Das Zitat stammt von Mark Cuban, einem US-amerikanischen Selfmade-Milliardär, der unter anderem Besitzer des Basketballteams Dallas Mavericks ist. Cuban hat diese Prognose schon 2017 abgegeben – also vor deutlich mehr als drei Jahren. Allerhöchste Zeit also, sich mit diesen Tech-Themen und den großen Potenzialen für Ihr Business intensiv zu beschäftigen und damit Ihr Unternehmen vor dem Schicksal der Dinos zu bewahren.
Wesentlich verantwortlich für die erstaunlichen Leistungen von Künstlicher Intelligenz (KI) – auch auf Deutsch oft Artificial Intelligence (AI) genannt – ist das erwähnte Deep Learning, eine Lerntechnik, die Computern die Fähigkeit verleiht, Muster in Unmengen von Datensätzen aufzuspüren und zu entschlüsseln. Die Grundlagen für Deep Learning wurden schon in den 1950er Jahren geschaffen. Aber erst heute reichen die technischen Rahmenbedingungen aus, um die Technologie für Unternehmen aller Branchen gewinnbringend zu nutzen.
In der Praxis werden Deep-Learning-Modelle bereits in vielen Anwendungsgebieten eingesetzt, bei denen komplexe Muster in großen Datenmengen erkannt werden müssen – etwa bei der Bilderkennung, der natürlichen Sprachverarbeitung, bei Empfehlungssystemen im Marketing, im Kundenservice oder beim autonomen Fahren. Durch den technologischen Fortschritt bei Deep Learning eröffnen sich Unternehmen zahlreiche Chancen. Welche genau, erfahren Sie in diesem Artikel. Zugleich – das soll hier nicht verschwiegen werden – gibt es auch einige Risiken, mit denen wir uns ebenfalls beschäftigen werden.
Was ist „tief“ an Deep Learning?
Zunächst zur Definition: Deep Learning ist eine Unterdisziplin des Machine Learning, die auf neuronale Netze setzt, um bessere Leistungen zu ermöglichen, wenn es um Aufgaben wie Mustererkennung oder automatisiertes Lernen geht. Deep Learning ist besonders nützlich, wenn große Datenmengen und komplexe Strukturen analysiert werden sollen.
Deep-Learning-Modelle verwenden künstliche beziehungsweise tiefe neuronale Netze (im Fachenglisch artificial neural networks oder deep neural networks). Das sind Algorithmen , die das menschliche Gehirn nachahmen und aus vielen Schichten bestehen – daher auch „Deep“ Learning. Jede Schicht repräsentiert ein bestimmtes Muster, etwa Geschäftsprozesse oder Kundenverhalten. Die Verknüpfung und Entschlüsselung dieser Muster ermöglicht es, Vorhersagen zu treffen, beispielsweise neue Geschäftschancen auf Grundlage von Daten frühzeitig zu identifizieren.
Weil neuronale Netze in der Lage sind, wichtige Informationen aus Bildern, Texten, Videos oder Tonaufnahmen herauszufiltern, eignet sich die Technologie besonders für komplexe unstrukturierte Daten. In der Regel erfordern Deep-Learning-Modelle erheblich mehr Daten als Machine-Learning-Konzepte, die ohne neuronale Netze auskommen. Es gilt: Je größer die Datenmenge (Big Data), desto besser funktioniert tiefes Lernen.
Die Maschine denkt wie der Mensch
Deep-Learning-Modelle imitieren also unser Gehirn, weshalb sie ganz ähnlich vorgehen wie Menschen:
- Eine Aufgabe verstehen: relevante Daten werden herausgezogen.
- Über den Lösungsweg nachdenken – die Daten werden analysiert.
- Eine Schlussfolgerung ziehen – es wird eine Prognose abgegeben.
Allerdings kann die Maschine natürlich viel mehr Informationen in viel kürzerer Zeit analysieren als unser Gehirn.
![Eine Infografik, die die Unterschiede zwischen KI, Machine Learning und Deep Learning zeigt](https://www.salesforce.com/de/blog/wp-content/uploads/sites/7/2024/01/deep-learning-infografik.png?w=1000)
Das Ziel: verlässliche Vorhersagen für gute Entscheidungen
Innerhalb der neuronalen Netze sind Neuronen die grundlegenden Bausteine, die dazu gebraucht werden, Informationen zu verarbeiten – vergleichbar mit biologischen Neuronen im menschlichen Gehirn. Die künstlichen Neuronen sind in Schichten angeordnet und untereinander verbunden. Jedes davon sendet und empfängt Signale an benachbarte Neuronen. Während des Trainingsprozesses lernt das neuronale Netz, indem es die Gewichtungen dieser Neuronen anpasst, um Unterschiede zwischen den vorhergesagten und tatsächlichen Ausgaben zu reduzieren. Das Ziel: verlässliche Vorhersagen treffen, die zu guten Entscheidungen führen.
