Ein Quadrat ist ein Rechteck, aber ein Rechteck ist kein Quadrat.
Wer diese einfache Logik begriffen hat, versteht, dass eine Gleichung nicht immer bidirektional sein muss. So lässt sich auch ein Beispiel aus der modernen Digitalisierung nennen:
Deep Learning = Machine Learning = Künstliche Intelligenz, aber
Künstliche Intelligenz ≠ Machine Learning ≠ Deep Learning
Bricht man das Konstrukt in seine einzelnen Elemente auf und versucht diese in Worte zu fassen, erhielte man in etwa das Folgende: nicht alles, was Künstliche Intelligenz ist, muss zwangsläufig Machine Learning sein; und nicht jede Methode des maschinellen Lernens ist automatisch Deep Learning. Jedoch trifft all dies in umgekehrter Betrachtungsweise zu.
Sind Sie noch dabei, das Gelesene zu verarbeiten und nachzuvollziehen? Dann laufen Ihre Neuronen auf Hochtouren. Sie bzw. Ihr Gehirn versucht die Reize zu verarbeiten, um somit adäquat auf die Umwelt reagieren zu können; ein solch neuronales Aneinanderketten lässt sich auch in der Welt der künstlichen Intelligenz finden. Dieses Netzwerk besteht aus mehreren Neuronen (Units), welche Knotenpunkte darstellen und der Aufnahme von Reizen aus der Umwelt an und der Weiterleitung an andere Units dienen.
Man unterscheidet in diesem Zusammenhang 3 Arten von Units bzw. Neuronen:
- Input-Units: Neuronen, die von der Außenwelt Signale (Reize, Muster) empfangen können.
- Hidden-Units: Neuronen zwischen Input und Output. Sie enthalten eine interne Vorstellung der Außenwelt.
- Output-Units: Units, die empfangene Signale an die Außenwelt abgeben.
Knoten, Units, Neuronen – jene Einheiten, die sich in derselben Ebene der Datenverarbeitung befinden (z.B. die 4 Inputs oder die 2 Outputs), werden zu einem Layer bzw. einer Schicht gruppiert.
Berücksichtigt man nun die Tatsache, dass ein Neuron Signale sowohl abgibt als auch empfängt, ist es nur schlüssig, dass eine Vielzahl von Zwischenebenen auftreten kann: Hidden-Layer 1, Hidden-Layer 2, Hidden-Layer 3, etc.
Man spricht in diesem Zusammenhang vom Deep Learning. Es handelt sich um eine spezielle Klasse von Optimierungsmethoden jener künstlichen neuronalen Netzwerke. Mittels Deep eLearning lassen sich auffallend gute Ergebnisse erzielen. Mit einer enormen Menge an Data (Big Data) kann das jeweilige Netz trainiert werden und so ein immenses Wissen zur schichtweisen Auswertung und Zusammenhangserkennung präsentieren, woraus es zwangsläufig zu multiplen Layers kommt.
