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. Sie nehmen es aus der Tasche und schauen auf den Bildschirm. Die Gesichtserkennung entsperrt das Telefon und Sie lesen eine Nachricht, die Ihre Schwester gerade gesendet hat. Sie lachen und teilen sie dann, indem Sie eine Gruppe von Freunden auswählen, die sie auch lustig finden. Sie fügen der Freigabe eine Instant Voice-Nachricht hinzu und sagen dem Telefon, dass es sie senden soll.

Das Konzept des Deep Learning ist nicht neu. Wir alle nutzen es – die meisten von uns, ohne auch nur einen Gedanken an die Technologie zu verschwenden. Es ist zu einer Selbstverständlichkeit 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 doch tagtäglich darauf verlassen?

In der heutigen Technologie sind Begriffe wie Künstliche Intelligenz , Maschinelles Lernen und Deep Learning alltäglich. Viele hören oder lesen diese Begriffe und glauben, sie könnten synonym verwendet werden. Dabei sind es unterschiedliche Begriffe mit derselben Bedeutung – größtenteils. Stimmt’s? Die kurze Antwort lautet „nein“, aber eine genauere Einschätzung lautet „irgendwie schon“.

Um diese Begriffe besser zu verstehen, müssen wir wissen, in welcher Beziehung sie zueinander stehen. Nehmen wir zur Veranschaulichung Matrjoschki (russische Puppen) [1]. Öffnet man die äußerste Puppe, findet man darin eine kleinere. Öffnet man diese, findet man eine noch kleinere. Künstliche Intelligenz ist die äußere Puppe. Darin findet man maschinelles Lernen und hinter maschinellem Lernen Deep Learning. Manchmal gibt es mehrere Ebenen, aber da sie sich zueinander verhalten, stehen sie immer in dieser Reihenfolge.

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 Matrjoschki 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 andere, obwohl wir alle einmal Kinder waren. Wie sind wir so schlau geworden?

Eine Purkinjezelle, eine Art Neuron im Gehirn. Neuronen übertragen Signale innerhalb unseres Gehirns 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 eine umfangreiche Menge verbundener Neuronen, die Reize von unseren Sinnen empfangen, um die richtige Reaktion oder Antwort zu bestimmen. Unser Gehirn besteht aus mehreren Schichten neuronaler Netzwerke. Sie sind in Schichten angeordnet, von denen jede für die Verarbeitung unterschiedlicher Informationen zuständig ist. Wenn Eingaben ins Gehirn gelangen, verarbeitet jede Neuronenebene die Daten, liefert Erkenntnisse und gibt alles an die nächste Schicht weiter. Diese neuronalen Netzwerke sind in der Lage, eine unglaubliche Menge an Informationen scheinbar augenblicklich zu verarbeiten.

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

Wir haben als Kind angefangen – im Grunde ohne Wissen. Wir lernen Sprache zu verstehen und zu verwenden, indem wir das, was wir hören, speichern. Wenn wir anfangen, immer wieder dieselben Laute anzusammeln, erkennen wir, dass bestimmte Laute zu anderen passen. Wir verknüpfen Lautfolgen mit dem, was um uns herum geschieht, während wir sie hören. Nachdem wir viele Monate lang Laute gespeichert und verknüpft haben, versuchen wir, sie selbst zu erzeugen. Ein einfaches Beispiel: Unser Gehirn erkennt schließlich ein Muster:

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

Wir haben jetzt „Mama“ (wir können es noch nicht buchstabieren, aber Sie verstehen, was ich meine) sicher in unserem Gedächtnis gespeichert und beginnen nun, so viel mehr zu lernen. Jedes Mal, wenn wir „Mama“ sagen, passieren neue Dinge. Je mehr wir lernen, desto mehr Daten erhalten wir, die wir speichern und verwenden können. 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 Informationsverarbeitung alle unsere Sinne. Unser neuronales Netzwerk wird mit zunehmender Eingabe komplexer , bildet Gedanken, lernt abstrakte Konzepte, bildet Meinungen und teilt sie mit anderen neuronalen Netzwerken, wobei es durch Übertragung und verstärktes Lernen wächst. Deep Learning wäre zwar gerne so leistungsfähig, kann aber der Funktionsweise unseres Gehirns nicht das Wasser reichen.

Wie lernt ein Computer?

Schauen wir uns an, wie maschinelles Lernen und Deep Learning auf sehr hohem Niveau funktionieren. Die Erläuterung der Details würde einen eigenen Artikel, ein eigenes Kapitel oder sogar ein Buch erfordern.

Wir beschriften Hunderte, Tausende von Bildern 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, sagen wir ihm, was das Objekt ist, und der Computer speichert das. Nach viel Training wird der Computer gut darin, Objekte zu identifizieren. Dies nennt man überwachtes maschinelles Lernen.

