Deep Learning erobert immer mehr Branchen

Methoden aus dem Bereich des maschinellen Lernens erreichen mittlerweile zahlreiche Industriezweige – von der Mode- bis zur Finanzwelt.

Lange Zeit konnten Computer Aufgaben, die der Mensch ohne große Probleme erledigt, nur schwer erfüllen – etwa das Erkennen unterschiedlich ausgesprochener Sprache oder die Kategorisierung von Bildern, auf denen ähnliche Motive zu sehen waren.

Mit Hilfe von Deep Learning ändert sich das – und die dabei entwickelten Methoden aus dem Bereich des maschinellen Lernens erreichen mittlerweile zahlreiche Branchen, wie ein Besuch auf der "Re-Work Deep Learning Summit"-Konferenz in Boston zeigte.

Funktioniert die Technik so, wie sich dies die Entwickler vorstellen, könnte sie zahlreiche neue Möglichkeiten eröffnen – in so unterschiedlichen Bereichen wie Finanzen, Computersicherheit oder Mode. Sie könnte aber auch Arbeitsplätze kosten, wie Experten sagten.

Beim sogenannten Deep Learning werden zahlreiche Berechnung schichtförmig auf unterschiedliche Datentypen angewendet, beispielsweise Klänge und Bilder, um Hauptmerkmale und Ähnlichkeiten zu erkennen. Damit erhalten Rechner eine leistungsfähige Methode, etwas zu tun, was bislang nur Menschen vorbehalten war: Sie können etwa Gesichter auch dann erkennen, wenn sie aus verschiedenen Winkeln aufgenommen wurden – und Sprache, wenn sie mit verschiedenen Akzenten gesprochen wurde.

Die mathematischen Prinzipien hinter Deep Learning sind relativ einfach, doch kombiniert mit großen Mengen an Trainingsdaten und schnellen Computern, die parallele Berechnungen durchführen können, gab es in den vergangenen Jahren enorme Fortschritte.

Google nutzt Deep Learning beispielsweise für die Spracherkennung bei Android-Telefonen und Facebook erkennt damit Gesichter von Freunden in den hochgeladenen Fotos seiner Nutzer. Auch andere Technikfirmen steigen in den Sektor ein. Bei der "Deep Learning Summit" zeigten zwei Forscher von eBay, wie die sie die Verfahren einsetzen, um Produktbilder, die Verkäufer hochgeladen haben, zu kategorisieren. Durch die Analyse von Bildern, die bereits mit Beschreibungen (Tagging) versehen wurden, kann das System den Unterschied etwa zwischen einem Paar Flip-Flops und flachen Schuhen erkennen. Das hilft wiederum der eBay-Suchmaschine – besonders bei Produkten, die vom Nutzer unvollständig beschrieben wurden.

In anderen Feldern und Branchen gibt es ebenfalls Interesse am Deep Learning. In Boston diskutierten Forscher, Ingenieure und Unternehmer die Fortschritte auf dem Forschungsfeld und mögliche Anwendungen in Bereichen wie Werbung, Finanzen und Medizin. Ein Teilnehmer, der zuvor Verfahren aus dem Bereich des maschinellen Lernens für Hedgefonds angewendet hatte, präsentierte sein Start-up aus dem Deep-Learning-Bereich, das Marktveränderungen wie etwa den kurzfristigen Absturz einer Währung vorhersagen soll. Ein anderer Teilnehmer von einer großen US-Versicherung will Deep Learning nutzen, um Versicherungsbetrug frühzeitig zu erkennen.

Andrew Ng, ein bekannter Forscher auf dem Gebiet, der sowohl Dozent an der Stanford University als auch Chefwissenschaftler bei der chinesischen Internet-Firma Baidu ist, meint, dass Deep Learning bereits jetzt in der Praxis nützlich sei. "Eines der Dinge, die Baidu früh angepackt hat, war die Schaffung einer internen Deep-Learning-Plattform." Ein Ingenieur in der Systems-Gruppe der Firma habe beispielsweise damit ein Verfahren entwickelt, das vorhersagen kann, wann Festplatten im Rechenzentrum potenziell ausfallen. "Wir nutzen Deep Learning auch, um zu erkennen, ob es einen Einbruch in unsere Systeme gab." Viele Menschen lernten die Technik derzeit kennen und versuchten, sie für zahlreiche unterschiedliche Probleme zu nutzen.

Dazu gehört auch die Medizin – und hier insbesondere die Analyse von Material aus bildgebenden Verfahren. Emmanuel Rios Velazquez, ein Postdoc-Forscher am Dana-Farber Cancer Institute in Boston, untersucht derzeit, ob mittels Deep Learning aus Krebsaufnahmen der Verlauf der Krankheit besser vorhergesagt werden kann.

Auch die Medikamentenentwicklung ist ein Anwendungsbereich. Olexandr Isayev, Forscher an der University of North Carolina at Chapel Hill, zeigte Algorithmen, mit denen ein Rechner auf die Erkennung potenziell nützlicher Wirkstoffmolekülkombinationen aus Hunderten von Millionen Kandidaten trainiert werden kann.

Isayev fütterte dazu die Informationen aus Hunderttausenden von Experimenten in sein Computersystem und ließ sich dann vorhersagen, wie ein Molekül sich an eine bestimmte Molekülgruppe anbindet. "Ein typischer Algorithmus aus dem Bereich des maschinellen Lernens nutzt solche objektiven Funktionen", sagt er. Bei Deep Learning setze man auf Mehrfach-Optimierungen. "Beispielsweise möchte man die Anbindung an dieses Protein maximieren, an jenes aber minimieren."

Deep Learning funktioniert nicht für alle Anwendungsfälle gleich gut. So musste Isayev erkennen, dass sich die Verbesserungen, die sich in der computergestützten Wirkstofferkennung ergaben, im Vergleich zu den Fortschritten bei der Bilderkennung als relativ klein erwiesen.

Dennoch nutzen mehr und mehr junge Firmen das Potenzial der Technik – und finden bereitwillige Geldgeber. MetaMind aus dem kalifornischen Palo Alto hat eine Deep-Learning-Plattform entwickelt und wurde von Richard Socher gegründet, der unter Ng in Stanford studiert hatte. "Leute klassifizieren Mode, Autos, Häuser oder Satellitenbilder – und das sind alles jeweils gigantische Industrien", meint er. Das Schöne an Deep Learning sei die Tatsache, dass die Systeme ständig lernten – vom unbearbeiteten Input bis zum fertigen Output. (bsc)