Der Begriff „Deep Learning for Business“ existiert schon mehr als 20 Jahre. Wirklich bekannt wurde der Begriff innerhalb der Data Science Community aber erst vor Kurzem. Was ist also Deep Learning? Deep Learning for Business ermöglicht in Business Analytics die Lösung von Aufgaben, die noch vor Kurzem als nicht lösbar galten. Heutzutage gibt es eine Menge von Frameworks und Tools für Deep Learning, die sich zu fast jede Businessaufgabe anpassen lassen.
Wollen Sie auch die Möglichkeiten von Deep Learning for Business für sich nutzen? Kontaktieren Sie dazu unsere Experten! Dank unserer mehrjährigen Erfahrung finden wir die optimale Data Science Lösung, genau für Ihre Fragestellung angepasst.
Was ist Deep Learning for Business?
Deep Learning (auch Deep Learning Neural Network genannt) ist ein Teilgebiet von Machine Learning. Machine Learning nutzt das Modell von abstraktem Denken und Neuronen im menschlichen Gehirn als Vorbild für die Modellierung. Die Algorithmen von Machine Learning lernen selbstständig, ohne ein spezielles externes Programm dafür zu benutzen. Der Nutzer muss dem Computer daher nicht detailliert erklären, wie eine Aufgabe zu lösen ist. Im Gegenteil löst das Programm die Aufgabe selbst, basierend auf den Daten, die man als Input bereitstellt.
Wollen Sie die Funktionalitäten von Deep Learning nutzen, um Ihr Business zu digitalisieren? Novustat Experten beraten Sie gerne und unterstützen Sie auf allen Schritten des Projektes bis zum erfolgreichen Abschluss. Nutzen Sie einfach unser Kontaktformular für eine kostenlose Beratung & ein unverbindliches Angebot – oder rufen Sie uns an.
Der Begriff Deep Learning existiert schon seit 1980, hat aber bis 2012 eher wenig Aufmerksamkeit bekommen, da die Rechnerkapazitäten die notwendigen Berechnungen noch nicht meistern könnten.
Zum ersten Mal wurde Deep Learning for Business in der New York Times erwähnt: Man berichtete über eine Gruppe von Wissenschaftlern aus der Toronto Universität, die mit Hilfe eines Deep Learning Neural Network den Bilderkennungs-Wettbewerb „ImageNet“ gewonnen hatten. Das neurale Netz erkannte dabei 85 % der Objekte korrekt!
Einige wichtige Begriffe zum Einstieg
Um Deep Learning for Business besser zu verstehen, erläutern wir hier einige wichtige Begriffe:
- Deep Learning Neural Network: Eine Methode, um das Funktionieren des menschlichen Gehirns auf dem Computer zu simulieren. Dazu verwendet man Schichten virtueller Neuronen.
- Künstliche Intelligenz (KI): Die Fähigkeit eines Computers oder Programms, die Lösungen durch Algorithmen oder Berechnungen zu finden.
KI als Teilgebiet von Data Science diente anfangs der Lösung von konkreten Aufgaben, indem der menschliche Intellekt simuliert wurde: zum Beispiel, um den Computer gegen einen Menschen im Schachspiel antreten zu lassen. Man lehrte dem Computer eine Menge von einzelnen Regeln, so dass die Maschine danach in jeder Spielsituation optimal handeln könnte.
- Machine Learning: Eine Methode, um dem Computer das Selbstlernen beizubringen. Man liefert dabei eine große Menge von Daten statt fester Regeln an die Maschine. Der Computer soll daraufhin, wie beim menschliches abstraktes Denken, die Lösung für die konkrete Aufgabe selbst finden und sich selbst bei Bedarf korrigiert. Machine Learning ist ein iteratives Verfahren, welches so oft wiederholt wird, bis das Modell eine vorgegebene Fehlertoleranz erreicht.