Wir wiederholen diesen Prozess mit Millionen von Bildern. Der Computer ist außergewöhnlich gut darin, Objekte richtig zu identifizieren. Jetzt führen wir Deep-Learning-Algorithmen ein und hören auf, dem Computer zu sagen, wenn er falsch liegt. Das muss er jetzt selbst tun. Er wendet an, was er über die Umgebung, Beleuchtung, Anwendung, Menschen usw. weiß. Er bewertet seine Leistung kontinuierlich anhand neuer trainierter Daten , berechnet seine Fehlerrate und passt den Algorithmus selbst an, um den Fehler zu reduzieren. Er bringt sich selbst etwas bei und lernt.

Sie können sehen, wie schnell ein Computer lernen kann.

Deep Learning besteht aus künstlichen neuronalen Netzwerken, die unserem Gehirn nachempfunden sind [3]. Unser Gehirn ist weitaus komplexer, aber wie unser Gehirn verwendet auch Deep Learning Deduktion und trainiert die künstlichen neuronalen Netzwerke, einen bestimmten Datensatz mit hoher Genauigkeit zu verarbeiten. Diese künstlichen neuronalen Netzwerke sind geschichtet, um ein tiefes Netzwerk zu bilden, das komplexe Entscheidungen treffen kann. Jede Schicht wurde intensiv für ihre spezielle Aufgabe trainiert. Mit Hunderten und Tausenden von Schichten dieser künstlichen neuronalen Netzwerke werden große Datenmengen verarbeitet und Entscheidungen mit sehr geringer oder gar keiner Latenz getroffen.

Durch die Anwendung 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 durchgeführt werden. Deep Learning kommt zwar nicht an die Fähigkeiten des Gehirns heran, aber es lernt und verbessert sich mit jeder getroffenen Entscheidung.

Wo steht 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 ihn direkt auf Ihr Bankkonto einzahlen, indem Sie mit Ihrem Mobiltelefon ein Foto von der Vorder- und Rückseite des indossierten Schecks machen. Die Banksoftware verwendet Deep Learning, um zu bestimmen, was auf dem Scheck geschrieben oder getippt ist, und zahlt den korrekten Geldbetrag ein, indem sie das Geld von der Bank und dem Konto des Scheckausstellers anfordert. Keine Bankeinzahlungsscheine mehr. Keine Bankgänge mehr. Dies wird durch die Anwendung vieler verschiedener Deep-Learning-Algorithmen und Millionen erfasster Datenpunkte erreicht. Alle wurden mit denselben Methoden trainiert, mit denen wir herausgefunden 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 gefragt werden, 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 Puppen. Überall, wo KI existiert, wird maschinelles Lernen eingesetzt. Es mag ein paar Ausnahmen geben, aber maschinelles Lernen ist auf Deep Learning angewiesen.

„Wow, das ist tief!“

Wir alle haben diesen Satz schon einmal gehört oder sogar selbst verwendet. Sind wir uns dabei darüber im Klaren, was er bedeutet?

Etwas gilt als tiefgründig oder tiefsinnig, wenn es nicht leicht zu erfassen oder zu verstehen ist. Es ist etwas, über das wir nachdenken oder grübeln müssen, bevor wir seine Bedeutung oder Absicht vollständig verstehen.

Auf dictionary.com wird „Profound“ wie folgt definiert:

In Gedanken- oder Wissensthemen eindringen oder sich tief damit befassen; tiefe Einsicht oder Verständnis haben. Weit unter das Oberflächliche, Äußere oder Offensichtliche hinausgehen oder sich darin verlieren.

Da wir nun verstehen, wie Deep Learning funktioniert, können wir visualisieren, was unser Gehirn tut, wenn es über etwas „Tiefgründiges“ nachdenkt.

Wir nehmen die Aussage und ihren Kontext wahr. Wir zerlegen sie in semantische Bestandteile und senden sie in unser tiefes neuronales Netzwerk. Erfahrungen werden angewendet und Erkenntnisse hinzugefügt. Unsere riesige Wissensbasis wird genutzt, Vergleiche angestellt und Schlussfolgerungen gezogen. Schon nach wenigen Sekunden geht ein Licht an und wir können die Absicht der Aussage klar erkennen. Wir verstehen, warum sie als „tief“ gekennzeichnet wurde. Wir bestätigen unsere Zustimmung mit einem leichten Nicken. Wir nehmen diese neue Erfahrung und speichern sie für zukünftige Referenzen.

Durch diese Erfahrung sind wir besser geworden. Wir haben gelernt.

Hätten Deep-Learning-Modelle eine ähnliche Erkenntnis liefern können? Vielleicht. Das ist nicht die Stärke von Deep Learning. Wenn Deep-Learning-Modelle bei der Entscheidungsfindung anfangen, nachzudenken, denken sie wirklich nach. Wir müssen uns fragen: „Haben wir bei der Entwicklung dieser Modelle nachgedacht oder nur gehandelt?“

Tiefgründig, nein, aber etwas, worüber man nachdenken sollte.

Verweise

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

[2] Baylor College of Medicine, Tiefe neuronale Netzwerke decken auf, was das Gehirn gerne sieht (Nov. 2019), Science Daily

[3] Kathleen Walch, Wie Trainingsmethoden neuronaler Netze dem menschlichen Gehirn nachempfunden sind (Juli 2020), SearchEnterpriseAI