Sie hat Siri zum Leben erweckt. Sie unterstützt Facebook bei der Bilderkennung. Sie steckt in Google Maps. Deep Learning-Software kommt in vielen bekannten Anwendungen zum Einsatz. Immer häufiger zeigen erfolgreiche Beispiele aus der Praxis, dass die Zeit für DL-Software gekommen ist. Große IT-Konzerne wie Google, Facebook, Microsoft, IBM und Amazon haben sie fest im Visier. Doch in vielen anderen Branchen zeigen sich Unternehmen hinsichtlich ihrer Investitionsbereitschaft bisher zurückhaltend. Das wird sich in den kommenden Jahren ändern...
Die Einnahmen für DL steigen rasant
Das Meinungsforschungsinstitut Tractica sieht für den Zeitraum von 2017 bis 2025 einen Anstieg der Einnahmen für Deep Learning Software von 3 auf 67,2 Billionen Dollar voraus - eine Wachstumsrate von rund 47 Prozent! Fasst man die Einnahmen von Deep Learning Software, relevanten Serviceleistungen und notwendiger Hardware zusammen, wachsen die Einnahmen im selben Zeitraum von 12 auf 284 Billionen Dollar – mit 49 Prozent eine ebenso gewaltige Wachstumsrate. Deep Learning (DL) wird damit in den kommenden Jahren die Technologie mit dem größten Wachstum sein und sich zum entscheidenden Treiber des aktuellen Machine Learning-Booms entwickeln.
Wie kommt es zu diesem plötzlichen Erfolg?
Neu ist DL als Teilgebiet von Machine Learning bei weitem nicht. Forscher und Entwickler tüfteln bereits seit Ende der achtziger Jahre an der Entwicklung künstlicher neuronaler Netze. Doch wie bei allen Methoden der Künstlichen Intelligenz (KI) mussten auch hier zunächst die Rechenleistungen der Computer besser werden und größere Datenmengen verfügbar sein, um das Verfahren weiterentwickeln zu können. Heute gilt Deep Learning vielen als die wichtigste Machine Learning-Methode, die zudem andere Technologien wie Computer Vision, Neurolinguistisches Programmieren (NLP) und Datenverarbeitung mit Sensoren unterstützt bzw. ergänzt.
Was Deep Learning ausmacht
Entscheidend für den Erfolg von DL ist die Lernmethode ihrer Algorithmen. Während bei standardisierten ML-Verfahren sowohl der Algorithmus als auch das Ergebnis vom Menschen vorgegeben wird, basiert das DL-Verfahren auf Algorithmen, die eigenständig aus allen strukturierten und unstrukturierten Daten Erkenntnisse ziehen. Dafür arbeiten sie mit verschiedenen Herangehensweisen (simulieren, vergleichen, ausprobieren) und auf unterschiedlichen Ebenen, bis eine Entscheidung gefallen ist. Was sich Unternehmen über den Einsatz von DL-Software ersparen, ist lästiges Programmieren für jeden neuen User-Typ. Die Ergebnisse sind nicht subjektiv, da sie nicht vom Menschen vorgegeben werden und zudem umfangreich, denn DL-Software bezieht wirklich alle Daten ein.
Wichtig für die Bilderkennung
Die größten Fortschritte haben DL-Verfahren in den letzten Jahren bei der Bilderkennung erzielt. Die tiefen und vielschichtigen künstlichen neuronalen Netze arbeiten dabei auf drei Ebenen. Auf der untersten Ebene erkennen die Algorithmen unterschiedliche Helligkeitswerte. Auf der mittleren Ebene erkennen sie Elemente und auf der höchsten Ebene identifizieren Deep Learning-Algorithmen ganze Gesichter. Das macht sie heute zum wichtigsten Verfahren für die Bilderkennung.
Wo DL sonst zum Einsatz kommt
Doch der Einsatzbereich von DL-Software ist weitaus vielfältiger. DL-Algorithmen erkennen Schallwellen, das ist wichtig für die Übersetzung des gesprochenen Wortes in Text. DL-Algorithmen ermitteln Produktempfehlungen und unterstützen bei der Betrugserkennung. Eine große Bedeutung spielt DL Software bei Prozessen, in denen viel heterogenes Beleggut in kurzer Zeit sortiert, gesichtet und bewertet werden muss. Dies ist zum Beispiel bei der Erfassung von Darlehens- und Baufinanzierungs-Anträgen der Fall, ebenso in Personalabteilungen im Rahmen der Erfassung und Verarbeitung von HR-relevanten Personaldokumenten und -mitteilungen. Auch Bestellungen gehen auf allen Kommunikationskanälen in Unternehmen ein.
Insgesamt hat Tractica 125 Anwendungsbereiche quer durch alle Industrien und auf den unterschiedlichsten Märkten ermittelt, in denen bereits mit DL Software gearbeitet wird. Einen großen Mehrwert sehen die Experten in Bereichen:
- Produktentwicklung und -verbesserung
- Prozessoptimierung und funktionelle Workflows
- Personalisierung und Customer Insights
- Verkaufsoptimierung
- Innovation und langfristige Strategien
Deep Learning Software - der große Aufsteiger
Das Fazit ist eindeutig: Deep Learning hat den Aufstieg in die erste Liga der wegweisenden Technologien unserer Zeit geschafft. Wie alle KI-Verfahren geriet die Entwicklung eine Weile ins Stocken, bevor leistungsstarke Computer und immer größere Datenmengen der Machine Learning-Methode mittelfristig zum Durchbruch verhalfen. Nun sieht das Meinungsforschungsinstitut Tracita goldene Zeiten voraus: Von 3 auf 67,2 Billionen Dollar sollen die Einnahmen in den Jahren 2017 bis 2025 steigen. Das ML Erfolgsrezept: Algorithmen, die eigenständig auf verschiedenen Ebenen arbeiten und dabei sowohl strukturierte als auch unstrukturierte Dokumente analysieren. Damit sind die Zeiten der ständigen Neuprogammierung passé. Zudem gewinnt die automatische Erfassung von Daten eine nie dagewesene Tiefe, wovon besonders die digitale Bilderkennung profitiert. Auch die Objektivität steigt: Wo zuvor der Mensch subjektive Entscheidungen traf, ziehen nun Algorithmen nach rationalen Kriterien ihre Schlüsse. Dies sind starke Gründe, sich ernsthaft mit dem Verfahren auseinanderzusetzen.