Deep Learning ist ein Teilbereich des maschinellen Lernens, der neuronale Netze mit vielen Schichten trainiert, um automatisch Muster in Daten zu erkennen. Jede folgende Schicht wandelt ihre Eingabe in eine etwas abstraktere Darstellung um, sodass ein tiefes Netzwerk direkt aus Rohdaten wie Pixeln, Audiosignalen oder Text-Token reichhaltige, hierarchische Merkmale aufbauen kann. Diese Fähigkeit, Darstellungen Ende-zu-Ende zu erlernen, unterscheidet Deep Learning von älteren Verfahren des maschinellen Lernens, die auf handgefertigten Merkmalen beruhten.
Wie Deep Learning funktioniert
Ein neuronales Netz besteht aus Schichten einfacher Recheneinheiten, sogenannter Neuronen, die durch Gewichte verbunden sind, die bestimmen, wie stark eine Einheit eine andere beeinflusst. Während des Trainings verarbeitet das Netzwerk eine große Anzahl beschrifteter Beispiele, und ein Algorithmus namens Backpropagation misst den Fehler am Ausgang und leitet ihn rückwärts durch die Schichten, um die Gewichte anzupassen. Durch die Wiederholung dieses Prozesses über viele Beispiele wird das Netzwerk schrittweise so justiert, dass seine Vorhersagen mit den Trainingszielen übereinstimmen.
Beispielsweise lernt ein tiefes Netzwerk, das auf Fotos von Katzen und Hunden trainiert wurde, zunächst in seinen frühen Schichten Kanten und Farbverläufe zu erkennen, fügt diese dann zu Texturen zusammen, danach zu Teilen wie Ohren und Augen, und schließlich zu einer sicheren Klassifikation des gesamten Tieres. Da dasselbe Lernverfahren bei Bildern, Audio und Text funktioniert, ist Deep Learning zu einem universellen Werkzeug für Mustererkennung geworden.
Warum es wichtig ist
Deep Learning bildet die Grundlage für die meisten KI-Fähigkeiten, mit denen Nutzer heute interagieren – von Sprachassistenten und maschineller Übersetzung bis hin zu medizinischer Bildgebung und Wahrnehmungssystemen autonomer Fahrzeuge. Es hat wiederholt neue Genauigkeitsrekorde bei Aufgaben aufgestellt, die vor einem Jahrzehnt als äußerst schwierig galten, insbesondere wenn es mit großen Datensätzen und erheblicher Rechenleistung trainiert wurde. Für Unternehmen und Entwickler bietet Deep Learning ein einziges Paradigma, das in vielen Bereichen eingesetzt werden kann, ohne den zugrunde liegenden Algorithmus neu zu entwerfen.
Wichtige Arten tiefer neuronaler Netze
- Feedforward-Netze (MLPs): die einfachste Form, bei der Daten in einer Richtung vom Eingang zum Ausgang fließen; nützlich für tabellarische Daten und als Bausteine für größere Modelle.
- Convolutional Neural Networks (CNNs): spezialisiert auf gitterartige Daten wie Bilder und Videos, die mithilfe gemeinsamer Filter lokale Muster erkennen.
- Recurrent Neural Networks (RNNs) und LSTMs: konzipiert für sequenzielle Daten wie Sprache und Zeitreihen, mit Verbindungen, die zeitlich zurückführen.
- Transformer: die dominierende Architektur für Sprache und viele andere Modalitäten, die einen Aufmerksamkeitsmechanismus nutzt, um die Bedeutung jedes Elements einer Sequenz gegenüber jedem anderen Element zu gewichten.
Moderne große Sprachmodelle wie die GPT- und Claude-Familien sind tiefe Transformer-Netze mit zehn bis Hunderten von Milliarden Parametern, die auf umfangreichen Textkorpora trainiert und für die Befolgung von Anweisungen feinjustiert werden. Die gleichen grundlegenden Ideen skalieren von kleinen Forschungsmodellen bis hin zu Frontier-Systemen – deshalb bleibt Deep Learning die zentrale Technik in der heutigen KI-Entwicklung.
