Deep Learning: Wenn Maschinen lernen lernen

Schon lange träumt die Forschung davon, selbstständig denkende Maschinen zu erschaffen. Heute ist Artificial Intelligence ein blühendes Feld der Forschung und Innovationen. Deep Learning steht dabei als der Begriff im Zentrum, der wirkliche artifizielle Intelligenz erst ermöglicht: Er umschreibt die Fähigkeit künstlicher intelligenter Systeme, ihr Wissen selbstständig weiterzuentwickeln und anzupassen. Diese Technologie hat schon heute Einzug in den Tourismussektor gehalten: So ist etwa der Concierge-Roboter „Connie“, der auf der Watson-Technologie von IBM basiert, selbstlernend und optimiert seine Vorschläge nach jeder gestellten Frage.

Anfangs fokussierte sich die Artificial Intelligence-Forschung auf Aufgaben, die für Menschen schwierig, für die Maschine jedoch leicht zu lösen waren, so zum Beispiel mathematische Rechenaufgaben. Paradoxerweise sind gerade solche Probleme, die Menschen besonders schwerfallen, für Maschinen oft am einfachsten - und anders herum. Die neuere Forschung rückt genau solche Themen in den Mittelpunkt: Das Erkennen von Gesichtern, Sprache oder etwa Handschrift geschieht durch den Menschen intuitiv - verlangt jedoch der Maschine mehr als nur die Anwendung mathematischer Formeln ab. Das tägliche Leben der Menschen erfordert ein immens umfangreiches Wissen über die Welt. Vieles von diesem Wissen ist subjektiv und intuitiv und deshalb schwer formal zu beschreiben. Um sich intelligent verhalten zu können, müssen Computer solches Alltagswissen jedoch erfassen können.

Hier setzt Deep Learning an: Eine der Kernaufgaben der Artificial Intelligence ist es, eben jenes für Menschen alltägliche Wissen in das Repertoire der Maschinen zu transferieren. Anders als beim so genannten knowledge base approach wird den Systemen ihr Wissen nicht Stück für Stück „beigebracht“. Beim Deep Learning geht es darum, dass Maschinen „Lernen lernen“: Entscheidungen sollen hier nicht allein auf Basis der Eingabeattribute, sondern eigens weiterverarbeiteter Datensätze getroffen werden.

Der Weg zur Lösung dieser Aufgabe besteht darin, Computern beizubringen, die Welt als eine Hierarchie von Konzepten zu verstehen. Der Lernprozess ist dem zufolge in Form von mehreren Ebenen organisiert. Je höher die Ebene, desto komplexer und abstrakter werden die Konzepte. Am Ende der Kette stehen schließlich Merkmale, mit denen sich einzelne Klassen des zu erkennenden Objekts separieren lassen. Die einfachste Ebene könnte so zum Beispiel die Bildpunkte eines handschriftlichen Textes erkennen, während eine höhere bereits in der Lage sein könnte, darin Buchstaben zu erkennen. So wäre es letztendlich möglich, anhand der Bildpunkte Worte und letztendlich deren Bedeutung zu erkennen. Durch die Aufteilung in verschiedene „layers“ wird die vormals komplizierte Datenverarbeitung einzelne Subprozesse aufgeteilt und vereinfacht.

Einige Anwendungsbereiche des Deep Learning sind schon heute längst nicht mehr aus unserem Alltag wegzudenken – so etwa Sprach- und Bilderkennungssoftwares oder auch Produktempfehlungen, die aus dem Auslesen von Browserdaten generiert werden.

Die Einsatzmöglichkeiten von Deep Learning im Tourismus sind besonders vielseitig - Man denke dabei an den eingangs vorgestellten Concierge-Roboter, der sein Repertoire an Antworten bei jeder neuen Frage zu perfektionieren wissen wird. Obwohl zugrundeliegende Verfahren schon seit mehreren Jahren erprobt werden und bereits erste kommerzielle Anwendungen umgesetzt werden konnten, steht Deep Learning noch am Anfang seiner Entwicklung - und lässt die Möglichkeiten der Zukunft mit großer Spannung erwarten.

Kenric McDowell arbeitet seit zwanzig Jahren an der Schnittstelle von Kultur und Technologie. Sein Werdegang umfasst Arbeiten für R/GA, Nike, Focus Features, HTC Innovation und Google. Derzeit leitet Kenric das Artists + Machine Intelligence Program bei Google Research, eine Plattform, die Kooperationen zwischen Künstlerinnen und Künstlern, Kulturinstitutionen und Google AI-Forschern ermöglicht.

Kenric McDowell hält regelmäßig Vorträge über Kunst und interdisziplinäre Zusammenarbeit und war in dieser Funktion bereits bei MacArthur Foundation, Serpentine Gallery, Eyebeam, UCLA IDEAS, Nabi Art Center und dem Google Arts & Culture Lab in Paris. Kenric erhielt seinen MFA (master of fine arts) vom International Center for Photography-Bard in New York City.