Deep Learning: Wer hat wirklich die Kontrolle?

Wie funktioniert Deep Learning und haben wir wirklich noch die Kontrolle?

Deep-Learning-Modelle entwickeln sich weiter, genau wie wir

Ihr Mobiltelefon erhält eine Benachrichtigung. Du nimmst es aus deiner Tasche und schaust auf den Bildschirm. Durch die Gesichtserkennung wird das Telefon entsperrt und Sie lesen eine Nachricht, die Ihre Schwester gerade gesendet hat. Sie lachen und teilen es dann, indem Sie eine Gruppe von Freunden auswählen, die es ebenfalls amüsant finden. Sie fügen der Freigabe eine Sofort-Sprachnachricht hinzu und weisen das Telefon an, diese zu senden.

Das Konzept des Deep Learning ist nicht neu. Wir alle nutzen es – die meisten von uns, ohne einen flüchtigen Gedanken über die Technologie zu verschwenden. Es ist erwartungsgemäß geworden. Wir sind auf die Algorithmen angewiesen, die unsere Welt steuern. Wie kommt es also, dass so viele Menschen nicht verstehen, was Deep Learning ist, wenn sie sich Tag für Tag darauf verlassen?

Mit der heutigen Technologie sind Begriffe wie künstliche Intelligenz , maschinelles Lernen und Deep Learning alltäglich. Viele hören oder lesen diese Begriffe und glauben, dass sie austauschbar verwendet werden können. Es handelt sich meist um unterschiedliche Begriffe mit der gleichen Bedeutung. Rechts? Die kurze Antwort lautet „nein“, aber eine schärfere Einschätzung lautet „irgendwie“.

Um diese Begriffe besser zu verstehen, müssen wir wissen, in welcher Beziehung sie zueinander stehen. Lassen Sie uns Matroschki (russische verschachtelte Puppen) zur Veranschaulichung verwenden [1]. Sie öffnen die äußerste Puppe und finden darin eine kleinere. Sie öffnen es und finden ein noch kleineres. Künstliche Intelligenz ist die äußere Puppe. Im Inneren finden Sie maschinelles Lernen , und im Inneren ist maschinelles Lernen Deep Learning. Manchmal gibt es mehrere Schichten, aber da sie sich aufeinander beziehen, werden sie immer in dieser Reihenfolge existieren.

Künstliche Intelligenz (KI) umfasst das gesamte maschinelle Lernen (ML) und maschinelles Lernen umfasst Deep Learning (DL). Wir können uns diese Beziehung als eine Reihe von drei Matroschki vorstellen.

Wie funktioniert unser Gehirn?

Um Deep Learning zu verstehen, müssen wir wissen, wie unser Gehirn funktioniert. Denken Sie an ein Kind. Wir wissen so viel mehr als sie, und doch waren wir alle einmal ein Kind. Wie sind wir so schlau geworden?

Eine Purkinje-Zelle, eine Art Neuron im Gehirn. Neuronen übertragen Signale in unserem Gehirn und zwischen unserem Gehirn und unserem Körper. Gezeichnet von Santiago Ramón y Cajal.

Unser Gehirn ist ein tiefes neuronales Netzwerk [2]. Ein neuronales Netzwerk ist ein umfangreicher Satz miteinander verbundener Neuronen, die Reize von unseren Sinnen empfangen, um die richtige Reaktion oder Antwort zu bestimmen. Unser Gehirn besteht aus Schichten neuronaler Netzwerke. Sie sind in Schichten angeordnet, von denen jede für die Verarbeitung unterschiedlicher Informationen verantwortlich ist. Wenn Eingaben ins Gehirn gelangen, verarbeitet jede Neuronenebene die Daten, liefert Erkenntnisse und gibt alles an die nächste Ebene weiter. Diese neuronalen Netze sind in der Lage, eine unglaubliche Menge an Informationen spürbar augenblicklich zu verarbeiten.

Bevor Sie nun, Neurobiologen, Psychiater und alle anderen „-isten“, die mit dem Gehirn arbeiten, sich aufregen und mit Verachtung reagieren, folgt hier die Erklärung eines Laien, wie ein kleiner Teil unseres Gehirns funktioniert. Dies ist nur eine zu vereinfachte Darstellung in einem Artikel über Deep Learning – nicht über Gehirnforschung.

