Deep Learning bezeichnet einen Teilbereich des maschinellen Lernens. Dabei kommen künstliche neuronale Netzwerke mit vielen aufeinanderfolgenden Schichten zum Einsatz. Beim Deep Learning sind diese Netzwerke besonders tief (englisch: deep), verfügen also über viele Schichten. Dabei lernt jede Schicht etwas anderes und gibt dieses Wissen an die nächste Schicht weiter. Die erste Schicht nimmt die Daten auf, die letzte gibt das Ergebnis aus. Das kann zum Beispiel eine Vorhersage oder eine Erkennung sein. Dazwischen liegen viele verborgene Schichten, die nach und nach das Ergebnis verbessern. Dieses Verfahren benötigt sehr viel Rechenleistung, weshalb dafür eine leistungsstarke Hardware benötigt wird [1]. Der Unterschied zu anderen Verfahren des maschinellen Lernens liegt daher in der Tiefe und Komplexität der verwendeten neuronalen Netze. Deep Learning wird vor allem beim Training moderner künstlicher Intelligenz (KI) eingesetzt, etwa für Bild-, Sprach- oder Objekterkennung [2].
Auf Deep Learning basiert auch die sogenannte Generative Künstliche Intelligenz. Sie kann selbst Inhalte erzeugen, zum Beispiel Texte oder Bilder. Möglich wird das, weil solche Systeme aus sehr vielen Beispielen lernen, wie Sprache oder Bilder typischerweise aufgebaut sind. Ein bekanntes Beispiel sind Large Language Models (LLMs), die Texte automatisch erstellen oder Fragen in natürlicher Sprache beantworten können.
Mehr dazu im Wissensplattform-Beitrag zu Large Language Modellen.
Neuronale Netze bestehen aus vielen kleinen Einheiten, die an Gehirnzellen (Neuronen) erinnern. Diese Einheiten arbeiten mit den Daten, die ihnen zur Verfügung gestellt werden und lernen mit ihnen. Dabei helfen sogenannte Gewichte und Biases. Das sind Parameter, mit deren Hilfe bestimmte Schwerpunkte gesetzt werden können, wie stark die Neuronen auf unterschiedliche Aspekte reagieren sollen [1]. Beim Lernen merkt sich das Netzwerk, was richtig oder falsch war, indem es ein Verfahren namens Backpropagation anwendet. Dabei wird der Fehler am Ausgang des Netzwerks berechnet und anschließend schrittweise durch die einzelnen Schichten zurückgegeben. Auf diese Weise kann das Netzwerk anpassen, welche Verbindungen (Gewichte) in den vorhergehenden Schichten verändert werden müssen, um den Fehler beim nächsten Durchlauf zu verringern. Dieser Lernprozess wird viele Male wiederholt, sodass das Netzwerk seine Vorhersagen mit der Zeit immer genauer macht [1].
Bekannte Frameworks im Kontext der Servicerobotik, mit denen solche Netzwerke zum Deep Learning aufgebaut werden können sind TensorFlow, PyTorch und Keras.
Anwendungsfälle
Deep Learning Algorithmen finden in unterschiedlichen Bereichen Anwendung. Das bekannteste Beispiel hierfür ist die Spracherkennung, wie sie bei Sprachassistenten wie Siri, Alexa und Co funktioniert [3]. In der Medizin hilft Deep Learning dabei, Krankheiten auf Röntgenbildern oder MRTs zu erkennen. Das kann Ärzt*innen unterstützen und dabei helfen, schneller eine Diagnose zu stellen [4]. Auch in der Verkehrstechnik findet man Deep Learning, etwa bei selbstfahrenden Autos, die lernen, Verkehrszeichen, Hindernisse oder andere Autos zu erkennen und entsprechend zu reagieren [5].
Deep Learning spielt aber auch in der Alltagsrobotik eine große Rolle. Roboter können dadurch lernen, komplexe Aufgaben zu verstehen und zu bewältigen – ähnlich wie ein Mensch. Dies ist besonders im Zusammenhang mit Personen- und Objekterkennung, Sprachsteuerung und Bewegungsplanung essentiell [6]. Insgesamt trägt Deep Learning dazu bei, Roboter alltagstauglicher zu machen, indem es ihnen erlaubt, Muster und Zusammenhänge aus großen Datenmengen zu nutzen, um ihre Umgebung zu erfassen und situationsangemessen zu reagieren.
Referenzen
[1] ibm. (2024, Juni 17). Was ist Deep Learning? [Online]. Verfügbar: https://www.ibm.com/de-de/think/topics/deep-learning. [Abruf: April 24, 2025].
[2] TH Köln. Kurz erklärt: Über KI, maschinelles Lernen und Deep Learning. [Online]. Verfügbar: https://www.th-koeln.de/hochschule/kurz-erklaert-ueber-ki-maschinelles-lernen-und-deep-learning_95656.php#:~:text=Und%20was%20ist%20Deep%20Learning,mehrschichtigen%20k%C3%BCnstlichen%20neuronalen%20Netz%20nachzubilden. [Abruf: April 24, 2025].
[3] B. Schwan. (2017, Oktober 19). Apple nennt Details zur Funktionsweise von „Hey Siri“. [Online]. Verfügbar: https://www.heise.de/news/Apple-nennt-Details-zur-Funktionsweise-von-Hey-Siri-3865090.html. [Abruf: Januar 7, 2026].
[4] N. Ahmidi. (2023, Juni 26). Künstliche Intelligenz im Gesundheitswesen. [Online]. Verfügbar: https://safe-intelligence.fraunhofer.de/artikel/medizin-kuenstliche-intelligenz-im-gesundheitswesen. [Abruf: Januar 7, 2026].
[5] A. Schwaiger. (2020, April 18). Bei Deep Learning auf Nummer sicher gehen. [Online]. Verfügbar: https://safe-intelligence.fraunhofer.de/artikel/kuenstliche-intelligenz-bei-deep-learning-auf-nummer-sicher-gehen. [Abruf: Januar 7, 2026].
[6] K. Isler. Deep Learning und Robotik: Potenziale für die Automatisierung von Arbeitsabläufen. [Online]. Verfügbar: https://www.hagel-it.de/it-insights/deep-learning-und-robotik-potenziale-fuer-die-automatisierung-von-arbeitsablaeufen.html. [Abruf: Januar 7, 2026].
