkes ereignen, gezielt erkennen. So können neben Kreditkartenbetrug auch Angriffe durch Malware und andere Schadsoftware abgewehrt werden.

Damit wird eine der größten Herausforderung im Bereich Cyber Security beherrschbar: Das Erkennen von erstmaligen Angriffen durch bislang unbekannte Malware oder individuelle Angreifer. Selbst Spamfilter können auf diese Weise trainiert werden, um E-Mails mit schädlichen Anhängen zu identifizieren. Allein aufgrund der Menge an Daten, die es zu überprüfen gilt, können Menschen bei dieser Aufgabe mit Systemen auf Basis von Deep Learning nicht mithalten.

#DeepLearning kann Muster und Auffälligkeiten sehen, die Menschen nicht sehen können. So reduzieren Monitoring-Tools Risiken und maximieren Sicherheit. Klick um zu Tweeten

Industrie 4.0: Deep Learning als Tool zur Beherrschung von Big Data

Deep Learning kommt auch dann zum Einsatz, wenn es um die Analyse von Big Data geht, und die Fragestellungen gleichzeitig sehr komplex sind. Aufgrund seiner Stärken ist die Data-Science-Methode ein wichtiges Tool zur Beherrschung von Big Data. Beispielsweise bei der Auswertung von Sensordaten, wie sie im Fall von Maintenance-Daten vorliegen, die in einem Windpark anfallen. Hier wird zum Teil im Sekundentakt an unterschiedlichsten Stellen gemessen, so dass die Datenmenge schnell im Petabyte-Bereich landet.

In solchen komplexen industriellen Ökosystemen erleichtert Deep Learning die Prognose von Einheiten, die gewartet werden müssen (Hier geht es zum Download unseres Whitepapers zu: Predictive Maintenance). Durch Deep Learning wird es darüber hinaus möglich, komplexe Zusammenhänge zwischen industriellen Prozessen, Daten über die Interaktion mit Kunden und Sales-Daten herzustellen.

Deep Learning Algorithmen entfalten erst mit der Zeit ihre volle Wirksamkeit

Ganz allgemein gesagt ist Deep Learning eine Data-Science-Methode, die insbesondere dann zum Einsatz kommt, wenn große Mengen unstrukturierter Daten vorliegen, in denen bestimmte Muster erkannt werden sollen. Vor allem große Mengen von Audiodaten, Videodaten oder Bilddaten stehen in den letzten Jahren im Zentrum des Interesses.

Die intelligenten Lösungen in diesem Bereich erschließen Bereiche, die lange Zeit dem Menschen vorbehalten waren. Was Deep Learning von den meisten anderen Methoden unterscheidet und sie so intelligent macht, ist der Lernaspekt.

Denn dabei handelt es sich also nicht um „Out-of-the-Box-Lösungen“, die einmal programmiert werden und dann direkt einsatzbereit sind. Vielmehr brauchen die Algorithmen zwangsläufig eine gewisse Trainingsphase, innerhalb der sie lernen, ihre jeweilige Aufgabe zu erfüllen. Dazu machen die Algorithmen zum Teil Annahmen und überprüfen diese Annahmen im Abgleich mit den Testdaten. So lernen sie aus ihren Fehlern beziehungsweise Erfolgen und werden im Lauf der Zeit immer besser.

Aus diesem Grund werden beispielsweise Chatbots oder digitale Assistenten, die auf Deep Learning basieren, immer besser, je öfter sie von den Nutzern das Feedback bekommen haben, ob ihre Antwort hilfreich war. Zwar sind die Fähigkeiten von Siri, Cortana & Co heute immer noch relativ beschränkt.

Betrachtet man aber allein die Erfolge, die in den letzten Jahren durch Deep Learning erzielt wurden, ist es nur noch eine Frage der Zeit, bis sie sich ganz natürlich mit uns unterhalten werden und vielleicht sogar Humor haben.

Sie wünschen sich noch mehr Orientierung im Bereich Data Science? Schreiben Sie uns Ihr Anliegenn.

Ich möchte Kontakt aufnehmen

Tags

top