Deep Learning

Als Teilgebiet von Machine Learning basiert Deep Learning auf der Verwendung künstlicher neuronaler Netze und großer Datenmengen. Die Lernfähigkeiten neuronaler Netze sind denen des menschlichen Gehirns nachempfunden. Durch Deep Learning ist Künstliche Intelligenz in der Lage, eigene Prognosen oder Entscheidungen zu treffen. So lassen sich ganze Datenberge viel schneller als von Menschen selbst bewältigen. Die gängigsten Anwendungen finden sich in der Bild-, Text- und Spracherkennung.

Unterschied von Machine Learning und Deep Learning

Maschinelles Lernen verwendet zur Datenanalyse bestimmte vorbereitete Algorithmen. Ausgehend von dieser Analyse lernt Machine Learning und trifft Entscheidungen. Machine Learning nutzt demnach keine neuronalen Netze. Während bei Maschinellem Lernen strukturierte Datensätze notwendig sind, ist Deep Learning mithilfe der künstlichen neuronalen Netze in der Lage, auch unstrukturierte Daten sinnvoll zu verarbeiten und somit von sich aus zu lernen.

Aufbau neuronaler Netze

Als abstraktes, künstliches Modell des menschlichen Gehirns besteht ein neuronales Netz aus künstlichen Neuronen. Diese lassen sich in Input-, Hidden- und Output-Neuronen unterteilen. Während über Input-Neuronen Informationen aufgenommen werden, bilden die Hidden-Neuronen innere Informationsmuster ab, gewichten die eingegebenen Informationen nach diesen Mustern und geben die bearbeiteten Informationen an die Output-Neuronen weiter, die somit die letztendliche Entscheidung beinhalten. Je mehr Schichten ein neuronales Netz umfasst, desto komplexer können die abgebildeten Sachverhalte sein.

Konzept des Deep Learning

Mithilfe von Deep Learning lernen Maschinen, selbstständig zu lernen und sich ohne menschliche Unterstützung zu entwickeln und zu verbessern. Diese Weiterentwicklung kann nur erreicht werden, indem aus bestehenden Daten und Informationen Muster herausgefiltert und klassifiziert werden. Setzt man die gewonnenen Erkenntnisse in Beziehung zu weiteren Daten, verknüpfen sich diese in einem weiteren Kontext. Die erlernten Muster befähigen die Maschine dazu, eigene Entscheidungen auf Basis der Verknüpfungen zu treffen. Die Entscheidungen selbst werden ständig hinterfragt. Dadurch erhalten die Informationsverknüpfungen unterschiedliche Gewichtungen: Bestätigt sich eine Entscheidung, bekommt diese eine höhere Gewichtung. Wird sie revidiert, erhält sie eine niedrigere Gewichtung.

Zwischen der Input-Schicht und der Output-Schicht entstehen immer mehr Schichten mit Hidden-Neuronen und inneren Verknüpfungen. Wie der eigentliche Output aussieht, wird durch die Anzahl der Schichten und der Verknüpfungen entschieden.

Anwendungsgebiete von Deep Learning

Deep Learning kommt überall dort zum Einsatz, wo sich großer – und unspezifischer – Daten-Input nach Mustern sowie Modellen untersuchen und zu einem konkreten Ergebnis verarbeiten lässt. Typische Anwendungsgebiete neuronaler Netze sind beispielsweise:

• Bilderkennung
• Spracherkennung
• Schrifterkennung
• Steuerung komplexer Prozesse (z. B. autonomes Fahren)
• Prognosen für komplexe Systeme (z. B. Kundenverhalten)
• Frühwarnsysteme
• Maschinenbasiertes Übersetzen
• Wirtschaftsmodelle

Im Bereich des Marketing kann Deep Learning eingesetzt werden, um Kundenbedürfnisse besser zu verstehen, (potenziellen) Kunden passende Produkte oder Dienstleistungen vorzuschlagen oder deren Kaufverhalten zu prognostizieren. Mithilfe dieser Prozesse lassen sich zudem Möglichkeiten ableiten, um die Kundenbindung langfristig zu stärken.

Auch im Kundenservice kommt Deep Learning in Form von Chatbots gerne zum Einsatz, um Kundenfragen zu beantworten. Moderne Algorithmen erlauben es, immer komplexere Anfragen zu bearbeiten. Je mehr Anfragen von Kunden gestellt werden, desto größer der Lernerfolg des Chatbots.

In dieser Hinsicht wird für Marketer die Entwicklung von Emotion AI, also von künstlicher emotionaler Intelligenz, immer interessanter. Auch wenn Chatbots mittlerweile Kunden auf rationaler Ebene begegnen und weiterhelfen können, wird der personalisiert-emotionale Zugang oft noch vernachlässigt. Emotion AI, welche in der Lage ist, die kognitive sowie emotive Seite der menschlichen Kommunikation zu verstehen und Intentionen zu erfassen, kann die Kundenbeziehung essenziell optimieren.