Von Super Neuro
Es ist 10 Jahre her, dass Deep Blue 1997 den damaligen Schachweltmeister Garri Kasparow besiegte und Alpha Go zeitgenössische Go-Meister besiegte. Dies sind auch die 10 Jahre rasanter Entwicklung des Deep Learning.
Die Geschichte des Deep Learning selbst lässt sich etwa 30 Jahre zurückverfolgen. Deep Learning hat sich in den vergangenen 40 Jahren schrittweise von einem Konzept zu einem heute anwendbaren Produkt entwickelt und ist zu einer Schlüsselmethode der künstlichen Intelligenz geworden.
KI basierend auf verschiedenen Systemen
Bereits am 31. August 1956 schlug der berühmte Informatiker John McCarthy auf der Dartmouth-Konferenz den Plan für künstliche Intelligenz vor, der die Flamme der Revolution der künstlichen Intelligenz entzündete und den Beginn der Entwicklung der KI markierte. Seitdem hat sich die KI schrittweise von regelbasierten Systemen zu Systemen auf Basis maschinellen Lernens und nun zu Systemen auf Basis von Deep Learning gewandelt.
Regelbasierte KI-Systeme
Dies ist das erste KI-System, dessen Funktionsweise auf von Menschen eingegebenen Regeln beruht. Dies ist zugleich auch das Hauptproblem: Es ist zu stark regelabhängig, lässt sich nur schwer an Regeländerungen anpassen und weist erhebliche Anwendungsbeschränkungen auf.
KI-Systeme basierend auf maschinellem Lernen
Um dieses Problem zu lösen, wurden Methoden des maschinellen Lernens entwickelt. Das System erreicht autonomes Lernen durch eine große Menge historischer Daten und menschlicher Informationseingabe und kann sich an einfache Daten- oder Regeländerungen anpassen.
Das System ist jedoch in hohem Maße von der menschlichen Informationseingabe abhängig. Daher muss die Person, die die Informationen eingibt, über bestimmte Fachkenntnisse verfügen und sicherstellen, dass die Informationen genau und umfassend sind. Mit zunehmender Anzahl von Anwendungsszenarien wird es jedoch nahezu unmöglich, die Richtigkeit und Vollständigkeit der Informationen sicherzustellen.
KI-Systeme basierend auf Deep Learning
Um das Problem der übermäßigen Abhängigkeit des maschinellen Lernens von menschlichen Informationseingaben zu lösen, entstand Deep Learning, auch als „repräsentatives Lernen“ bekannt.
Das System lernt selbst anhand einer großen Menge historischer Daten, prognostiziert verschiedene mögliche zukünftige Ergebnisse und formuliert entsprechende Lösungen. Dadurch wird das Problem gelöst, dass maschinelles Lernen zu sehr von menschlichen Informationseingaben abhängig ist und dass bei menschlichen Informationseingaben eine hohe Fehlerquote besteht.
Um die Beziehung zwischen KI, maschinellem Lernen und Deep Learning zu verstehen, können wir Deep Learning als eine Teilmenge des maschinellen Lernens und maschinelles Lernen als eine Teilmenge der KI betrachten. Daher ist Deep Learning für den Aufbau des gesamten KI-Systems relativ wichtig.
Neuronale Netze: Die Bausteine von Deep-Learning-Systemen
Warum also kann Deep Learning all dies leisten?
Die Antwort ist das, was wir oft als neuronalen Netzwerkalgorithmus bezeichnen. Ein neuronales Netzwerk besteht aus vielen einfachen Verarbeitungsverbindungspunkten, ähnlich der Organisation der Neuronen beim Menschen. Es besteht im Allgemeinen aus den folgenden drei Ebenen:
Eingabeebene:Dateneingabe;
Versteckte Ebenen:Die mit der Eingabeschicht verbundenen Verarbeitungsknoten (ein neuronales Netzwerk hat normalerweise mehr als zwei verborgene Schichten);
Ausgabeebene:Wandeln Sie die verarbeiteten Informationen in ausgebbare Knoten um.
Neuronale Netzwerke funktionieren, indem sie Muster erkennen, von einfach bis komplex. Sie erlernen einfache Datenverarbeitungsfunktionen in der ersten Schicht des Netzwerks, generieren dann Knoten gemäß den entsprechenden Definitionen, die dann in nachfolgende Schichten des Netzwerks eingegeben werden und andere komplexere Funktionen ableiten. Der gesamte Vorgang wird fortgesetzt, bis es schließlich ausgegeben wird.
Der Aufstieg des Deep Learning
Im Jahr 1943 schlug der amerikanische Neurowissenschaftler Warren McCulloch ein mathematisches Rechenmodell für neuronale Netzwerke und einen Schwellenwertlogik-Algorithmus vor, das zur theoretischen Grundlage von Deep-Learning-Systemen wurde.
Allerdings kam die Forschung nur langsam voran, da es an ausreichenden Daten zum Trainieren tiefer neuronaler Netzwerke und an nicht ausreichender Rechenleistung für deren Training mangelte. Erst 1980 schlug Kunihiko Fukushima ein Deep-Learning-Framework auf Basis künstlicher neuronaler Netzwerke vor.
Heutzutage hat sich Deep Learning auf der Grundlage von Big Data und Cloud Computing rasant weiterentwickelt. Seit dem Jahr 2000 hat sich die Rechenleistung von Computern um das 10.000-fache erhöht, die Kosten für die Datenspeicherung sind um etwa das 3.000-fache gesunken und der Aufstieg des Internets, die zunehmende Beliebtheit von Smartphones und die Entstehung sozialer Medien haben große Datenmengen generiert, die neuronale Netzwerke nutzen können.
Hauptanwendungsgebiete
Natürlich ist es für die KI unmöglich, die ganze Zeit mit Ihnen Go zu spielen. Was ist also der Unterschied zwischen der KI und Hikaru no Go? (falsch)
In Bezug auf praktische Anwendungen kann Deep Learning Dinge tun, die zuvor nur Menschen tun konnten. Menschen sind beispielsweise gut darin, bestimmte Objekte anhand von Bildern zu identifizieren und die Sprachen und Kulturen verschiedener Länder durch Übersetzungen zu verstehen. Jetzt kann Deep Learning dasselbe leisten.
Darüber hinaus eignet sich Deep Learning auch gut für die Computervision und die Verarbeitung natürlicher Sprache. Natürlich sind dies nur die häufigeren Anwendungsbereiche von Deep Learning. Zukünftig wird es noch mehr Möglichkeiten für Deep Learning geben, etwa jedem hier einen Butler zur Verfügung zu stellen, wie Jarvis in „Iron Man“.