Künstliche Intelligenz (KI) ist aus unserem Leben nicht mehr wegzudenken. Ganz gleich, ob es um Übersetzungen oder Bilderkennung geht, um Heilmethoden für Krankheiten oder die Entwicklung neuer Werkstoffe – in vielen Bereichen wird KI eingesetzt, um Menschen bei ihrer Arbeit zu unterstützen. Häufig taucht in diesem Zusammenhang der Begriff Deep Learning (DL) auf. Dieser Teil der TUP-Reihe zu KI befasst sich genauer mit dem Thema Deep Learning, um einen ersten Überblick zu geben.
Deep Learning ist, anders als vielleicht auf den ersten Blick vermutet, kein abstraktes oder futuristisches Konstrukt. DL stellt einen Teilbereich des Machine Learnings (ML) dar, das wir in diesem Beitrag näher beleuchtet haben. ML wiederum wird als ein Teilmenge des Themenfeldes KI angesehen.
Kurz gesagt ist DL eine Lernmethode, mit der Algorithmen beigebracht wird, autonom Aufgaben zu lösen. Dabei lernen diese durch den Einsatz von Testdaten selbstständig, was gleichgesetzt wird mit einer Art von Intelligenz, sprich einer schwachen KI. Ergo: DL wird angewendet, um KI herzustellen.
Deep Learning und Künstliche Neuronale Netze
Der Begriff DL ist dabei untrennbar mit dem der Künstlichen Neuronalen Netze (KNN) verbunden, denn sie sind die Grundlage dieser Lernmethode. KNN sind den Neuronengeflechten im menschlichen Gehirn nachempfunden. Die künstlichen Neuronen werden in hintereinander liegenden Schichten (englisch: Layer) angeordnet und sind miteinander vernetzt. In den einfachsten Modellen gibt es eine Eingabe- (Input Layer) und eine Ausgabeschicht (Output Layer) sowie eine dazwischen befindliche sogenannte ‚verborgene‘ Schicht (Hidden Layer). Ähnlich wie im menschlichen Gehirn entscheidet auch hier die Signalstärke, ob ein Signal von einer Schicht in die andere weitergeleitet wird. So wird am Ende das jeweilige Ergebnis beeinflusst. KNN sind so strukturiert, dass sich die einzelnen Signale gewichten und summieren lassen.
Hinter den KNN steckt aber nicht etwa unkoordiniertes wissenschaftliches Vorgehen. Das Grundkonzept basiert auf statistischen Rechenmethoden, wie etwa der logistischen Regression, die in diesem Video (Englisch) anschaulich erklärt wird.
In den zu verarbeitenden Daten sollen unter anderem mit Hilfe von Wahrscheinlichkeitsaussagen, Regelmäßigkeiten gefunden werden. Ein KNN entzerrt sehr komplexe Zusammenhänge in abstrakte Informationen und führt diese später wieder zu einer Interpretation zusammen. Die gewonnenen Erkenntnisse lassen sich dann mit anderen Daten in Bezug setzen und in einem weiteren Kontext verknüpfen. Stark vereinfacht ausgedrückt kann in diesem Zusammenhang auch von einer automatisierten, statistischen Auswertung von Daten gesprochen werden.
Herausforderungen beim Deep Learning
Von DL ist dann die Rede, sobald in einem KNN mehr als ein Hidden Layer vorhanden ist. Je mehr künstliche Neuronen und Schichten existieren, desto komplexere Sachverhalte lassen sich abbilden. Bis jedoch komplexe Problemstellungen, wie etwa bei der Bilderkennung, gelöst werden können, benötigt ein KNN eine große Menge an Trainingsdaten. Erst dann kann es mit großer Sicherheit Regelmäßigkeiten in den Daten erkennen. Je größer die Datenbasis, desto besser lernt das KNN. Einmal erlernt, kann das System dank DL dynamisch auf Veränderungen reagieren, ohne dass der Mensch noch eingreifen muss.
Die Verarbeitung dieser großen Datenmengen hat dem DL in den vergangenen Jahrzehnten Grenzen gesetzt. Da viel Rechenleistung vonnöten ist, um die schnelle Verarbeitung vieler Daten sicherzustellen, erlebte DL seinen Durchbruch erst in den letzten Jahren. Dabei reichen die dahinterstehenden Theorien sogar zurück bis in die frühen 1940er-Jahre.
Deep Learning in der Intralogistik
Da Deep Learning die Grundlage für Machine Learning bildet, wird es heutzutage in fast allen Systemen verwendet, die mit KI arbeiten. Bild- und Spracherkennung, die Steuerung komplexer Systeme, Frühwarnsysteme, Zeitreihenanalysen, die Steuerung autonomer Fahrzeuge – all das sind Anwendungsfälle, in denen DL eingesetzt wird, um den Menschen zu unterstützen.
Damit eignen sie sich auch besonders für den Einsatz in der Intralogistik. Hier kann es unter anderem bei der Mustererkennung zum Einsatz kommen. Mithilfe von DL können beispielsweise Trendartikel erkannt werden, woraufhin Maßnahmen zu deren optimierten Einlagerung getroffen werden können. Auch im Bereich der Artikelerkennung etwa bei Picking-Prozessen kann DL unterstützen (Pick-by-Vision, Pick-by-Voice etc.). Und auch beim Einsatz von Fahrerlosen Transport Systemen (FTS) hat DL zu entscheidenden Fortschritten geführt.
Fazit
Schon heute ist DL nicht mehr aus unserem Alltag wegzudenken. Es ist anzunehmen, dass die Leistungen, die durch DL erbracht werden aufgrund von weiter steigender Rechenleistung noch weiter zunehmen. Dazu trägt auch die fortschreitende Digitalisierung all unserer Lebensbereiche bei, was – Stichwort Big und Smart Data – wiederum die Datengrundlage für weitere DL-Anwendungen bilden kann. Auch in der Intralogistik wird DL weiter eine gewichtige Rolle spielen. Der bereits heute hohe Automatisierungsgrad innerhalb von Lagern sowie die (relativ) einfachen, wiederkehrenden Prozesse sind eine hervorragende Grundlage für DL-Algorithmen.
Autor Teaser-Bild: Carson Mastersion