Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Computer&AUTOMATION · PORTRÄT EINER BRANCHE 2020 21 21 Deep-Learning-Methoden nutzen neuronale Netzarchitekturen mit vielen Ebenen Deshalb werden Deep-Learning-Modelle häufig als tiefe neuronale Netze bezeichnet Der Begriff tief bezieht sich auf die Anzahl verborgener Schichten des neuronalen Netzes tiefe Netze enthalten bis zu 150 verborgene Schichten Deep-Learning-Modelle benötigen für das Training sehr umfangreiche gekennzeichnete Datensätze zum Beispiel Millionen von Bildern für die Bilderkennung und lernen die Erkennung von Merkmalen direkt aus den Daten ohne dass eine manuelle MerkmalsExtraktion erforderlich ist Je mehr Trainingsdatensätze zur Verfügung stehen desto höher ist die Erkennungsgenauigkeit Deep Learning erfordert zudem sehr viel Rechenleistung für deren Bereitstellung häufig Hochleistungs-GPUs zum Einsatz kommen Aufgrund dieser Anforderungen wird es erst seit kurzer Zeit in der Praxis eingesetzt obwohl die Theorie des Deep Learning bereits in den 1980er-Jahren begründet wurde Die Erkennungsgenauigkeit von Deep Learning Algorithmen übertrifft inzwischen die von Menschen in einigen Anwendungsfeldern etwa bei der Klassifikation von Objekten auf Bildern Beispiele für Deep Learning in der Praxis ● Automatisiertes Fahren Automatische Erkennung von Objekten wie Stoppschildern Ampeln und Fußgänger ● Luftund Raumfahrt Identifizierung von Objekten Zonen und Gebieten per Satellit ● Bildauswertung in der medizinischen Forschung Automatische Erkennung von Krebszellen Interpretation von CTs und MRTs ● Industrieautomatisierung Erhöhung der Arbeitssicherheit an Maschinen durch Erkennung von Personen oder Objekten im Arbeitsbereich ● Interpretation von Sprache und Text Elektronik Automatisiertes Hören und Sprechen automatisierte Übersetzungen Reinforcement Learning Die KI für virtuelle Modelle Reinforcement Learning ist eine Form des Machine Learning mit der ein Computer durch wiederholte Interaktionen mit einer dynamischen Umgebung lernt eine Aufgabe auszuführen Auf diese Weise lassen sich Regelungen und Entscheidungssysteme für komplexe Systeme wie Roboter und autonome Systeme implementieren Mit einem iterativen Trialand-ErrorAnsatz werden Daten aus einem dynamischen System generiert anhand derer der Computer lernt Entscheidungen zu treffen und eine beste Abfolge von Aktionen zu finden zum Beispiel für einen Bewegungsablauf oder eine Abfolge von Spielzügen Dies erfolgt ohne menschlichen Eingriff und ohne dass der Computer explizit für diese Aufgabe programmiert ist Ein bekanntes Beispiel für Reinforcement Learning ist AlphaGo das erste Computerprogramm das einen Weltmeister im Go-Spiel besiegt hat Ziel eines Reinforcement-LearningAlgorithmus ist es eine Strategie zu finden die zum optimalen Ergebnis führt Hierzu interagiert eine sogenannte Agenten-Software mit einer Umgebung um diese zu erkunden und von ihr zu lernen Der Agent besteht aus einer Strategie die einen Eingabezustand einer Ausgabeaktion zuordnet und einem Trainingsalgorithmus der diese Strategie aktualisiert und optimiert Der Agent misst seine Leistung in Bezug auf die Aufgabenziele anhand eines positiven oder negativen Belohnungssignals das aus der Umgebung berechnet wird Der Algorithmus aktualisiert die Strategie so dass das langfristige Belohnungssignal maximiert wird Beispiele für Trainingsalgorithmen sind Deep-Q-Netze Actor-Critic und Deep Deterministic Policy Gradients Strategien können durch tiefe neuronale Netze Polynome und Lookup-Tabellen dargestellt werden Für Anwendungen wie die Robotik und autonome Systeme kann das Training eines RL-Algorithmus in der realen Welt mit echter Hardware teuer und gefährlich sein Daher werden für das Reinforcement Learning meist virtuelle Modelle der Umgebung eingesetzt die Daten durch Simulationen erzeugen Der Beitrag wurde von MathWorks bereitgestellt