Deep Learning und maschinelles Lernen

Amazon und Netflix haben nicht nur den Status Quo gekippt, sondern auch die Tür für nachfolgende „Digital Native“-Start-ups der Medienbranche aufgestoßen, die nicht vor dem Problem stehen, traditionelle Betriebsabläufe und Geschäftsprozesse umstellen zu müssen. Während die Technologie immer weiter voranschreitet, werden Marken, die auf ML und DL setzen, einen stetig zunehmenden Vorsprung gegenüber Konkurrenten erzielen, die es ihnen nicht gleichtun.

Um diese Konzepte unmissverständlich klar zu machen, werfen wir zunächst einmal einen kurzen Blick auf die Definitionen dieser Technologien und ihre Beziehungen zueinander, um dann anschließende den Einsatz von ML und DL in der Medien- und Unterhaltungsbranche unter die Lupe zu nehmen.

Matroschkas für alle

Während der Schwerpunkt dieses Beitrags in erster Linie darauf liegt, ML und DL voneinander abzugrenzen, ist es wichtig, zu verstehen, dass beide Teilbereiche der künstlichen Intelligenz (KI) sind. Ohne KI kann es kein maschinelles Lernen oder Deep Learning geben. Um die Beziehung zwischen künstlicher Intelligenz, maschinellem Lernen und Deep Learning zu vereinfachen, kann man sie sich visuell als ineinander verschachtelte Technologie- Matroschkas vorstellen.

Wir beginnen mit der größten Puppe (KI) und arbeiten uns dann nach innen zur mittelgroßen Puppe (ML) und schließlich zur kleinsten Puppe (DL) vor.

Künstliche Intelligenz

Das Bemühen um die Definition maschineller Intelligenz begann vor mehr als einem halben Jahrhundert. 1956 rief John McCarthy – ein Gründungspionier der KI – die Dartmouth Conference ins Leben, die die ernsthafte Entwicklung künstlicher Intelligenz vorantreiben sollte, und gab zu diesem Anlass Folgendes zu Protokoll:

„Jeder Aspekt des Lernens oder irgendeines anderen Intelligenzmerkmals kann im Prinzip so genau beschrieben werden, dass er mittels einer Maschine simuliert werden kann. Wir wollen versuchen, herauszufinden, wie man Maschinen dazu bringen kann, Sprache zu verwenden, Abstraktionen und Konzepte zu bilden, Probleme zu lösen, die aktuell Menschen vorbehalten sind, und sich selbst zu verbessern.“

Artificial intelligence drives the technologies that empower transformation: automation (of repetitive/error-prone processes), containerization and rendering (for scalable, on-demand content creation), and more. Artificial intelligence requires more human interaction than ML and DL because of AI’s foundational data dependency and its parental role to these subsets.

Künstliche Intelligenz ist die Basis transformativer Technologien: Automatisierung (von repetiven/fehleranfälligen Prozessen), Containerisierung, Rendering (für skalierbare Erstellung von Inhalten nach Bedarf) und mehr. Künstliche Intelligenz erfordert aufgrund ihrer grundlegenden Datenabhängigkeit und ihrer übergeordneten Rolle mehr menschliche Interaktion als ihre Teilgebiete ML und DL.

Im Gegensatz dazu sind ML und DL Lerntechnologien, die repetitive und fehleranfällige Prozesse ersetzen sollen. Der Mensch entwickelt also eine KI, die intelligent genug ist, um als Basis dieser Automatisierungstechnologien zu dienen und hat so mehr Zeit, um in anderen Bereichen wie Vertrieb oder kreativer und fortgeschrittenerer Entwicklung produktiver zu sein.

Mehr über den Einsatz von AI- (und cloudbasierten) Anwendungen im Medien- und Unterhaltungsbereich erfahren Sie in unserem neuesten Whitepaper, DREI ZWINGENDE TECHNOLOGIEN FÜR DIE MEDIEN- UND UNTERHALTUNGSBRANCHE.

Lassen Sie uns nun unserer Analogie folgend eine Schicht nach innen zu den nächsten beiden Puppen kommen, dem maschinellen Lernen und Deep Learning. Diese beiden KI-gesteuerten Technologien können nach Art und Zielsetzung unterschieden werden. Man könnten sagen, dass maschinelles Lernen zum Einsatz kommt, wenn das Ziel bekannt ist, während Deep Learning für Lernaufgaben mit unbekanntem Ziel gedacht ist.

ML: „Verstanden! Alles Weitere übernehme ich.“

Drei Jahre nachdem McCarthy seine Vision von KI verkündet hatte, definierte Arthur Samuel – ein Pionier für maschinelles Lernen – ML als: "Ein Forschungsgebiet, das Computern die Fähigkeit verleiht, zu lernen, ohne explizit programmiert zu werden."

Wenn ML Zugriff auf Daten erhält, kann es sich schrittweise verändern, ganz ähnlich, wie ein Kind nach seiner Geburt erst krabbeln und schließlich laufen lernt. Algorithmen für maschinelles Lernen optimieren auf ein bekanntes Ziel hin – entweder um Fehler zu minimieren oder um die Vorhersagegenauigkeit immer weiter zu verbessern.

DL: „Wie wäre es mit einer genaueren – und schneller gefundenen – Antwort?“

Dieses Teilgebiet ist am engsten mit der Funktionsweise des menschlichen Gehirns verwandt und kann riesige Datenmengen auf hierarchische Art und Weise verarbeiten.

DL nutzt die Fähigkeiten von Grafikprozessoren (GPUs), um komplexere Probleme mit unschlagbarer Genauigkeit zu lösen, und ist verantwortlich für technologische Neuerungen wie Bild- und Tonerkennung, Empfehlungssysteme, Verarbeitung natürlicher Sprache (natural language processing – NLP) und mehr.

Durch maschinelles Lernen werden Prozesse zuverlässig, bei denen Menschen häufig Fehler passieren. Auf diese Weise wird nicht nur die Effizienz verbessert und Verlust reduziert sondern auch Kapazitäten frei, um Zeit in produktivere und innovativere Aktivitäten zu investieren. Vorausfüllung von Daten auf Plattformen, Datenverkehrsregeln und VAST-Tag-Management sind Bereiche, in denen ML neue Effizienzmaßstäbe setzt. Deep Learning steht hinter den wichtigsten Fortschritten im Zusammenhang mit der Personalisierung von Benutzererfahrungen durch Empfehlungs-Engines, Chatbots und sogar Neuromarketing-Forschung.

Zusammenfassend

Unternehmen, die sich jetzt optimal auf KI, ML und DL einstellen, werden einen erheblichen Wettbewerbsvorteil genießen, wenn diese Technologien zu Industriestandards der Medien- und Unterhaltungsinfrastruktur werden.

Bei SoftServe verfügen wir über ein globales Team von Daten-, KI- und ML/DL-Experten, das aus mehr als 5.500 Mitarbeitern besteht und auf 26 Jahre Erfahrung sowie bis dato 4.500 Erfolgsgeschichten unserer Unternehmenskunden zurückblicken kann. Der Weg der Veränderung hin zu einer vollständigen Ausschöpfung des Potenzials von KI, ML und DL ist lang, aber wir vertreten den Ansatz, in großen Maßstäben zu denken und noch heute klein anzufangen.

Reden wir darüber, wie KI, ML und DL Ihr Unternehmen heute verändern werden.