Deep Learning (DL)

Deep Learning ist ein Teilbereich des Machine Learning, der neuronale Netze mit mehreren Verarbeitungsschichten nutzt. Solche Modelle können komplexe Merkmale etwa in Bildern, Sprache oder Texten lernen. Ihre Eignung und Genauigkeit hängen von Aufgabe, Daten, Training und Anwendung ab.

Deep Learning (DL) im Detail

Die Schichten verarbeiten aufeinander aufbauende Repräsentationen. Ein System zur Bilderkennung muss dadurch nicht jede Bildregel einzeln vorgegeben bekommen. Das bedeutet jedoch nicht, dass es wie ein Mensch wahrnimmt oder dass jedes erlernte Merkmal für die gewünschte Aufgabe sinnvoll ist.

Im Marketing kann Deep Learning beispielsweise bei Bildsuche, Übersetzung oder der Auswertung offener Antworten eingesetzt werden. Ein vorhandenes Modell kann dafür bereits geeignet sein. Ein Unternehmen muss nicht automatisch ein großes Modell selbst trainieren oder einen umfangreichen eigenen Datensatz aufbauen.

Der entscheidende Vergleich bleibt die konkrete Arbeit. Für eine überschaubare Tabelle können einfachere Verfahren genügen; bei komplexem Bildmaterial kann ein neuronales Modell Vorteile bieten. Prüfen sollte man auch ungewohnte Eingaben, unterschiedliche Sprachen und Fälle, in denen das System keine sichere Zuordnung liefern kann.

Ein überzeugender Demonstrationsfall reicht nicht als Qualitätsbeleg. Gute Datenabdeckung, nachvollziehbare Testaufgaben und laufende Kontrolle helfen, die Grenzen zu erkennen. Wirtschaftlichkeit bemisst sich am nutzbaren Ergebnis einschließlich Überprüfung und Korrektur.

Beispiele

Hypothetisches Anwendungsbeispiel

Eine Bildredaktion testet automatische Motivtags an freigegebenen Aufnahmen. Sie prüft zusätzlich schwer erkennbare Produkte und ungewöhnliche Perspektiven. Fehlerhafte Tags werden korrigiert; eine automatische Veröffentlichung folgt aus der Erkennung nicht.

Wichtige Punkte

Teilbereich des Machine Learning mit mehrschichtigen neuronalen Netzen.
Vorhandene Modelle können einen Einstieg ermöglichen.
Auch schwierige Eingaben und einfachere Alternativen vergleichen.

Anwendung im Marketing-Alltag

Eine konkrete Aufgabe mit verfügbaren Modellen und einer einfacheren Ausgangslösung vergleichen.

Sinnvolle Messgrößen

Qualität an neuen Beispielen

Leistung auf geeigneten, nicht zum Anpassen verwendeten Aufgaben prüfen.

Korrekturen pro nutzbarem Ergebnis

Nacharbeit im wirklichen Arbeitsablauf erfassen.

Häufige Fehler

Modellgröße als Qualitätsnachweis verwenden.
Ergebnisse nur an bekannten Trainingsbeispielen beurteilen.

Quellen und Einordnung

Google: Neural networks
Grundlagen neuronaler Netze und gelernter Merkmale.
Google: Machine Learning Glossary
Begriffsabgrenzungen zu Machine Learning, Inferenz und Sprachverarbeitung.

Häufige Fragen zu Deep Learning (DL)

Nein. Vortrainierte Modelle können für bestimmte Aufgaben nutzbar sein. Der erforderliche Anpassungs- und Prüfaufwand hängt vom Einsatz ab.

Begriffsempfehlungen werden geladen…

Alle Begriffe

Deep Learning (DL)

Deep Learning (DL) im Detail