Wir haben als Kind angefangen – im Grunde genommen ohne Wissen. Wir lernen, Sprache zu verstehen und zu verwenden, indem wir das Gehörte speichern. Wenn wir beginnen, die gleichen Geräusche immer wieder anzuhäufen, beginnen wir zu erkennen, dass bestimmte Geräusche zu anderen passen. Wir assoziieren Klangsequenzen mit dem, was um uns herum geschieht, wenn wir sie hören. Nachdem wir viele Monate lang Klänge gespeichert und verknüpft haben, versuchen wir, sie selbst zu erzeugen. Als einfaches Beispiel erkennt unser Gehirn schließlich ein Muster:

Ich habe „mmm“ und „uh“ gehört, gefolgt von einem zweiten „mmm“, jedes Mal, wenn dieses größere Ich in der Nähe ist. Das größere Ich macht auch die Geräusche zusammen – und zwar sehr oft. Ich sollte es versuchen. „Mmm-uh-mmm.“ Bigger-me antwortete. Speichern Sie diese Klänge zusammen und verbinden Sie das Ergebnis mit diesem größeren Ich.

Wir haben jetzt „Mama“ (wir können es noch nicht buchstabieren, aber Sie verstehen es schon) sicher in unserem Gedächtnis gespeichert und jetzt fangen wir an, so viel mehr zu lernen. Jedes Mal, wenn wir „Mama“ sagen, passieren neue Dinge. Je mehr wir erfahren, desto mehr Daten erhalten wir zur Speicherung und Nutzung. So funktioniert Deep Learning. Deep-Learning-Algorithmen sammeln Daten und entscheiden selbst, was relevant ist. Deep-Learning-Netzwerke verbessern sich proportional zur Datenmenge, die zu ihrem Training verwendet wird.

Unser Gehirn nutzt bei der Verarbeitung von Informationen alle unsere Sinne. Unser neuronales Netzwerk entwickelt sich mit zunehmendem Input immer komplexer , bildet Gedanken, lernt abstrakte Konzepte, bildet Meinungen und teilt es mit anderen neuronalen Netzwerken und wächst durch Übertragung und verstärktes Lernen. Deep Learning wünscht sich, es wäre genauso leistungsstark, aber es ist der Funktionsweise unseres Gehirns nicht gewachsen.

Wie lernt ein Computer?

Schauen wir uns an, wie maschinelles und tiefes Lernen auf sehr hohem Niveau funktioniert. Um die Einzelheiten zu erklären, wäre ein eigener Artikel, ein eigenes Kapitel oder sogar ein Buch erforderlich.

Wir beschriften Hunderte, Tausende Bilder von Objekten. Der Computer speichert diese Informationen. Wenn wir dem Computer nun ein neues Bild zeigen, vergleicht er es mit den gesammelten Daten und identifiziert das Objekt. Wenn der Computer falsch liegt, teilen wir ihm mit, um welches Objekt es sich handelt, und der Computer speichert dies. Nach langem Training ist der Computer gut darin, Objekte zu identifizieren. Dies wird als überwachtes maschinelles Lernen bezeichnet.

Wir wiederholen diesen Vorgang mit Millionen von Bildern. Der Computer ist außergewöhnlich gut darin, Objekte korrekt zu identifizieren. Jetzt führen wir Deep-Learning-Algorithmen ein und hören auf, dem Computer zu sagen, wenn etwas falsch ist. Das muss es nun selbst tun. Es wendet sein Wissen über Umgebung, Beleuchtung, Anwendung, Personen usw. an. Es bewertet kontinuierlich seine Leistung anhand neuer trainierter Daten , berechnet seine Fehlerrate und passt den Algorithmus selbst an, um den Fehler zu reduzieren. Es lehrt sich selbst und lernt.

Sie können sehen, wie ein Computer schnell lernen kann.

Deep Learning besteht aus künstlichen neuronalen Netzen, die unserem Gehirn nachempfunden sind [3]. Unser Gehirn ist weitaus komplexer, aber wie unser Gehirn nutzt auch Deep Learning Deduktion und trainiert die künstlichen neuronalen Netze, einen bestimmten Datensatz mit hoher Genauigkeit zu verarbeiten. Diese künstlichen neuronalen Netze sind geschichtet, um ein tiefes Netzwerk zu schaffen, das in der Lage ist, komplexe Entscheidungen zu treffen. Jede Schicht wurde für ihre jeweilige Aufgabe intensiv geschult. Mit Hunderten und Tausenden Schichten dieser künstlichen neuronalen Netze können große Datenmengen verarbeitet und Entscheidungen mit sehr geringer oder keiner Latenzzeit getroffen werden.

