Deep Learning

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learnings und verwendet neuronale Netze und große Datenmengen. Die Lernmethoden richten sich nach der Funktionsweise des menschlichen Gehirns, wobei daraus die Fähigkeit resultiert eigene Prognosen oder Entscheidungen zu treffen.
Nach frühen theoretischen Erfolgen in den 1960er Jahren feiert Deep Learning in den letzten Jahren mit dem Vorhandensein der nötigen Rechenleistung einen neuen Boom. Aufgrund dieser Rechenleistung überholt DeepLearning mit seinen Einsatzmöglichkeiten und Vorteilen andere Machine Learning Verfahren.

Was kann man mit Deep Learning erreichen?

Mit Deep Learning kann man heutzutage grandiose Ergebnisse in den unterschiedlichsten Bereichen erzielen.

  • Lesen von Handschriften
  • Gesichtserkennung
  • Analyse aufgrund von Bilddaten bei Krankheitsdiagnosen (Röntgenbilder)
  • Verbesserung von Sicherheitsarchitekturen
  • Risikominimierung bei Finanztransaktionen
  • Selbst erlerntes Schach

Was sind die Vorteile zu Traditionellen Machine Learnig?

Die großen Vorteile von Deep Learning bestehen darin, dass der Feature-Space durch das Training (also aus den Daten) gelernt wird und dass Deep Neural Networks extrem viele Parameter besitzen, so dass beliebig komplexe Funktionen erlernt werden können, während bei traditionellem Machine Learning der Feature-Space durch den Experten vorgegeben oder gewählt wird und die Anzahl der Parameter nicht beliebig skaliert. An dem Beispiel der allgemeinen Personenerkennung bedeutet das Folgendes: Nach traditionellem Machine Learning ist es nahezu unmöglich den gesamten nötigen FeatureSpace zu erfassen, da es beliebig viele und unterschiedliche Personenmerkmale gibt. (Reaktion auf stehende Personen möglich, jedoch bei einer sitzender Person in einem Rollstuhl problematisch)
Damit eignet sich DeepLearning vor allem für komplexe Probleme, wie sie für gewöhnlich in der unkontrollierten Umgebung auftreten.
Am Beispiel der Oberflächenprüfung kann dadurch bei weitem besser mit Reflexionen, Spiegelungen oder mit Staub umgegangen werden.

Warum wir Deep Learning einsetzen?

Wir setzen Deep Learning ein, da wir komplexe Probleme der Bildverarbeitung im Bereich Railway, Automotive und Industrie lösen, wo sich Umgebungseinflüsse und Variationen nie vollständig kontrollieren lassen. Die Bildverarbeitung hat durch Deep Learning einen regelrechten Sprung sowohl in der Qualität, als auch in der Robustheit erreicht.

Wie ist der klassische Weg von einer Anwendung zu einer Deep Learning Anwendung?

  • Collection (Sammeln von Daten und Annotierung)
  • Cleaning (Qualitätskontrolle der Daten auf Überrepräsentierungen und Auswahl der Daten für das Training)
  • Model Building (Erstellen der Architektur des Neuronalen Netzes über das Training bis zur Evaluierung und der Optimierung)
  • Model Deployment (Integration des Neuronalen Netzes in die Applikation)

Das EYYES Framework

Mit dem modularen EYYES Framework sind wir in der Lage innerhalb kurzer Zeit Pototypen für Videoverarbeitungssysteme umzusetzen. Enthalten sind natürlich auch Module für Deep Learning, in denen trainierte Models eingesetzt werden können. Module können beliebig verknüpft und wiederverwendet werden. Es existieren bereits Module für unterschiedlichste Anwendungen und dieser Baukasten wird laufend erweitert.