Zur besseren Veranschaulichung ein Bild aus dem Sport. Stellen Sie sich ein neuronales Netz wie eine Fußballmannschaft vor, in der Spieler (Neuronen) den Ball (Informationen) untereinander weitergeben. Durch das Training verbessern sie sich darin, ihre Schüsse (Gewichtungen) anzupassen. Das Ziel hier: gute Entscheidungen in Form von mehr Toren.
Deep Learning für Ihr Unternehmen: Marketing, Kundenservice und mehr
Sie sind auf der Suche nach Lösungen für Ihren Geschäftsbereich, die Kosten einsparen, für mehr Effizienz sorgen, zu besseren Kundenbeziehungen oder zu neuen Geschäftsmodellen führen? Deep-Learning-Methoden bieten Unternehmen dafür zahlreiche Anwendungsmöglichkeiten. Hier ein Überblick über die wichtigsten Einsatzfelder:
Bilderkennung: Gesichter identifizieren, Objekte zuordnen – alles blitzschnell. Unternehmen können die Bilderkennung mithilfe von Deep-Learning-Programmen zum Beispiel für Sicherheitssysteme, Kundenerkennung und Qualitätskontrolle nutzen.
Sprachverarbeitung: Das Verständnis natürlicher Sprache hat die Entwicklung von Chatbots und Sprachassistenten für Smartphones, Tablets und Freisprecheinrichtungen erst in Gang gesetzt und heute schon zu einem selbstverständlichen Bestandteil unseres Alltags gemacht.
Marketing: Deep-Learning-gestützte CRMs schaffen Raum für proaktives Engagement und personalisierte Produktempfehlungen, immer an den Vorlieben der Kund:innen ausgerichtet. So trägt Deep Learning dazu bei, Kundenbedürfnisse besser zu verstehen. Beispiel: Wer vor jeder Fußballsaison traditionell neue Fanartikel kauft, dem könnten zum genau richtigen Zeitpunkt entsprechende E-Mails mit Artikeln des Lieblingsteams angezeigt werden.
Verkauf: Durch historische Verkaufserfolge und äußere Einflussfaktoren werden genaue Umsatzprognosen getroffen, was zu optimierten Lagerbeständen und Vertriebsstrategien führt. Wenn die Verkäufe in einem bestimmten Kundensegment stark ansteigen, erkennt ein auf Deep Learning basierendes CRM-System das Muster und gibt seine Empfehlung ab (z.B. die Marketingausgaben erhöhen, um noch mehr Personen dieser Zielgruppe zu erreichen).
Kundenservice: Deep Learning kann dazu verwendet werden, Kundenanfragen über Chatbots zu automatisieren. Diese Bots sind in der Lage, komplexe Fragen zu beantworten und Kund:innen rund um die Uhr schnell und gezielt zu unterstützen, wodurch der Kundenservice effizienter wird.
Personalwesen: Deep Learning Modelle helfen bei Mitarbeitermanagement und -entwicklung sowie bei der Auswahl von Bewerber:innen. Hier gleichen sie Profile mit gewünschten Anforderungen ab. Vor allem in diesem Bereich ist es essentiell, dass die KI über keine angelernten Vorurteile verfügt und Entscheidungen objektiv trifft.
Medizin: Unterstützt von Deep Learning können Ärzt:innen und medizinische Fachkräfte konkrete Handlungsempfehlungen erhalten – indem die Technologie etwa Röntgenbilder analysiert, bei Medikationsplänen oder der automatischen Rezeptausstellung hilft und in der medizinischen Forschung gewisse Merkmale und Zusammenhänge in großen Datensätzen erkennt.
Autonomes Fahren: Auch bei der Entwicklung autonomer Fahrzeuge spielt Deep Learning eine entscheidende Rolle. Es verbessert die Fähigkeit von Fahrzeugen, ihre Umgebung wahrzunehmen und Verkehrsschilder oder Fußgänger:innen zu erkennen, was zur Sicherheit im Straßenverkehr beiträgt.
Die Herausforderungen für Firmen – und Lösungsansätze
So weit, so gut. Aber wo liegen nun die Herausforderungen und Hindernisse, die Sie im Zusammenhang mit Deep Learning berücksichtigen sollten, um Ihren Geschäftserfolg nicht zu gefährden? Achten Sie vor allem auf folgende Fallstricke:
- Leistungsanforderungen und Energieverbrauch. Für das Training von neuronalen Netzen braucht es eine Menge Rechenpower und Speicherplatz. Das bedeutet einen hohen Energieverbrauch und hohe Kosten.
