Deep Learning ist ein Teilgebiet des maschinellen Lernens, das künstliche neuronale Netze mit mehreren Schichten verwendet. Diese tiefen Netzwerke lernen schrittweise immer abstraktere Merkmale aus Daten und bilden die technische Grundlage für LLMs, Bilderkennung und Sprachverarbeitung.
„Deep” bezieht sich auf die Tiefe des Netzwerks — die Anzahl der Schichten. Moderne LLMs wie GPT-4 enthalten Hunderte von Schichten und Milliarden von Parametern, die während des Trainings angepasst werden.
KI, ML und Deep Learning — wie sie zusammenhängen
| Begriff | Definition | Beispiel |
|---|---|---|
| KI | Übergeordnetes Ziel: Maschinen intelligent machen | Schachprogramme, Spracherkennung |
| ML | Methode: Lernen aus Daten statt expliziter Programmierung | Spam-Filter, Empfehlungssysteme |
| Deep Learning | Spezifische ML-Methode mit tiefen neuronalen Netzen | LLMs, Bilderkennung, Sprachsynthese |
Deep Learning ⊂ Machine Learning ⊂ Künstliche Intelligenz
Wie ein tiefes neuronales Netz lernt
1. Forward Pass: Eingabe (z. B. Text) fließt durch alle Netzwerkschichten. Jede transformiert die Daten und gibt sie weiter.
2. Loss berechnen: Netzwerkausgabe wird mit der gewünschten Ausgabe verglichen. Der Loss misst die Abweichung vom korrekten Ergebnis.
3. Backpropagation: Der Fehler pflanzt sich rückwärts durch das Netzwerk fort. Jede Verbindung erhält Anpassungsinformationen.
4. Gewichte anpassen: Gradient Descent justiert alle Gewichte, um den Fehler zu minimieren. Dieser Zyklus wiederholt sich milliardenfach.
LLM-Training dauert Wochen auf tausenden GPUs — und kostet Millionen von Euro.
Drei zentrale Anwendungsbereiche
Sprachverarbeitung: LLMs, Übersetzung, Zusammenfassung, Sentiment-Analyse — alle auf Deep-Learning-Architekturen wie Transformers basierend. Basis von ChatGPT und ähnlichen Systemen.
Bilderkennung: Qualitätskontrolle in der Fertigung, medizinische Bilddiagnose, automatisierte Dokumentenverarbeitung. Convolutional Neural Networks.
Prognosen: Nachfrageprognosen, Anomalieerkennung, Predictive Maintenance — Deep Learning erkennt komplexe zeitliche Muster. Recurrent Neural Networks.
Häufige Fragen
Muss ich Deep Learning verstehen, um KI zu nutzen? Nein. Für die meisten Unternehmensanwendungen reicht konzeptionelles Verständnis. Nutzer müssen kein Deep-Learning-Experte sein — genau wie Autofahrer keinen Verbrennungsmotor verstehen müssen.
Was unterscheidet Deep Learning von LLMs? Deep Learning ist die Methode; ein LLM ist das Ergebnis. Ein LLM ist ein tiefes neuronales Netz, das speziell für Sprachverarbeitung auf riesigen Textdatensätzen trainiert wurde.
Warum kam der Deep-Learning-Durchbruch erst in den 2010er Jahren? Drei Faktoren konvergierten: ausreichend Rechenleistung (GPUs), riesige Datensätze (Internet) und verbesserte Algorithmen. Neuronale Netze existierten seit Jahrzehnten — die Großskalierung erforderte diese Kombination.
Was ist ein Transformer? Eine von Google 2017 eingeführte Deep-Learning-Architektur, die heute alle großen Sprachmodelle unterstützt. Der „Attention”-Mechanismus ermöglicht das Verständnis von Beziehungen zwischen weit entfernten Wörtern.
Verwandte Begriffe
- LLM — Deep Learning für Sprache
- Fine-Tuning — Anpassung von Deep-Learning-Modellen
- Embeddings — Ausgaben tiefer neuronaler Netze
- NLP & NLU — Sprache mit Deep Learning verarbeiten