Motivation
Tiefes Lernen („Deep Learning“, DL) und tiefe neuronale Netze („Deep Neural Nets“, DNNs) revolutionieren Forschung, industrielle Anwendungen und Geschäftsmöglichkeiten in den Gebieten der KI und des maschinellen Lernens. Sie sind ganz wesentlich für das aktuelle Wiederaufleben der KI und ihre verstärkte Wahrnehmung durch die Öffentlichkeit verantwortlich: DL bewirkt, dass Maschinen den Menschen in Gebieten übertreffen, die traditionell als schwierig für Computer galten, wie etwa in der Bild- und Spracherkennung (Gesichtserkennung, Erkennung von Krebszellen in Röntgen- und CT-Bildern, Verstehen von Sprache).
Ziele und Vorgehen
Prozessabläufe für komplexe Sprachtechnologien wie Informationsextraktion, Fragebeantwortung und maschinelle Übersetzung basieren üblicherweise auf einer Reihe komplexer und heterogener Technologien, deren Methoden teilweise zueinander inkompatibel sind. Dieser traditionelle Ansatz hat schwere Nachteile, denn die Gesamtheit dieser Technologien kann extrem schwierig zu warten, zu adaptieren und zu skalieren sein. Um diese Probleme zu lösen, verfolgt DEEPLEE eine radikale Abkehr von klassischen Pipeline-Architekturen hin auf eine einfache und einheitliche Technologiebasis mit tiefen neuronalen Netzen und tiefem Lernen.
Innovationen und Perspektiven
Dieser Ansatz unterstützt ein End-to-End-Training, bei dem alle Komponenten gemeinsam auf das gleiche Ziel (oder mehrere Ziele) optimiert werden, einfach zu pflegen und anzupassen sind und keinen übermäßigen Schnittstellen- und Standardisierungs-Overhead erfordern. Diese Basistechnologie soll dann in einem zweiten Schritt mit externen Wissensressourcen wie „Linked Open Data“ und „Linguistic Linked Open Data“ sorgfältig ergänzt werden.