- Datenbedarf und Overfitting. Die Netze benötigen eine Menge Daten, um gut zu funktionieren – das Training kann deshalb lange dauern. Zudem sind Deep-Learning-Algorithmen anfällig für Overfitting. Das bedeutet, dass sie sich zu stark an die Trainingsdaten anpassen und dann Schwierigkeiten haben, mit abweichenden, unbekannten Daten präzise Vorhersagen zu treffen.
- Black-Box-Gefahr. Tiefe neuronale Netze sind oft schwer zu deuten, da sie komplexe innere Darstellungen lernen. Es kann schwierig sein, die Entscheidungsfindung von neuronalen Netzen nachzuvollziehen, weshalb sie mitunter als Black Boxes bezeichnet werden. Gerade in sicherheitskritischen Anwendungen, bei denen transparent sein muss, wie es zu Entscheidungen kommt, ist das problematisch.
Achten Sie auf Datenschutz, Sicherheit und Fairness!
Wenn sensible Daten für das Training von Deep-Learning-Modellen verwendet werden, besteht die Gefahr, dass diese Daten kompromittiert oder gestohlen werden – etwa durch Datenlecks oder (gezielte) Angriffe. Neben technischen und rechtlichen Aspekten kommen beim Thema Datensicherheit auch ethische hinzu. Denn abhängig von den Daten, mit denen sie trainiert werden, können Deep-Learning-Modelle zu unbeabsichtigten Verzerrungen führen oder Vorurteile zementieren und dadurch etwa Diskriminierungen in Entscheidungsprozessen auslösen, zum Beispiel bei Kreditvergaben oder beim Recruiting.
Sie sehen: Beim Einsatz von Künstlicher Intelligenz gibt es einiges zu beachten. Häufig ist es daher die beste Lösung, mit einem erfahrenen Partner in diesem Bereich zusammenzuarbeiten, anstatt eigene Lösungen zu entwicklen. Seit 2016 hat sich Salesforce Einstein, die Künstliche Intelligenz von Salesforce, weltweit zu einer führenden KI-Lösung für CRM entwickelt. Die Technologie hilft Unternehmen, die oben beschriebenen Herausforderungen zu bewältigen. Seit 2023 verfügt Einstein neben prädiktiven Fähigkeiten (Vorhersagen über künftige Ereignisse) auch über generative Fähigkeiten (Erstellung neuer, eigenständiger Inhalte) und unterstützt etwa den Kundenservice mit Antwortvorschlägen oder mit der automatischen Generierung von Nachrichten auf Basis von Chatverläufen.
Um den speziellen Anforderungen von Unternehmen gerecht zu werden, hat Salesforce den Einstein Trust Layer entwickelt, ein spezieller Sicherheitsebene, der in die Salesforce Plattform integriert ist. Konkret sorgt der Einstein Trust Layer dafür, den Datenzugriff für autorisierte Benutzer:innen zu regulieren und KI-Anwendungen fair und transparent zu gestalten. Durch Data Masking und Zero Retention wird die Sicherheit sensibler Informationen gewährleistet. Außerdem werden die von der KI erstellten Inhalte beispielsweise auf Toxizität geprüft.
Fazit: Chancen und Risiken von Deep Learning
Deep Learning ist ein mächtiges Werkzeug im Bereich des maschinellen Lernens und der KI. Es ist in der Lage, Aufgaben von großer Komplexität zu bearbeiten, was mit „flachen“ Machine-Learning-Methoden nur eingeschränkt möglich wäre. Und das in zahlreichen Bereichen, von der Bilderkennung über die Sprachverarbeitung bis zur medizinischen Diagnostik.
Zugleich bleiben Risiken und Herausforderungen wie Datenschutz und Sicherheit – Themen, die Salesforce mit innovativen und vertrauenswürdigen KI-CRM-Lösungen angeht.
Entdecken Sie unser neues KI-Glossar
32 Definitionen aus der KI-Welt, die Sie jetzt unbedingt kennen sollten und welche Vorteile für Ihre Kund:innen und Mitarbeiter:innen daraus entstehen.
![Ki Glossar auf einem Tablet](https://www.salesforce.com/de/blog/wp-content/uploads/sites/7/2020/06/de-ki-glossar.png)
![](https://www.salesforce.com/de/blog/wp-content/themes/salesforce-blog/dist/images/offer-block/offer-illustration-layout-five.png)
![](https://www.salesforce.com/de/blog/wp-content/themes/salesforce-blog/dist/images/offer-block/offer-accent-layout-five.png)
![](https://www.salesforce.com/de/blog/wp-content/themes/salesforce-blog/dist/images/offer-block/offer-cloud-layout-five.png)