Deep Learning hat die Künstliche Intelligenz in den vergangenen Jahren stark vorangebracht. Bilderkennung, Spracherkennung, maschinelle Übersetzung und große Sprachmodelle beruhen im Kern auf diesem Ansatz. Das „deep“ bezieht sich auf die Tiefe der verwendeten neuronalen Netze, die aus vielen hintereinandergeschalteten Schichten bestehen.

Der Durchbruch gelang Anfang der 2010er-Jahre, als große Datenmengen und leistungsfähige Grafikprozessoren verfügbar wurden. Seitdem hat sich Deep Learning in vielen Bereichen gegenüber älteren Verfahren durchgesetzt.

Wie funktioniert Deep Learning?

Beim klassischen Machine Learning legen Fachleute oft selbst fest, welche Merkmale ein Modell betrachten soll, zum Beispiel bestimmte Kennzahlen oder Farbwerte in einem Bild. Deep Learning lernt solche Merkmale eigenständig aus den Rohdaten. Die ersten Schichten eines Netzes erkennen einfache Strukturen, spätere Schichten setzen daraus immer abstraktere Muster zusammen – von Kanten über Formen bis hin zu ganzen Objekten.

Dafür sind große Datenmengen und viel Rechenleistung nötig. Trainiert wird meist auf spezialisierter Hardware wie Grafikprozessoren (GPUs). Wichtige Architekturen sind Convolutional Neural Networks für Bilder sowie Transformer, die seit 2017 bekannt sind und die Grundlage moderner Large Language Models bilden.

Typische Beispiele

Optische Qualitätskontrolle in der Produktion, etwa das Erkennen von Kratzern oder Fehlstellen
Texterkennung in gescannten Dokumenten und Belegen
Umwandlung von gesprochener Sprache in Text bei Besprechungen oder Diktaten
Übersetzung von Dokumenten und Webseiten
Textassistenten, die Entwürfe erstellen oder Inhalte zusammenfassen

Worauf Unternehmen achten sollten

Fertige Modelle prüfen: Ein eigenes Deep-Learning-Modell von Grund auf zu trainieren, ist aufwendig. Häufig reichen vortrainierte Modelle, die bei Bedarf angepasst werden.
Erklärbarkeit: Tiefe Netze gelten als schwer durchschaubar. Wo Entscheidungen begründet werden müssen, helfen Verfahren der Explainable AI.
Rechte an Daten: Vor einem eigenen Training klären, ob die vorhandenen Daten dafür verwendet werden dürfen, insbesondere wenn sie personenbezogen sind.
Betriebskosten: Rechenleistung für Training und Betrieb verursacht laufende Kosten, ob in der Cloud oder auf eigener Hardware.

Abgrenzung

Deep Learning ist kein Gegenbegriff zu Machine Learning, sondern ein Teil davon. Für gut strukturierte Tabellendaten, etwa aus einer Buchhaltung oder Warenwirtschaft, liefern klassische Machine-Learning-Verfahren oft gleichwertige Ergebnisse mit weniger Aufwand und besserer Nachvollziehbarkeit. Ihre Stärken spielt Deep Learning vor allem bei unstrukturierten Daten wie Bildern, Audio und Text aus.

KI-Trainings ansehen