Mithilfe von Deep-Learning-Modellen können selbstfahrende Autos viel schneller auf Bedingungen reagieren als ein Mensch. Medizinische Eingriffe können sicher aus der Ferne durchgeführt werden. Alles, was von Computern gesteuert wird, kann ohne die physische Anwesenheit eines Menschen erfolgen. Deep Learning kommt nicht annähernd an die Fähigkeiten des Gehirns heran, aber es lernt und verbessert sich mit jeder getroffenen Entscheidung.

Wo ist Deep Learning in der Gesellschaft?

Die meisten Anwendungen von Deep Learning werden als künstliche Intelligenz angesehen. Wenn Sie heute jemand mit einem physischen Scheck bezahlt, können Sie diesen direkt auf Ihr Bankkonto einzahlen, indem Sie mit Ihrem Mobiltelefon ein Foto der Vorder- und Rückseite des indossierten Schecks machen. Die Bankensoftware nutzt Deep Learning, um zu ermitteln, was auf dem Scheck geschrieben oder getippt ist, und zahlt den richtigen Geldbetrag ein, indem sie das Geld von der Bank und dem Konto des Scheckausstellers anfordert. Keine Bankeinzahlungsscheine mehr. Keine Fahrten mehr zur Bank. Dies geschieht durch die Anwendung vieler verschiedener Deep-Learning-Algorithmen und Millionen erfasster Datenpunkte. Alle wurden mit den gleichen Methoden trainiert, mit denen wir gelernt haben, wer Mama ist.

Wenn Sie jemand nach Beispielen für Deep Learning fragt, fällt es Ihnen möglicherweise schwer, eine Antwort zu geben. Wenn sie nach Beispielen für künstliche Intelligenz fragen, können Sie wahrscheinlich innerhalb von Minuten oder sogar Sekunden ein halbes Dutzend Anwendungsfälle nennen. Es gibt das Internet, Smartphones, selbstfahrende Autos, Navigationssysteme, E-Mail, Smart-TVs und die Liste geht weiter. Erinnern Sie sich an die russischen Nestpuppen. Überall dort, wo KI existiert, wird maschinelles Lernen eingesetzt. Es mag einige Ausnahmen geben, aber maschinelles Lernen ist auf Deep Learning angewiesen.

„Wow, das ist tief!“

Wir alle haben diesen Satz gehört oder sogar verwendet. Wenn wir das tun, sind wir uns dessen bewusst, was es bedeutet?

Etwas gilt als tief oder tiefgreifend, wenn es nicht leicht zu erfassen oder zu verstehen ist. Es ist etwas, worüber wir nachdenken oder nachdenken müssen, bevor wir seine Bedeutung oder Absicht vollständig verstehen.

Profound wird auf dictionary.com wie folgt definiert:

Eindringen oder tiefes Eintauchen in Themen des Denkens oder Wissens; tiefe Einsicht oder Verständnis haben. Sich weit unterhalb dessen bewegen, was oberflächlich, äußerlich oder offensichtlich ist.

Wenn wir nun verstehen, wie Deep Learning funktioniert, können wir uns vorstellen, was unser Gehirn tut, wenn es über etwas „Tiefes“ nachdenkt.

Wir nehmen die Aussage und ihren Kontext wahr. Wir zerlegen es in semantische Komponenten und senden es an unser tiefes neuronales Netzwerk. Erfahrungen werden angewendet und Erkenntnisse hinzugefügt. Unsere umfangreiche Wissensbasis wird genutzt, Vergleiche angestellt und Schlussfolgerungen gezogen. Nach nur wenigen Sekunden geht ein Licht an und wir können die Absicht der Aussage deutlich erkennen. Wir verstehen, warum es als „tief“ bezeichnet wurde. Wir bestätigen unsere Zustimmung mit einem leichten Nicken. Wir nehmen diese neue Erfahrung auf und speichern sie zum späteren Nachschlagen.

Wir sind besser für die Erfahrung. Wir haben gelernt.

Könnten Deep-Learning-Modelle ähnliche Erkenntnisse geliefert haben? Vielleicht. Hier gedeiht Deep Learning nicht. Wenn Deep-Learning-Modelle bei der Entscheidungsfindung anfangen, nachzudenken, denken sie wirklich nach. Wir müssen uns fragen: „Haben wir bei der Entwicklung dieser Modelle gedacht oder nur gehandelt?“

Tief, nein, aber etwas zum Nachdenken.

Verweise

[1] Matt Killmorgen, Deep and Machine Learning (Aug 2019), Softservein.com

[2] Baylor College of Medicine, Deep neural networks uncover what the brain likes to see (Nov 2019), Science Daily

[3] Kathleen Walch, How neural network training methods are modeled after the human brain (Jul 2020), SearchEnterpriseAI