Das Konzept von Deep Learning ist relativ einfach. Die Idee ist, einfache Funktionen miteinander zu kombinieren, um komplexe Funktionen anzunähern und damit komplexe Entscheidungen treffen zu können. Einzelne Informationen aus den Eingangsdaten werden in aufeinanderfolgenden Abstraktionsebenen, sog. Schichten, Schritt für Schritt verarbeitet. Dies erledigen die Bausteine der Schichten, die sogenannten Neuronen. Die Neuronen nehmen die Information aus der vorherigen Schicht auf, verarbeiten sie und leiten sie dann an die nachfolgende Schicht weiter. Deep Learning bedeutet nun, dass man die Verknüpfung von Neuronen, d.h. wie die Information weitergeleitet wird, aus Beispieldaten lernt. Diese Hierarchie aus Schichten und Neuronen ermöglicht es dem Computer, komplizierte Konzepte zu lernen, indem er sie aus einfacheren Konzepten aufbaut.
All diese Beispiele zeigen, dass Deep Learning der Schlüssel zum Erfolg für viele KI-Anwendungen auch im alltäglichen Leben sein kann. Der Ansatz findet häufig dort Einsatz, wo es schwierig ist, manuelle Regeln oder Vorgehensweisen anzuwenden. Das Ganze ist nicht neu, erste Experimente mit sehr wenigen Schichten und nur einer Handvoll Neuronen gab es bereits Ende der 50er bzw. Anfang der 60er Jahre des vorherigen Jahrhunderts. Aber erst seit dem Vorhandensein von Rechenleistung und vor allem dem Vorhandensein von Daten, ist Deep Learning praktikabel und erfolgreich einzusetzen.
Julian Wörmann ist stellvertretender Leiter des Kompetenzfeldes Maschinelles Lernen bei der fortiss GmbH. Seine Forschungsinteressen im Bereich des Repräsentationslernens konzentrieren sich auf Anwendungen in der Signalverarbeitung, Computer Vision und Bildverarbeitung sowie der Mustererkennung. Die Anwendungsgebiete reichen vom autonomen Fahren, über Smart Energy bis hin zu Business Analytics. An sein Bachelorstudium der Medientechnik knüpfte er seinen Masterabschluss in Elektrotechnik und Informationstechnik an der Technischen Universität München an, wo er 2019 zum Dr.-Ing. promoviert wurde.