Deep Learning Neural Networks unterscheiden zwischen zwei Arten von Lernen:
Wie funktioniert Deep Learning for Business?
Stellen wir uns vor, wir haben eine Menge von Input Daten und wollen einen Output vorhersagen: z.B. ein Bahnpreisticket. Diese Vorhersage basieren wir dabei auf:
- Startpunkt,
- Zielpunkt, und
- Datum
In diesem Fall würde das Deep Learning Neural Network mit zwei Zwischenschichten so aussehen:
Die Input Schicht beinhaltet alle Input Variablen (unabhängigen Variablen).
- Die Zwischenschicht (auch hidden layer genannt) führt verschiedene komplexe mathematische Berechnungen mit den Input Daten durch. Eine der Expertenaufgaben bei dem Deep Learning for Business Verfahren besteht darin, die Anzahl von Zwischenschichten und Neuronen in jeder Schicht (als blaue Kreise abgebildet) korrekt abzuschätzen. (Entscheidend um beispielsweise Overfitting oder Underfitting zu verhindern)
- Die Output Schicht beinhaltet die abhängige Variable, die man vorhersagen möchte -in diesem Fall der Bahnkartenpreis.
Wie genau wird die Output Variable vorhergesagt? Hier kommt die Besonderheit des Deep Learning Neural Networks zum Tragen: Alle Neuronen-Einheiten sind gewichtet. Je wichtiger der Zusammenhang, desto höher ist das Gewicht (z.B., wenn in unserem Fall das Datum der Abreise die größte Rolle spielt, wird diese Verbindung den größten Gewichtskoeffizient haben). Die Ausgangsgewichte werden im System zufällig vergeben und werden von Iteration zu Iteration angepasst und optimiert – diesen Prozess nennt man Training.
Wie wird das Deep Learning Neural Network trainiert?
Das Training von Deep Learning Neural Network ist der komplexeste Teil des Verfahrens. Dafür gibt es vor Allem zwei Gründe:
- Man braucht sehr große Datenmengen
- Man braucht sehr hohe Rechnerkapazitäten
In unserem Beispiel oben würde man eine sehr große historische Datenmenge an Bahnkartenpreisen benötigen, um alle mögliche Input-Output Konstellationen analysieren und somit die Vorhersagen machen zu können.
Da das neurale Netz am Anfang noch nicht trainiert ist, werden die ersten Vorhersagen oft falsch sein und müssen korrigiert werden.
Die Funktion, die die Vorhersagen mit realen (historischen) Daten vergleicht, nennt man die Loss Funktion. Im Idealfall würden wir die Loss Funktion gleich Null sein. Mathematisch gesehen sollte man diese Funktion also minimieren. Dies erreicht man durch das so genannten Gradient Descent Verfahren. Die Gewichte der Neuronen werden dabei nach jeder Iteration so angepasst, so dass der Wert der Loss Funktion sich verringert.
Nachdem das Training abgeschlossen wurde, kann man das Neurale Netz für die Vorhersagen erfolgreich nutzen (z.B. für predictive Analytics).
Fazit
Zusammengefasst kann man sagen, dass Deep Learning for Business ein komplexes Verfahren ist, welches auf große Rechnerkapazitäten und Datenmengen setzt. Damit lassen sich aber eine große Menge von Business Fragestellungen beantworten, vor allem mit den unstrukturierten Daten, zum Beispiel:
- Texterkennung (Google Neural Machine Translation)
- Marketing Automation (Chat-Bots mit Reinforcement Learning, die eine optimale Gesprächsstrategie mit Kunden wählen)
- Spracherkennung (Automatisierte Untertitel basierend auf Lippenbewegungen)
- Bilderkennung (Google Maps und Street View)
und viele mehr. Wir bei Novustat beraten Sie gerne zu dem Themenbereich Machine Learning und zeigen Ihnen, wie Ihr Business davon profitieren kann. Kontaktieren Sie uns für ein Beratungsgespräch!