WEBVTT deep-learning-0001 00:00:00.380 --> 00:00:07.299 2012 halbierte ein tiefes neuronales Netz fast die Fehlerrate in einem wichtigen Wettbewerb der Bilderkennung. deep-learning-0002 00:00:07.729 --> 00:00:12.529 Die Grundlage war die Bilddatenbank ImageNet, 2009 vorgestellt, deep-learning-0003 00:00:12.759 --> 00:00:15.399 mit damals 3,2 Millionen Bildern. deep-learning-0004 00:00:15.873 --> 00:00:23.463 Im jährlichen Wettbewerb dazu lag der Top-5-Fehler des Siegers 2010 noch bei 28,2 Prozent. deep-learning-0005 00:00:23.857 --> 00:00:28.757 2012 erreichte das Team um Geoffrey Hinton 16,4 Prozent. deep-learning-0006 00:00:29.067 --> 00:00:32.766 Der Zweitplatzierte kam auf 26,2 Prozent. deep-learning-0007 00:00:33.216 --> 00:00:39.692 Ihr Netz, AlexNet, hatte 60 Millionen Parameter und wurde auf zwei Grafikkarten trainiert. deep-learning-0008 00:00:40.102 --> 00:00:44.502 2015 lag der Fehler nur noch bei 3,57 Prozent, deep-learning-0009 00:00:44.732 --> 00:00:48.912 erreicht mit residualen Netzen aus bis zu 152 Schichten. deep-learning-0010 00:00:49.382 --> 00:00:55.589 Zum Vergleich: Ein geschulter Mensch kam in einer Stichprobe auf geschätzt 5,1 Prozent. deep-learning-0011 00:00:56.019 --> 00:01:00.189 Dieser Vergleich beruht allerdings auf dem Schätzwert einer einzelnen Person. deep-learning-0012 00:01:00.509 --> 00:01:04.089 Er gilt für eine Testaufgabe, nicht für das Sehen insgesamt. deep-learning-0013 00:01:04.559 --> 00:01:10.109 Deep Learning heißt so, weil diese Netze aus vielen Schichten bestehen, also tief sind. deep-learning-0014 00:01:10.543 --> 00:01:12.253 Dahinter steht auch Rechenkraft. deep-learning-0015 00:01:12.403 --> 00:01:18.053 Seit Anfang der 2010er-Jahre verdoppelte sich der Trainingsaufwand etwa alle 6 Monate. deep-learning-0016 00:01:18.583 --> 00:01:23.113 Richard Sutton zog 2019 eine bittere Lehre: Allgemeine, deep-learning-0017 00:01:23.213 --> 00:01:26.202 rechenintensive Methoden setzen sich am Ende durch.