Deep Learning bezeichnet eine Methode des maschinellen Lernens der Künstlichen Intelligenz. Dabei werden künstliche neuronale Netze mit zahlreichen Zwischenschichten zwischen Eingabeschicht und Ausgabeschicht eingesetzt und dadurch eine umfangreiche innere Struktur herausgebildet. Es handelt sich um eine spezielle Methode der Informationsverarbeitung.
Neuronale Netze prägen das letzte Jahrzehnt der Forschung an Künstlicher Intelligenz – und schon ihr Name deutet darauf hin, dass sie von den Nervenzellen des Gehirns, den Neuronen, inspiriert wurden. Oftmals wird Deep Learning mit dem Gehirn verglichen, obwohl sich beides in wichtigen Punkten erheblich voneinander unterscheidet.
Doch wie hängen künstliche neuronale Netze und das Gehirn zusammen und wo liegen die Unterschiede? Die wichtigsten Unterschiede wurden nachfolgend herausgearbeitet:
Unterschied 1: Leistungsfähigkeit
Ein klarer Hinweis auf die Unterschiedlichkeit von natürlicher und Künstlicher Intelligenz ergibt sich aus einem Vergleich ihrer Leistungsfähigkeit:
Eine KI ist andererseits ist zwar sehr flexibel einsetzbar, muss aber gegebenenfalls Prozesse, die im Gehirn auf chemischer oder physikalischer Ebene von selbst ablaufen, Schritt für Schritt simulieren.
Unterschied 2: Vorwärtsgerichtet versus rekurrent
Die KI wird dominiert von vorwärtsgerichteten Netzwerken, bei denen Information Schicht für Schicht verarbeitet wird, aber nicht innerhalb einer Schicht oder „rückwärts“ laufen kann. Das Netzwerk der Nervenzellen im Gehirn ist hingegen rekurrent (zurücklaufend) aufgebaut. Die Gründe für den hohen Grad an Rekurrenz im biologischen Gehirn sind im Wesentlichen unklar. Sie dürften jedoch weit über das bloße Zwischenspeichern von Information in Netzwerkschleifen hinausgehen.
Unterschied 3: Extern getrieben versus Eigendynamik
Die unterschiedlichen Verknüpfungsarchitekturen von Deep Learning und Gehirn spiegeln sich natürlich auch in ihrem dynamischen Verhalten wider.
Im künstlichen neuronalen Netzwerk werden alle Rechenoperationen strikt sequenziell Schicht für Schicht abgearbeitet. Das Netzwerk wird also nur von außen durch die Eingangsdaten angetrieben. Liegen solche nicht vor, dann hat das Netzwerk nichts zu tun und bleibt inaktiv. Ganz anders ist die Situation im Gehirn, wo die Neuronen ständig aktiv sind und miteinander wechselwirken, auch wenn gerade keine Sinnesreize von außen ankommen. Tatsächlich stellt die Anregung von Nervenzellen durch äußere Einflüsse nur einen sehr kleinen Teil der Gesamtaktivität dar. Dennoch reicht ihre Wirkung offensichtlich aus, um das Gesamtsystem zu beeinflussen.
Unterschied 4: Lernstrategien
Beim „überwachten Lernen“, das typischerweise beim Deep Learning zum Einsatz kommt, wird das neuronale Netz auf einen sehr großen Satz von Trainingsdaten angewandt, für die das gewünschte Ergebnis des Algorithmus bereits bekannt ist. Jede Abweichung zwischen der Ausgabe des Netzwerkes und dem gewünschten Ergebnis wird genutzt, um die Verbindungen zwischen den Neuronen noch besser einzustellen.
Unterschied 5: Die großen Unbekannten
Schließlich haben die Neurowissenschaften im Gehirn noch eine Vielzahl weiterer Phänomene entdeckt: Neuronen kommen in unterschiedlichen Typen vor, ihre Aktivität schwingt in bestimmten Rhythmen (Alpha-, Beta und Gammawellen), Aktivität kann sich wellenartig entlang der Hirnrinde ausbreiten, gewisse Gruppen von Neuronen koordinieren ihr Feuern zeitlich präzise, die gesamte Dynamik wird von chemischen Botenstoffen beeinflusst und vieles, vieles mehr.
Die Suche geht weiter
Insgesamt gibt es also weitreichende konzeptionelle Unterschiede zwischen Künstlicher und natürlicher Intelligenz. Das Gehirn verfügt noch über viele Freiheitsgrade, die es möglicherweise für Berechnungen nutzt und deren Bedeutung wir bisher nicht kennen. Umso mehr ist zu erwarten, dass die Grundprinzipien seiner Funktionsweise noch weit über das hinausgehen, was im heutigen Deep Learning nachgeahmt wird.
Die überlegenen Leistungen des Gehirns sollten uns Menschen ein Ansporn sein, seine Funktionsweise verstärkt zu untersuchen und vor allem unser Verständnis seiner algorithmischen Prinzipien zu erweitern. Künstliche Intelligenz kann jedoch schon heute, an der richtige Stelle eingesetzt, die natürliche Intelligenz unterstützen und entlasten.
So ist Deep Learning überall dort gut geeignet, wo man große Datenmengen nach Mustern und Modellen untersucht. Beispielsweise im Bereich der Gesichts-, Objekt- oder Spracherkennung oder beim Übersetzen von gesprochenen Texten, autonomen Fahren oder der Vorhersage des Kundenverhaltens auf Basis von Daten eines CRM-Systems.