Grundbegriffe

Deep Learning

Deep Learning ist ein Verfahren des maschinellen Lernens, bei dem künstliche neuronale Netze mit vielen Schichten selbstständig Muster in Daten erkennen. Es steckt hinter KI-Werkzeugen, die euer Betrieb schon nutzt, etwa Texterkennung oder Sprachassistenten.

Das Wichtigste in Kürze

Flache neuronale Netze haben nur 2–3 Schichten, Deep-Learning-Modelle oft Hunderte davon.
Der Begriff „deep“ (tief) bezieht sich auf die Anzahl der verborgenen Schichten im Netz.
Modelle lernen relevante Merkmale selbst aus Daten – keine manuelle Regeldefinition nötig.
Grundlage für Bild-, Sprach- und Texterkennung sowie große Sprachmodelle wie ChatGPT.

Was ist das?

Deep Learning ist ein Verfahren des maschinellen Lernens. Es nutzt künstliche neuronale Netze mit mehreren aufeinanderfolgenden Schichten aus einfachen Recheneinheiten, den sogenannten Neuronen. Jede Schicht verarbeitet die Ausgabe der vorherigen weiter und erkennt dabei zunehmend abstraktere Merkmale in den Daten.

Der Name kommt von der Tiefe des Netzes: Je mehr verborgene Schichten zwischen Ein- und Ausgabe liegen, desto „tiefer“ ist das Modell. Netze mit nur zwei bis drei Schichten gelten als flache neuronale Netze, moderne Deep-Learning-Modelle bestehen dagegen oft aus Hunderten miteinander verbundener Schichten.

Eine Analogie aus dem Betriebsalltag: Stellt euch eine Fließbandfertigung vor, bei der jede Station das Werkstück ein Stück weiterbearbeitet. Bei Deep Learning übernimmt jede Netzschicht eine solche Verarbeitungsstufe – aus Pixeln wird schrittweise ein erkanntes Gesicht, aus Lauten ein verstandenes Wort.

Entscheidend ist, dass das Netz die relevanten Merkmale selbst aus großen Datenmengen lernt, statt dass Menschen sie vorab festlegen. Das macht Deep Learning zur technischen Grundlage vieler Anwendungen, die euer Betrieb heute vielleicht schon nutzt – von Texterkennung über Chatbots bis zur Bilderkennung in der Qualitätskontrolle.

Was bringt das eurem Betrieb?

Deep Learning steckt heute in vielen fertigen Werkzeugen, die euer Betrieb ohne eigenen Programmieraufwand einsetzen kann – von der automatischen Rechnungserkennung bis zum Chatbot im Kundenservice. Ihr müsst das Verfahren selbst nicht verstehen, um davon zu profitieren: Entscheidend ist, welche fertige Anwendung darauf aufbaut und ob sie zu eurem Prozess passt.

Ein Beispiel aus der Praxis: In der optischen Qualitätskontrolle setzen manche Betriebe Deep-Learning-Modelle ein, um Bilder automatisch auf Fehler zu prüfen. Wie zuverlässig das im Einzelfall funktioniert, hängt stark von den Trainingsdaten ab – deshalb bleibt eine stichprobenartige menschliche Kontrolle sinnvoll.

Auch bei der Dokumentenverarbeitung – etwa beim automatischen Auslesen von Rechnungen oder Lieferscheinen – arbeiten viele Systeme mit Deep Learning im Hintergrund. Das spart manuelle Erfassungszeit. Wichtig ist trotzdem, Ergebnisse stichprobenartig zu prüfen, denn auch gute Modelle liegen nicht immer richtig.

Was kostet das?

Deep Learning selbst kauft ihr nicht ein – ihr nutzt es indirekt, wenn ihr ein KI-System einsetzt, das darauf aufbaut, etwa Bilderkennung, Chatbot oder Spracherkennung. Die Kosten hängen von der konkreten Anwendung ab: fertige Cloud-Dienste werden oft nutzungsbasiert abgerechnet, individuell trainierte Modelle sind deutlich aufwendiger.

Einflussfaktoren sind vor allem die benötigte Datenmenge, die Trainingszeit auf spezialisierter Hardware und ob ein bestehendes Modell nur angepasst (Fine-Tuning) oder komplett neu trainiert wird – Letzteres ist teurer und für die meisten Mittelständler selten nötig.

Euer erstes KI-System, das solche Verfahren nutzt, bekommt ihr bei AI READY zum Festpreis ab 3.500 €.

Beispiel aus dem Mittelstand

Ein Hersteller von Präzisionsteilen mit 60 Mitarbeitenden setzt eine kamerabasierte Qualitätskontrolle ein, die auf einem Deep-Learning-Modell beruht. Statt dass zwei Mitarbeitende jedes Werkstück per Auge prüfen, erkennt das System Kratzer und Maßabweichungen automatisch und markiert nur auffällige Teile zur Nachkontrolle. Die beiden Mitarbeitenden übernehmen jetzt die Nachkontrolle und andere Aufgaben in der Qualitätssicherung.

Häufige Fragen

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das speziell neuronale Netze mit vielen Schichten nutzt. Klassisches Machine Learning kommt oft mit einfacheren Modellen und weniger Daten aus, während Deep Learning erst bei großen Datenmengen seine Stärke ausspielt.

Wie viele Schichten braucht ein Deep-Learning-Modell?

Es gibt keine feste Zahl – der Begriff „tief“ bezieht sich einfach auf mehr Schichten, als flache Netze haben. Netze mit nur zwei bis drei Schichten gelten als flach, moderne Deep-Learning-Modelle bestehen oft aus Hunderten Schichten; wie viele es im Einzelfall braucht, hängt von der Komplexität der Aufgabe ab.

Muss ich Deep Learning verstehen, um KI in meinem Betrieb einzusetzen?

Nein, für die meisten Anwendungsfälle reicht es zu wissen, was ein fertiges System leistet und wo seine Grenzen liegen. Das technische Verständnis wird vor allem relevant, wenn ihr Anbieterversprechen einordnen oder eigene Daten für ein Training bereitstellen wollt.

Ist ein Sprachmodell (LLM) dasselbe wie Deep Learning?

Nein, ein LLM ist eine konkrete Anwendung, die auf Deep-Learning-Techniken aufbaut, aber Deep Learning umfasst deutlich mehr Anwendungsbereiche als nur Sprachmodelle. Auch Bilderkennung oder Predictive Maintenance nutzen dieselbe zugrunde liegende Technik.