State of Neural Networks

Erst 2 Jahre ist es her, dass Google Tensorflow der Öffentlichkeit bereitgestellt hat. Tensorflow hat in diesen 2 Jahren eine rasante Entwicklung hingelegt. Durchschnittlich 1,5 Releases bringt die Community dabei monatlich heraus.

Neuronale Netze für alle

Hardwarekonzerne optimieren Grafikkarten speziell für den Einsatz mit Tensorflow und überbieten sich in den Berechnungsgeschwindigkeiten. Genauso rasant wie Tensorflow entwickelt sich momentan das komplette Feld der Neuronalen Netze. In immer kürzeren Abständen werden von Forschern neue Methoden entwickelt, welche das Arbeiten mit den Netzen vereinfachen oder beschleunigen. Die Technologie der Neuronalen Netze bleibt nicht mehr länger großen Konzernen vorbehalten, sondern erhalten Einzug in alle Unternehmen. 

Qualität und Schnelligkeit wachsen rasant

Bei Trevisto passen wir uns an diese Entwicklungsgeschwindigkeit an. Dauerte es anfangs noch 8 Stunden um ein Netz zu trainieren, sind es heute 5-20 Minuten - und das mit einer verbesserten Qualität in den Ergebnissen im Vergleich zu herkömmlichen Methoden. Zusätzlich wächst unser Wissen, das Verbesserungspotential der Architektur weiter auszuschöpfen, dessen Grenzen noch lang nicht erreicht sind. 

Die Konzentration der Märkte scheint dabei momentan auf Bildalgorithmen, Spracherkennung und Textverständnis zu liegen. Verhältnismäßig wenig findet man bisher zum analytischen Einsatz mit Daten, mit denen sich Firmen üblicherweise konfrontiert sehen: Vorhersage von Produktionsmengen, Optimierung von Steuerparametern, Kündigungsvorhersagen von Krediten, Betrugserkennung und ähnliches.

Die Chance besteht darin, dass Neuronale Netze ohne Hypothesen arbeiten. Durch ihren Aufbau sind sie in der Lage Zusammenhänge zu erkennen, die selbst Fachexperten verborgen bleiben. Sie lernen selbständig Verbindungen herzustellen, indem sie mit purer Rechenleistung und selbstoptimierenden Algorithmen Daten analysieren. 

Maschinelles Lernen – von Schnittgemüse bis Industriefolie

Wir als Trevisto entwickeln und forschen dazu an den unterschiedlichsten Themen des maschinellen Lernens. Für einen Kunden prognostizieren wir die voraussichtliche Abnahmemenge von Schnittgemüse, um Produktionsengpässe zu vermeiden. In einem anderen Fall setzen wir auf ein Training in der Cloud, damit Kunden keine eigenen Server vorhalten müssen. Bei der industriellen Folienherstellung optimiert maschinelles Lernen die Steuerparameter zur Verbesserung der Qualität der Folie. Und die Prognose von Fußballergebnissen oder Aktienkursen bieten ein weites Forschungsfeld für neue Methoden.