Deep Learning.

Deep Learning ist eine Methode des Machine Learning, bei der künstliche neuronale Netze mit vielen Schichten aus Beispielen lernen. Laut IBM unterscheidet sich Deep Learning von einfacheren neuronalen Netzen durch mehrere verborgene Schichten, als Untergrenze nennt IBM vier Schichten. Fast alles, was heute unter KI verstanden wird, beruht darauf: große Sprachmodelle, Bilderkennung, Spracherkennung und Bildgeneratoren. Für euer Unternehmen ist der Begriff vor allem nützlich, um einzuordnen, was eine KI-Lösung kann, was sie braucht und wo ihre Grenzen liegen.

So funktioniert Deep Learning

Ein neuronales Netz lernt, indem es seine inneren Gewichte so lange anpasst, bis die Ausgaben stimmen. Laut IBM erfassen die vorderen Schichten grobe Muster und die tieferen Schichten immer feinere. Das Netz lernt also selbst, welche Merkmale in den Daten wichtig sind, statt dass ein Mensch sie vorgibt.

Laut IBM braucht Deep Learning in der Regel sehr große Trainingsdatenmengen und viel Rechenleistung für Training und Nutzung. Erst Grafikprozessoren, die viele Berechnungen parallel ausführen, haben das in großem Maßstab praktikabel gemacht. Große Sprachmodelle nutzen laut IBM meist die sogenannte Transformer-Architektur, Bilderkennung häufig sogenannte Faltungsnetze.

Worauf ihr im Unternehmen achten solltet

Trainiert kein eigenes Modell, wenn ein fertiges reicht. Weil Daten und Rechenleistung so aufwendig sind, nutzen die meisten Unternehmen vorhandene Modelle über eine Schnittstelle. Für eigene Inhalte genügt es oft, dem Modell passende Dokumente mitzugeben, siehe RAG, oder es per Fine-Tuning nachzuschärfen.

Rechnet mit Ergebnissen, die sich nicht vollständig erklären lassen. IBM beschreibt Deep-Learning-Modelle als „Black Box": Die gelernten Parameter lassen kaum erkennen, wie sie mit den Daten zusammenhängen. Wo ihr eine Entscheidung begründen müsst, etwa gegenüber Kunden oder Bewerbern, braucht es deshalb eine nachvollziehbare Regel oder eine menschliche Prüfung.

Prüft eure Daten, bevor ihr über ein eigenes Modell nachdenkt. In KI-Projekten sehen wir oft, dass die Idee eines eigenen Modells an der Datenlage scheitert: zu wenige Beispiele, uneinheitlich beschriftet oder verteilt auf viele Systeme. Laut IBM ist gerade das Beschriften großer Datensätze teuer.

Häufige Fragen zu Deep Learning

Was ist der Unterschied zwischen Machine Learning und Deep Learning? Deep Learning ist ein Teil davon. Klassisches Machine Learning stützt sich laut IBM oft auf von Menschen ausgewählte Merkmale, Deep Learning lernt die Merkmale aus den Rohdaten selbst.

Ist generative KI auch Deep Learning? Ja. Laut IBM gehören generative KI und große Sprachmodelle zu den wichtigsten Anwendungen von Deep Learning. Mehr dazu unter Generative KI.

Muss unser Team Deep Learning verstehen, um KI zu nutzen? Nicht im Detail. Wichtig ist ein Grundverständnis von Stärken und Grenzen, etwa warum Modelle überzeugend klingen und trotzdem falsch liegen können. Genau darum geht es bei der KI-Kompetenz nach Artikel 4 AI Act.

Wenn euer Team verstehen soll, was hinter KI-Werkzeugen steckt und wo sie an Grenzen stoßen, schaut euch unseren KI-Workshop an.